MCP协议解析

简介

MCP （Model Context Protocol 模型上下文协议），最初由 Anthropic 推出的一种开放标准，旨在统一大模型与外部数据源和工具之间的通信协议。其目的在于解决当前 AI 大模型因数据孤岛限制而无法充分发挥潜力的难题，MCP 使得 AI 应用能够安全地访问和操作本地及远程数据，为 AI 应用提供连接万物的接口。

Function Calling 是 AI 模型调用函数的机制，而 AI agent 是一个自主运行的智能系统，利用 Function Calling 和 MCP 来分析和执行任务，实现特定目标。

Function Calling 与 MCP 的区别

MCP Model Context Protocol 模型上下文协议。
Function Calling 函数调用。

这两种技术都旨在增强 AI 模型与外部数据的交互能力，但 MCP 不止可以增强 AI 模型，还可以连接其他的应用系统。

类别	`MCP` `Model Context Protocol`	`Function Calling`
性质	协议	功能
范围	通用（多数据源、多功能）	特定场景（单一数据源或功能）
目标	统一接口，实现互操作	扩展模型能力
实现	基于标准协议	依赖于特定模型实现
开发复杂度	低：通过统一协议实现多源兼容	高：需要为每个任务单独开发函数
复用性	高：一次开发，可多场景使用	低：函数通常为特定任务设计
灵活性	高：支持动态适配和扩展	低：功能扩展需要额外开发
常见场景	复杂场景，如跨平台数据访问与整合	简单任务，如天气查询等

核心架构

MCP 遵循客户端-服务器架构，其中包含以下几个核心概念：

MCP 主机（Host）：发起请求的 LLM 应用程序。（例如 Claude Desktop、IDE 或 AI 工具）
MCP 客户端（MCP Client）：在主机程序内部，与 MCP server 保持 1:1 的连接。
MCP 服务器（MCP Server）：为 MCP 客户端提供上下文、工具和 prompt 信息。
本地资源（Local Resource）：本地计算机中可供 MCP 服务器安全访问的资源。（例如文件、数据库）
远程资源（Remote Resource）：MCP 服务器可以连接到的远程资源。（例如通过 API）

MCP 的基本工作流程：

通信机制：
MCP 协议目前主要支持两种主要的通信机制：基于标准输入输出的本地通信和基于 SSE （Server-Sent Events）的远程通信。
这两种通信机制都使用 JSON-RPC 2.0 格式进行消息传输，确保了通信的标准化和可扩展性。

本地通信。通过 stdio 传输数据，适用于在同一台机器上运行的客户端和服务器之间的通信。
远程通信。利用 SSE 和 HTTP 结合，实现跨网络的实时数据传输，适用于需要访问远程资源和分布式部署的场景。

功能与应用

官方 MCP Server 支持列表：

数据与文件系统：
- 文件系统
- PostgreSQL
- SQLite
- Google Drive
开发工具
- Git
- Github
- Gitlab
- Sentry
网络与浏览器自动化
- Brave Search：利用 Brave 的搜索 API 进行网络和本地搜索。
- Fetch：为 LLM 优化的网络内容获取和转换。
- Puppeteer：提供浏览器自动化和网页抓取功能。
生产力和通信
- Slack
- Google Maps
- Memory
专业工具
- EverArt：使用多种模型进行 AI 图像生成。
- Sequential Thinking：通过思维序列进行动态问题解决。
- AWS KB Retrieval：使用 Bedrock Agent Runtime 从 AWS 知识库检索。

目前还有一些三方公司维护的的列表，有兴趣的可以自行了解。

如何开发 `MCP Server`

基于官方教程的核心内容，聚焦最小可用实现。

系统要求

Python 较新版本
maxOS 或 Windows
uv

项目初始化

# 创建项目目录
uv init mcp-client
cd mcp-client

# 创建虚拟环境
uv venv

# 激活虚拟环境（macOS/Linux）
source .venv/bin/activate

# 安装依赖
uv add mcp anthropic python-dotenv

# 清理样板并新建主文件
rm main.py
touch client.py

配置 `API Key`

1 2	echo "ANTHROPIC_API_KEY=<your key here>" > .env echo ".env" >> .gitignore

客户端

import asyncio
from typing import Optional
from contextlib import AsyncExitStack

from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client

from anthropic import Anthropic
from dotenv import load_dotenv

load_dotenv()  # load environment variables from .env

class MCPClient:
    def __init__(self):
        # Initialize session and client objects
        self.session: Optional[ClientSession] = None
        self.exit_stack = AsyncExitStack()
        self.anthropic = Anthropic()
    # methods will go here

服务端

async def connect_to_server(self, server_script_path: str):
    """Connect to an MCP server

    Args:
        server_script_path: Path to the server script (.py or .js)
    """
    is_python = server_script_path.endswith('.py')
    is_js = server_script_path.endswith('.js')
    if not (is_python or is_js):
        raise ValueError("Server script must be a .py or .js file")

    command = "python" if is_python else "node"
    server_params = StdioServerParameters(
        command=command,
        args=[server_script_path],
        env=None
    )

    stdio_transport = await self.exit_stack.enter_async_context(stdio_client(server_params))
    self.stdio, self.write = stdio_transport
    self.session = await self.exit_stack.enter_async_context(ClientSession(self.stdio, self.write))

    await self.session.initialize()

    # List available tools
    response = await self.session.list_tools()
    tools = response.tools
    print("\nConnected to server with tools:", [tool.name for tool in tools])

主流程

async def process_query(self, query: str) -> str:
    """Process a query using Claude and available tools"""
    messages = [
        {
            "role": "user",
            "content": query
        }
    ]

    response = await self.session.list_tools()
    available_tools = [{
        "name": tool.name,
        "description": tool.description,
        "input_schema": tool.inputSchema
    } for tool in response.tools]

    # Initial Claude API call
    response = self.anthropic.messages.create(
        model="claude-3-5-sonnet-20241022",
        max_tokens=1000,
        messages=messages,
        tools=available_tools
    )

    # 后续：解析响应、工具调用编排、聚合最终结果（参见官方教程完整代码）

有兴趣的话可以去研究下 larksuite 开源的 Agent，应该会给你一些开发思路。

使用

示例服务器作为配置参数

# 基于 TypeScript 的服务器可以直接使用 npx
npx -y @modelcontextprotocol/server-memory 

# 基于 Python 的服务器可以直接使用 uvx 或者 pip
uvx mcp-server-git # Using uvx
pip install mcp-server-git # Using pip
python -m mcp_server_git

配置 Claude

{
  "mcpServers": {
    "memory": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-memory"]
    },
    "filesystem": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-filesystem", "/path/to/allowed/files"]
    },
    "github": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-github"],
      "env": {
        "GITHUB_PERSONAL_ACCESS_TOKEN": "<YOUR_TOKEN>"
      }
    }
  }
}

总结

MCP 协议是为模型服务，在开发过程中需要着重维护以下几点：

标准化的 Tool 信息和描述文档。
持续改进 prompt 信息。

个人备注

此博客内容均为作者学习所做笔记，侵删！
若转作其他用途，请注明来源！

简介