MCP 是什么？一文带你从原理到实战，轻松上手使用与开发

1. 什么是 MCP？

MCP（Model Context Protocol，模型上下文协议）是 Anthropic 于 2024 年底推出的一种开放协议，旨在标准化 AI 模型与外部数据源、工具之间的通信方式。你可以把它理解为 AI 世界的「USB-C 接口」——通过统一的协议，让大语言模型能够方便地连接数据库、文件系统、API 服务等各种外部资源。

在 MCP 出现之前，每个 AI 应用接入外部工具都需要定制开发，接口五花八门，维护成本极高。MCP 的出现改变了这一局面：它定义了客户端、服务器和工具之间的标准交互方式，让开发者只需实现一次协议，就能让模型访问任意兼容 MCP 的资源。

2. MCP 的核心架构

MCP 采用客户端-服务器架构，包含三个核心角色：

• MCP Host（宿主）：运行 AI 模型的应用，如 Claude Desktop、Cursor、VS Code 等，负责发起请求并展示结果。
• MCP Client（客户端）：在 Host 内部与 MCP Server 建立连接的组件，负责协议通信。
• MCP Server（服务器）：暴露工具、资源和提示词的独立服务，可以是本地进程，也可以是远程服务。

一次典型的调用流程如下：

1. Host 中的 AI 模型收到用户指令，判断需要调用外部工具。
2. Client 通过 MCP 协议向 Server 发送工具调用请求。
3. Server 执行实际操作（如查询数据库、调用 API），并返回结构化结果。
4. Client 将结果回传给模型，模型据此生成最终回复。

3. MCP 的三大核心原语

MCP 协议定义了三种核心原语，理解它们是开发 MCP Server 的基础：

3.1 Tools（工具）

工具是模型可以调用的函数，例如「查询天气」「发送邮件」「执行 SQL」。每个工具都有名称、描述和参数定义（JSON Schema），模型根据描述决定何时调用。

3.2 Resources（资源）

资源是暴露给模型读取的数据，例如文件内容、数据库记录、API 响应。资源通过 URI 定位，支持只读访问，适合让模型获取上下文信息。

3.3 Prompts（提示词）

提示词是可复用的交互模板，定义了用户与模型之间的标准对话模式。例如「代码审查」「周报生成」等固定流程，可以封装为提示词供用户一键触发。

4. 环境准备

在开始实战之前，请确保你的开发环境满足以下要求：

• Node.js 18 或更高版本（推荐 20+）
• Python 3.10 或更高版本（用于 Python SDK 示例）
• 一个支持 MCP 的客户端，如 Claude Desktop、Cursor 或 VS Code

安装 MCP 官方 SDK：

# 安装 TypeScript SDK npm install @modelcontextprotocol/sdk 安装 Python SDK pip install mcp

5. 实战一：用 TypeScript 开发一个天气查询 MCP Server

下面我们通过一个完整的示例，演示如何用 TypeScript 开发一个天气查询 MCP Server。这个 Server 暴露一个get_weather工具，接收城市名参数，返回模拟的天气数据。

5.1 初始化项目

mkdir mcp-weather-server cd mcp-weather-server npm init -y npm install @modelcontextprotocol/sdk zod

5.2 编写 Server 代码

创建server.ts文件：

import { McpServer } from "@modelcontextprotocol/sdk/server/mcp.js"; import { StdioServerTransport } from "@modelcontextprotocol/sdk/server/stdio.js"; import { z } from "zod"; // 创建 MCP Server 实例 const server = new McpServer({ name: "weather-server", version: "1.0.0", }); // 注册一个工具：查询天气 server.tool( "get_weather", "根据城市名称查询当前天气", { city: z.string().describe("城市名称，如 北京、上海") }, async ({ city }) => { // 这里可以替换为真实的天气 API 调用 const weatherData = { city, temperature: 25, condition: "晴", humidity: 40, }; return { content: [ { type: "text", text: JSON.stringify(weatherData, null, 2), }, ], }; } ); // 启动 Server，使用标准输入输出传输 const transport = new StdioServerTransport(); await server.connect(transport); console.error("Weather MCP Server 已启动");

