简介

模型上下文协议(MCP,Model Context Protocol)顾名思义它是一个协议，做开发的朋友看到Protocol是不是DNA动了。

TCP/IP协议、HTTP协议、UDP协议、RESP协议各种各样的协议，本质上就是定义了应用之间的交互格式和行为。

MCP协议也一样，定义了就是定义了MCP Server与MCP Host(MCP Client)之间的交互标准。

具体的标准可以看：MCP Specification

MCP Server通常是我们提供给AI的服务、工具，MCP Host通常是AI Agent，例如Cline、Cherry Studio之类。

MCP官网

一个简单的MCP服务

为了简化流程，我们这里就直接使用MCP为我们提供的SDK和例子，来简单的说明一下。

这里我们使用Python语言来实现，可以直接看modelcontextprotocol提供的：python-sdk

首先使用uv命令来初始化项目，并且把MCP的Python-sdk依赖包添加进来：

uv init
uv add "mcp[cli]"

不清楚uv是啥的可以参考：Python虚拟环境与包管理工具(uv、Conda)

添加我们的MCP服务：

from mcp.server.fastmcp import FastMCP

# Create an MCP server
mcp = FastMCP("Demo")


# Add an addition tool
@mcp.tool()
def add(a: int, b: int) -> int:
    """Add two numbers"""
    return a + b


# Add a dynamic greeting resource
@mcp.resource("greeting://{name}")
def get_greeting(name: str) -> str:
    """Get a personalized greeting"""
    return f"Hello, {name}!"


# Add a prompt
@mcp.prompt()
def greet_user(name: str, style: str = "friendly") -> str:
    """Generate a greeting prompt"""
    styles = {
        "friendly": "Please write a warm, friendly greeting",
        "formal": "Please write a formal, professional greeting",
        "casual": "Please write a casual, relaxed greeting",
    }

    return f"{styles.get(style, styles['friendly'])} for someone named {name}."
    

if __name__ == "__main__":
    mcp.run(transport="stdio")

通过MCP Client使用MCP服务

我们已经有一个MCP服务了，那如何使用这个服务呢？

这里我们使用国产的AI客户端Cherry Studio来测试，因为国产的对国内的很多大模型平台支持要好很多，避免很多网络问题。

可以去下面的链接查看、下载：

Cherry Studio

Cherry Studio 下载

下载，直接安装就可以了。

安装好，我们打开Cherry Studio，首先要设置一下大模型平台，这里我们选择硅基流动。

硅基流动

平台的模型广场上有很多大模型可供选择，很多是免费的，因为我们要使用Cherry Studio通过API调用，所以要先申请密钥。

当然，你也可以选择你自己熟悉的大模型平台，Key的申请基本上在个人中心找到。

然后我们就可以选择模型，来测试一下：

上面这是我们使用DeepSeek-V3没有使用MCP时的调用过程。

然后我们配置好我们的自己开发的MCP。

这里我们配置我们自己的MCP:

参数：

--directory
D:\project\python\learn-mcp
run
main.py

实际上Cherry Studio在需要MCP服务的时候，就会去执行下面的命令，来启动我们的MCP服务：

# 就是运行指定的Python文件，启动MCP服务
uv --directory D:\project\python\learn-mcp run main.py

像Cline这样的工具使用的Json工具，其实Cherry Studio也一样，只不过Cherry Studio为我们提供了用户界面配置的方式而已，实际上最终使用的还是像下面的Json。

{
  "mcpServers": {
    "YQbsNQ1zCOdbEV94oCJGr": {
      "name": "my-first-mcp-server",
      "type": "stdio",
      "description": "",
      "isActive": true,
      "registryUrl": "https://pypi.tuna.tsinghua.edu.cn/simple",
      "command": "uv",
      "args": [
        "--directory",
        "D:\\project\\python\\learn-mcp",
        "run",
        "main.py"
      ]
    }
  }
}

然后，我们在设置一下MCP服务器，然后再让大模型【请帮忙计算：147258369 + 147258369】

我们可以看到最终大模型识别出了加法计算，并通过Cherry Studio这个Agent调用了我们的MCP服务得到了结果。

MCP、AI客户端、大模型之间的交互流程

整个的交互流程大概就是下面这个样子：

注意：MCP不是直接与大模型进行的交互，而是与Agent的进行交互。

Agent(MCP Client)与MCP Server交互是有MCP规定的标准化的，但是Agent与大模型之间的交互不是标准的，所以还是会出现牛头不对马嘴的情况。