什么是MCP

MCP（Model Context Protocol，模型上下文协议）是一种开放标准协议，由Anthropic于2024年11月提出并开源。其主要目的是在大型语言模型（LLM）与外部数据源及工具之间建立安全的双向链接。

MCP协议旨在解决AI模型因数据孤岛限制而无法充分发挥潜力的问题，使AI应用能够安全地访问和操作本地及远程数据。此外，MCP通过标准化的服务器实现，支持AI模型与各种资源进行安全交互，使其成为连接万物的接口。

MCP有如下几个优势：

• 将工具注入从编译时转移到运行时，开发者可以在运行时动态管理工具的增删改。
• 可以将工具运行从本地转移到分布式的远程Server，有效减少了本地依赖，轻量化应用。
• 工具得到了有效的抽象，可以跨应用提供安全的数据访问。

MCP运行原理

MCP 的底层通过 JSON-RPC 2.0 协议实现通信，支持两种传输机制：

• 标准输入输出（本地进程通信）
• Server-Sent Events（SSE over HTTP，用于远程通信）

从官方给出的样例代码中可以看到，本质上是通过MCP协议拿到所有的工具信息后，通过一定的格式化后，拼接到prompt里发送给大模型。

然后根据大模型的输出来决定工具的调用

总结一下LLM通过MCP调用工具的执行流程

开发MCP Server

# 给项目创建一个文件夹
uv init mcpdemo
cd mcpdemo

# 创建一个虚拟环境并激活
uv venv
source .venv/bin/activate

# 安装依赖
uv add "mcp[cli]" httpx

# 创建 server 文件
touch server_demo.py

这里分别开发了两种协议的demo

stdio

# -*- coding: utf-8 -*-
import logging
from typing import Any
import asyncio
from mcp.server.models import InitializationOptions
import mcp.types as types
from mcp.server import NotificationOptions, Server
import mcp.server.stdio
from pydantic import AnyUrl


server = Server("demo")
@server.list_prompts()
async def handle_list_prompts() -> list[types.Prompt]:
    """
    提示模版定义
    """
    return [
        types.Prompt(
            name="example-prompt",
            description="An example prompt template",
            arguments=[
                types.PromptArgument(
                    name="arg1",
                    description="Example argument",
                    required=True
                )
            ]
        )
    ]

@server.get_prompt()
async def handle_get_prompt(
    name: str,
    arguments: dict[str, str] | None
) -> types.GetPromptResult:
    """
    提示模板处理
    """
    if name != "example-prompt":
        raise ValueError(f"Unknown prompt: {name}")

    return types.GetPromptResult(
        description="Example prompt",
        messages=[
            types.PromptMessage(
                role="user",
                content=types.TextContent(
                    type="text",
                    text="Example prompt text"
                )
            )
        ]
    )

@server.list_resources()
async def list_resources() -> list[types.Resource]:
    """
    资源定义
    """
    test='test.txt'
    return [
        types.Resource(
            uri=AnyUrl(f"file:///tmp/{test}"),
            name=test,
            description=f"A sample text resource named {test}",
            mimeType="text/plain",
        )
        # for name in SAMPLE_RESOURCES.keys()
    ]

@server.read_resource()
async def read_resource(uri: AnyUrl) -> str | bytes:
    assert uri.path is not None
    with open('/tmp/test.txt', 'r') as file:
        data = file.read()
    return data

@server.list_tools()
async def handle_list_tools() -> list[types.Tool]:
    """
    工具定义.
    每个工具都使用JSON Schema验证指定其参数.
    """
    return [
        types.Tool(
            name="demo-tool",
            description="Get data tool for a param",
            inputSchema={
                "type": "object",
                "properties": {
                    "param": {
                        "type": "string",
                        "description": "url",
                    },
                },
                "required": ["param"],
            },
        )
    ]

@server.call_tool()
async def handle_call_tool(
    name: str, arguments: dict | None
) -> list[Any]:
    logging.info(name)
    """
    处理工具调用
    """
    if not arguments:
        raise ValueError("Missing arguments")
    if name == "demo-tool":
        param = arguments.get("param")
        if not param:
            raise ValueError("Missing state parameter")
        param = param.upper()
        return [
            types.TextContent(
                type="text",
                text=f"text:{param}"
            )
        ]
    else:
        raise ValueError(f"Unknown tool: {name}")

async def main():
    from anyio.streams.text import TextStream
    # Run the server using stdin/stdout streams
    async with mcp.server.stdio.stdio_server() as (read_stream, write_stream):
        await server.run(
            read_stream,
            write_stream,
            InitializationOptions(
                server_name="demo-server",
                server_version="0.1.0",
                capabilities=server.get_capabilities(
                    notification_options=NotificationOptions(),
                    experimental_capabilities={},
                ),
            ),
        )

if __name__ == "__main__":
    asyncio.run(main())

sse

server_demo.py内容如下，这里是MCP官方SDK中的一个SSE传输的样例（代码里其实也支持了stdio）

import anyio
import click
import httpx
import mcp.types as types
from mcp.server.lowlevel import Server


async def fetch_website(
        url: str,
) -> list[types.TextContent | types.ImageContent | types.EmbeddedResource]:
    headers = {
        "User-Agent": "MCP Test Server (github.com/modelcontextprotocol/python-sdk)"
    }
    async with httpx.AsyncClient(follow_redirects=True, headers=headers) as client:
        response = await client.get(url)
        response.raise_for_status()
        return [types.TextContent(type="text", text=response.text)]