5.3 编译并运行

npx tsc server.ts --outDir dist --module NodeNext --target ES2022 node dist/server.js

此时 Server 会在标准输入输出上监听 MCP 请求。你可以通过 MCP Inspector 或支持 MCP 的客户端连接测试。

6. 实战二：用 Python 开发一个数据库查询 MCP Server

接下来我们用 Python 开发一个数据库查询 Server，演示如何通过 MCP 让模型安全地执行 SQL 查询。

6.1 安装依赖

pip install mcp sqlite3

6.2 编写 Server 代码

创建db_server.py文件：

import sqlite3 from mcp.server.fastmcp import FastMCP 创建 MCP Server mcp = FastMCP("db-server") 初始化数据库 conn = sqlite3.connect(":memory:") cursor = conn.cursor() cursor.execute("CREATE TABLE users (id INTEGER, name TEXT, age INTEGER)") cursor.executemany( "INSERT INTO users VALUES (?, ?, ?)", [(1, "Alice", 30), (2, "Bob", 25), (3, "Charlie", 35)], ) conn.commit() @mcp.tool() def query_users(min_age: int = 0) -> str: """查询用户列表，可按最小年龄过滤""" cursor.execute("SELECT * FROM users WHERE age >= ?", (min_age,)) rows = cursor.fetchall() return "\n".join(str(row) for row in rows) @mcp.tool() def get_user(user_id: int) -> str: """根据 ID 查询单个用户""" cursor.execute("SELECT * FROM users WHERE id = ?", (user_id,)) row = cursor.fetchone() return str(row) if row else "用户不存在" if name == "main": mcp.run()

6.3 运行 Server

python db_server.py

这个 Server 暴露了两个工具：query_users和get_user，模型可以根据用户问题自动选择合适的工具并传入参数。

7. 在客户端中配置和使用 MCP Server

开发完 Server 后，我们需要在客户端中配置才能使用。以 Claude Desktop 为例，编辑配置文件claude_desktop_config.json：

{ "mcpServers": { "weather": { "command": "node", "args": ["/path/to/dist/server.js"] }, "database": { "command": "python", "args": ["/path/to/db_server.py"] } } }

重启客户端后，模型就能自动发现并调用这些工具。例如，你可以直接问：「北京今天天气怎么样？」模型会调用get_weather工具并返回结果。

8. MCP 的传输方式与安全考虑

MCP 支持两种主要传输方式：

• stdio（标准输入输出）：适用于本地进程，客户端直接启动 Server 子进程，通过标准输入输出通信，配置简单。
• HTTP/SSE（Server-Sent Events）：适用于远程服务，Server 部署在服务器上，客户端通过 HTTP 请求访问，支持跨网络调用。

在使用 MCP 时，需要注意以下安全事项：

• 权限控制：Server 应实现最小权限原则，只暴露必要的工具和数据。
• 输入校验：对模型传入的参数进行严格校验，防止注入攻击。
• 审计日志：记录所有工具调用，便于追踪和排查问题。
• 敏感数据保护：避免在工具返回结果中泄露密钥、密码等敏感信息。

9. MCP 的生态与未来展望

MCP 自发布以来，生态发展迅速。目前已有大量官方和社区维护的 Server，覆盖数据库、文件系统、浏览器自动化、开发工具、云服务等众多领域。主流 AI 客户端如 Claude Desktop、Cursor、VS Code、JetBrains 等都已原生支持 MCP。

MCP 的出现，让 AI 应用从「对话机器人」向「智能体（Agent）」演进迈出了关键一步。未来，随着协议不断完善和生态持续壮大，MCP 有望成为 AI 与外部世界交互的事实标准，让开发者能够以更低的成本构建强大的 AI 应用。

10. 总结

本文从概念、架构、核心原语到实战开发，系统介绍了 MCP 协议。我们通过 TypeScript 和 Python 两个完整示例，演示了如何开发 MCP Server 并在客户端中配置使用。MCP 的核心价值在于标准化和复用：一次开发，处处可用。无论你是 AI 应用开发者还是技术爱好者，掌握 MCP 都将为你的 AI 开发之路打开新的可能。

建议你动手实践本文的示例，并尝试接入真实的 API 或数据库，体验 MCP 带来的开发效率提升。