一、概述MCPModel Context Protocol模型上下文协议是 Anthropic 于 2024 年 11 月推出的开放标准旨在为大型语言模型LLMs提供建立一套安全、标准化的通信协议以便连接和调用外部数据源和工具。从而让 AI 从“只会回答”升级为“能执行操作”的行动助手。二、引言目前各大 LLM 平台如 Deepseek、ChatGPT、Claude普遍支持 Function Calling允许模型在需要时调用特定函数如访问网络、查询数据库等来扩展能力。然而不同平台的 Function Call API 存在实现差异导致开发者在切换平台时需要重新适配增加了开发成本。如下图所示LLM Model与function的调用过程MCP的核心是对大模型调用外部工具建立一个标准化流程。MCP基于 Function Calling进一步定义了从请求构建、发送、执行到结果返回的标准化流程。通过 MCP模型可以以统一方式与各种外部工具和数据源交互极大提升了跨平台兼容性和 AI 应用开发效率。三、MCP架构MCP 遵循客户端-服务器架构角色主要包含三部分MCP Host运行 LLM如 Claude、Deepseek、Ollama的实体节点如果使用的LLM为线上模型可以忽略这部分。MCP Client运行着与大模型对话的客户端可能会使用工具叫做MCP Client。其与 MCP Server 保持 1:1 连接负责解析模型请求如果使用工具会将请求转发到对应 MCP Server。MCP Server实际运行外部工具如访问文件系统、发送邮件、查询日历的服务端叫做MCP Server。负责处理请求并将结果返回给 Client。Resources资源只读数据如本地文件、数据库记录、知识库内容等。Tools工具可执行的函数如发送邮件、运行代码、调用第三方 API 等。Prompts提示预定义的工作流模板用于引导模型完成特定任务如代码生成、报告撰写。MCP Cilent与MCP Server之间有两种通信机制Stdio标准输入/输出和SSE(Server-Sent-Event服务器发送事件)两种机制介绍如下Stdio标准输入/输出当服务器和客户端同时运行在本机时可以使用Stdio机制。SSE(Server-Sent-Event)当服务器部署在远程服务器上客户端通过HTTP 请求发送消息使用这种方式。例如查询天气流程用户在 Host 中提问“今天天津天气如何”Host 解析用户意图通过 MCP Client 发送标准化的 JSON-RPC 请求。Client 将请求路由到对应的天气 MCP Server。Server 执行查询并将结构化的天气数据返回给 Client。Client 将结果传回 Host模型整合信息后生成自然语言回答给用户。四、技术实现与工作流程MCP 的技术实现主要依赖于标准化的通信协议和动态发现机制标准化通信MCP 基于 JSON-RPC 2.0 协议进行通信。无论是本地通信通过标准输入输出 stdio还是远程通信基于 HTTP 的 SSE 长连接所有的请求和响应都遵循统一的 JSON 消息格式确保了交互的规范性。动态发现机制这是 MCP 的核心创新。MCP Client 可以主动查询 MCP Server 提供的工具列表list_tools()Server 会返回工具的元数据名称、参数、描述。当 Server 新增工具时还能主动通知 Client 刷新列表。这意味着 AI 可以实时集成新工具无需预先编写适配代码。五、MCP的优势MCP 的出现解决了传统 AI 应用开发中的核心痛点解决不同模型集成难题在传统模式下m 个模型对接 n 个工具需要 m×n 次定制开发。MCP 将其简化为 mn 次实现每个模型和每个工具只需实现一次 MCP 协议即可实现全互联大幅降低了集成成本。安全与权限控制MCP 内置了权限控制、沙箱和认证机制。默认情况下 Server 在本地运行高风险操作如删除文件需要用户手动授权有效避免了模型越权访问敏感数据。可扩展性通过统一的协议AI 应用可以“即插即用”地接入各种数据库、API 和本地服务生态得以快速扩展。目前MCP 已获得 OpenAI、Google、微软、百度、阿里、腾讯等主流厂商的支持正成为构建下一代 AI Agent 的核心基础设施。六、LLM通用mcp server开发eg以查询天气为例from typing import Any import httpx from dotenv import load_dotenv from mcp.server.fastmcp import FastMCP import os # 初始化 FastMCP server mcp FastMCP(weather) # 加载 .env 文件中的环境变量 load_dotenv() # 获取环境变量 OPEN_WEATHER_API_KEY os.getenv(OPEN_WEATHER_API_KEY) async def make_openweather_request(url: str) - dict[str, Any] | None: 向 OpenWeather API 发出 GET 请求处理错误并返回 JSON 响应。 async with httpx.AsyncClient() as client: try: response await client.get(url, timeout30.0) response.raise_for_status() return response.json() except Exception: return None mcp.tool() async def get_weather(city: str) - str: 获取指定城市的当前天气情况。 Args: city: 城市名称必须是英文格式比如 London 或 Beijing Returns: 格式化后的天气报告字符串。 base_url http://api.openweathermap.org/data/2.5/weather params { q: city, appid: OPEN_WEATHER_API_KEY, units: metric, lang: zh_cn } query .join(f{k}{v} for k, v in params.items()) url f{base_url}?{query} data await make_openweather_request(url) print(fdata:{data}) if not data or data.get(cod) 404: return 未找到该城市的天气信息。 try: main data[main] weather data[weather][0] wind data[wind] # 提取天气主要信息 weather_description weather.get(description, 无描述) #天气描述 temperature main.get(temp) #当前温度 feels_like main.get(feels_like) #体感温度 temp_min main.get(temp_min) #最低温度 temp_max main.get(temp_max) #最高温度 pressure main.get(pressure) #气压 humidity main.get(humidity) #湿度 sea_level main.get(sea_level, 未知) #海平面气压 grnd_level main.get(grnd_level, 未知) #地面气压 wind_speed wind.get(speed) #风速 # 生成天气报告 weather_report f 城市: {data.get(name, 未知)} 天气描述: {weather_description.capitalize()} 当前温度: {temperature}°C 体感温度: {feels_like}°C 最低温度: {temp_min}°C 最高温度: {temp_max}°C 气压: {pressure} hPa 湿度: {humidity}% 海平面气压: {sea_level} hPa 地面气压: {grnd_level} hPa 风速: {wind_speed} m/s .strip() return weather_report except Exception as e: return f处理天气数据时出错{e} if __name__ __main__: mcp.run(transportstdio)注意mcp.tool()是 FastMCP 框架中的一个装饰器用于将 Python 函数注册为 MCPModel Context Protocol工具。对应方法中注释很重要LLM会通过该注释理解该工具的功能和用法。