@click.command()
@click.option("--port", default=8000, help="Port to listen on for SSE")
@click.option(
    "--transport",
    type=click.Choice(["stdio", "sse"]),
    default="stdio",
    help="Transport type",
)
def main(port: int, transport: str) -> int:
    app = Server("mcp-website-fetcher")

    @app.call_tool()
    async def fetch_tool(
            name: str, arguments: dict
    ) -> list[types.TextContent | types.ImageContent | types.EmbeddedResource]:
        if name != "fetch":
            raise ValueError(f"Unknown tool: {name}")
        if "url" not in arguments:
            raise ValueError("Missing required argument 'url'")
        return await fetch_website(arguments["url"])

    @app.list_tools()
    async def list_tools() -> list[types.Tool]:
        return [
            types.Tool(
                name="fetch",
                description="Fetches a website and returns its content",
                inputSchema={
                    "type": "object",
                    "required": ["url"],
                    "properties": {
                        "url": {
                            "type": "string",
                            "description": "URL to fetch",
                        }
                    },
                },
            )
        ]

    if transport == "sse":
        from mcp.server.sse import SseServerTransport
        from starlette.applications import Starlette
        from starlette.routing import Mount, Route

        sse = SseServerTransport("/messages/")

        async def handle_sse(request):
            async with sse.connect_sse(
                    request.scope, request.receive, request._send
            ) as streams:
                await app.run(
                    streams[0], streams[1], app.create_initialization_options()
                )

        starlette_app = Starlette(
            debug=True,
            routes=[
                Route("/sse", endpoint=handle_sse),
                Mount("/messages/", app=sse.handle_post_message),
            ],
        )

        import uvicorn

        uvicorn.run(starlette_app, host="127.0.0.1", port=port)
    else:
        from mcp.server.stdio import stdio_server

        async def arun():
            async with stdio_server() as streams:
                await app.run(
                    streams[0], streams[1], app.create_initialization_options()
                )

        anyio.run(arun)

    return 0


if __name__ == '__main__':
    main()

运行server

python server_demo.py --port 8800 --transport sse # sse模式

调用MCP Server

本地调试

官方提供了一个调试工具inspector，可以本地调试Server的功能

npx -y @modelcontextprotocol/inspector

注意这里要防止环境变量跟工作目录带来的问题，最好填写绝对路径。

连接上后可以看到读出了我们设置的test.txt文件内容

获取prompt

工具调用，由于只是模拟，这里直接返回了传入参数的大写。

在左边切换协议，还支持SSE的测试。可以看到成功抓取了我博客的内容。

同样，还可以调用别人写好的MCP工具

npx -y @modelcontextprotocol/server-filesystem .

MCP提供了统一的规范和标准，大家都能去按照这个协议去开发插件，共享劳动成果。

Cline

Cline是Vscode的一个插件，支持MCP协议的工具调用，同时内置了插件市场，可以一键安装使用别人写好的MCP工具。

插件市场

在右上角设置里增加我们的MCP Server

{
  "mcpServers": {
    "server_demo": {
      "command": "/Users/yzddmr6/PycharmProjects/MCPDemo/venv/bin/python",
      "args": [
        "/Users/yzddmr6/PycharmProjects/MCPDemo/server.py"
      ],
      "disabled": false,
      "autoApprove": []
    }
  }
}

然后再去列举工具

调用MCP工具

Cline可以交互式的调用执行一些命令，并根据输出来反思调整

不过有时候模型并不是非常聪明，这时候就需要人工参与了

还可以在插件市场里调用别人的插件，这里以官方推出的File System为例

但是发现一个问题，Cline目前还并不支持SSE远程调用。

翻了一下issue，官方已经有人在跟进了，但是看起来工作量比较大

那么如何解决呢？有人提到可以用supergateway这个插件做一层中转，把sse转为stdio：https://github.com/supercorp-ai/supergateway

经过测试本地直接运行命令没有问题，但是在Cline上配置后报错，不太清楚是什么原因

npx -y supergateway --sse http://127.0.0.1:8800/sse

Cursor

Cursor同时支持命令行与sse两种模式，遥遥领先

可以看到控制台有连接记录了

但非Pro用户使用非常不稳定，没充钱就是这样子的。

最后

本文我们探讨了MCP的背景、运行原理以及其在开发AI应用中的实际应用。

MCP的出现正好解决了我最近工作中遇到的一些问题：原来的工具和模型是耦合的，而模型的迭代速度又非常快，如果想要做迁移就要重新写一份代码。解耦之后，可以更关注业务逻辑，减少重复劳动，同时也可以共享互联网上别人写好的工具和资源。

现在越来越多的组件和公司开始兼容MCP协议，甚至OpenAI的Agent SDK最近也已经支持了MCP。要知道，推出MCP协议的的是他的头号竞争对手Anthropic。

目前mcp.so收录了近4600+ MCP Server，包括微软、高德、百度地图等都已经推出了自己的MCP Server。smithery.ai也收录了近3000个。

个人认为，MCP的价值核心在于支持远程的调用。官方前两天也给MCP远程调用增加了鉴权的支持，采用OAuth2.1标准。

https://spec.modelcontextprotocol.io/specification/2025-03-26/changelog/

对安全行业来说，MCP的普及可能会带来新的攻击面，例如未授权，越权等。毕竟，如果是远程部署的MCP Server，我连上了你 = 我能访问你的数据库，读取你的文件，甚至执行任意的命令。

可以预见的是，MCP在接下来相当长的一段时间内会成为行业的标准和共识，越来越多的开发者和公司会加入到这个开放生态系统中，共享开发的工具和资源，加速AI应用的创新和发展。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】