Model Context Protocol (MCP)：大模型与外部系统交互的核心协议详解！

简介

Model Context Protocol (MCP)是一种开源标准，用于连接AI应用与外部系统。它采用客户端-服务器架构，由数据层和传输层组成，提供工具、资源、提示等核心原语。MCP交互流程包括初始化、工具发现、执行和更新。通过MCP，AI应用可以访问文件系统、数据库、API等外部资源并执行特定任务。FastMCP作为标准框架，提供简洁的Pythonic代码，帮助开发者高效构建MCP应用程序，实现大模型与外部系统的无缝集成。

Model Context Protocol (MCP)，即****模型上下文协议，是一种开源标准，用于连接AI 应用程序（如 Claude 或 ChatGPT）与外部系统。 通过连接这些外部系统，MCP 使 AI 能够访问关键信息并执行任务：

数据源： 例如本地文件、数据库等。
工具： 例如搜索引擎、计算器等。
工作流程： 例如专业的提示（Specialized Prompts）。
MCP 核心概念 (Core Concepts)

https://modelcontextprotocol.io/docs/develop/connect-local-servers

MCP 遵循客户端-服务器（Client-Server）架构，主要参与者和分层如下：

参与者 (Participants)
MCP 主机 (Host)： 即 AI 应用程序（如 Claude Code），它协调和管理一个或多个 MCP 客户端。
MCP 客户端 (Client)： 维护与 MCP 服务器的连接，并从服务器获取上下文供主机使用。
MCP 服务器 (Server)： 提供上下文数据给 MCP 客户端的程序，可以本地或远程运行。

一个 MCP 主机可以连接多个 MCP 服务器，但通过每个 MCP 客户端与对应的 MCP 服务器之间维持一对一的专用连接。

架构分层 (Layers)

https://modelcontextprotocol.io/docs/learn/architecture

MCP 由两个抽象层组成：

分层	作用描述
数据层 (Data Layer)	内层。定义基于JSON-RPC 2.0的协议，用于客户端-服务器通信，包括生命周期管理、核心原语（工具、资源、提示）和通知。
传输层 (Transport Layer)	外层。定义实现数据交换的通信机制和通道，包括连接建立、消息分帧和授权。

传输层机制：
Stdio 传输： 使用标准输入/输出流，适用于同一机器上的本地进程间通信。
流式 HTTP 传输 (Streamable HTTP)： 使用 HTTP POST，支持远程服务器通信和标准 HTTP 身份验证（如 OAuth）。
MCP 是一个有状态协议，需要生命周期管理。其核心目的是通过 initialize 请求协商客户端和服务器双方支持的能力 (Capabilities)，确保协议版本兼容性，并进行身份信息交换。

核心原语 (Primitives)
原语是 MCP 中最重要的概念，它们定义了客户端和服务器可以互相提供的功能和上下文信息。
 

原语类型	角色	功能描述	示例
工具 (Tools)	服务器提供	可执行函数，AI 应用程序可以调用它来执行操作（例如：文件操作、API 调用、数据库查询）。	tools/list (发现) 和tools/call(执行)
资源 (Resources)	服务器提供	提供上下文数据的来源（例如：文件内容、数据库记录、API 响应）。	resources/list 和resources/get
提示 (Prompts)	服务器提供	可重用的模板，用于构建与语言模型的交互（例如：系统提示、少样本示例）。
采样 (Sampling)	客户端提供	允许服务器向客户端请求语言模型完成（LLM completions），使服务器保持模型独立性。	sampling/complete
引发 (Elicitation)	客户端提供	允许服务器请求用户提供额外信息或确认操作。	elicitation/request
日志 (Logging)	客户端提供	允许服务器向客户端发送日志消息进行调试和监控。

MCP交互示例概览
一个典型的 MCP 交互流程如下：

初始化 (Initialization)： 客户端发送 initialize 请求，协商协议版本和双方支持的能力（例如，客户端支持 elicitation，服务器支持 tools 和 resources）。
工具发现 (Tool Discovery)： 连接建立后，客户端发送 tools/list 请求，获取服务器提供的所有工具的详细元数据（名称、描述、输入 inputSchema 等）。
工具执行 (Tool Execution)： AI 应用程序的 LLM 决定使用工具时，客户端发送 tools/call 请求，指定工具名称和参数，服务器执行后返回包含 content 数组的结果。
实时更新 (Notifications)： 如果服务器的工具列表发生变化，它会发送 notifications/tools/list_changed 通知（无 ID，无响应），客户端收到后通常会再次调用 tools/list 来刷新其工具注册表。

理解 MCP 服务器
MCP 服务器是程序，它通过标准化的协议接口，向 AI 应用程序公开特定的能力。

常见的 MCP 服务器示例包括：用于文档访问的文件系统服务器、用于数据查询的数据库服务器、用于代码管理的 GitHub 服务器、用于团队沟通的 Slack 服务器以及用于日程安排的日历服务器。

MCP 服务器主要通过以下三个核心构建模块提供功能：

功能模块	解释	示例	控制者
工具 (Tools)	函数 ，LLM 可以根据用户请求主动调用并决定何时使用它们。工具可以写入数据库、调用外部 API、修改文件或触发其他逻辑。	搜索航班、发送消息、创建日历事件。	模型 (Model)
资源 (Resources)	被动数据源 ，提供信息的只读访问，作为上下文（Context），例如文件内容、数据库 Schema 或 API 文档。	检索文档、访问知识库、读取日历。	应用程序 (Application)
提示 (Prompts)	预设的指令模板 ，指导模型使用特定的工具和资源来完成复杂的工作流程。	计划假期、总结会议、起草邮件。	用户 (User)

理解 MCP 客户端
MCP 客户端由宿主应用程序（Host Application，例如 Claude.ai 或一个 IDE）实例化，用于与特定的 MCP 服务器进行通信。宿主应用管理整体用户体验并协调多个客户端，而每个客户端负责与一个服务器进行一次直接通信。

除了利用服务器提供的上下文（Tools, Resources, Prompts）外，客户端还必须向服务器提供一些核心功能，以支持更丰富的交互：
 

功能模块	解释	示例
采样 (Sampling)	允许服务器通过客户端请求 LLM 完成（LLM completions），使服务器能执行依赖 AI 的任务，同时将安全和权限控制权完全交给客户端。	旅行预订服务器将航班列表发送给 LLM，请求 LLM 推荐最佳航班。
根目录 (Roots)	客户端指定服务器应关注的文件系统边界，通过协调机制传达预期的范围（Scope）。	客户端允许旅行预订服务器访问包含用户日历的特定目录。
引发 (Elicitation)	允许服务器在交互过程中按需请求用户提供特定信息，以结构化的方式动态收集数据。	旅行预订服务器请求用户确认座位偏好、房间类型或联系电话以完成预订。

FastMCP

https://gofastmcp.com/getting-started/welcome

FastMCP 是一个旨在实现 MCP 应用程序的标准框架。它提供简洁、Pythonic（Python 风格） 的代码，使开发者能够更高效、更便捷地构建、部署和集成 MCP 应用程序和服务器。

• MCP Server

from fastmcp import FastMCPmcp = FastMCP("Demo 🚀")@mcp.tooldef add(a: int, b: int) -> int:    """Add two numbers"""    return a + bif __name__ == "__main__":    mcp.run()

• MCP Client

import asynciofrom fastmcp import Clientclient = Client("http://localhost:8000/mcp")async def call_tool(name: str):    async with client:        result = await client.call_tool("greet", {"name": name})        print(result)asyncio.run(call_tool("Ford"))

FastMCP Server 使用

https://gofastmcp.com/servers/server

FastMCP 类是构建 MCP 应用程序的核心，它作为应用程序的中心容器，用于存放工具 (Tools)、资源 (Resources) 和提示 (Prompts)，并负责管理与 MCP 客户端的通信。

• 定义工具说明

@mcp.tool(    name="find_products",           # Custom tool name for the LLM    description="Search the product catalog with optional category filtering.", # Custom description    tags={"catalog", "search"},      # Optional tags for organization/filtering    meta={"version": "1.2", "author": "product-team"}  # Custom metadata)def search_products_implementation(query: str, category: str | None = None) -> list[dict]:    """Internal function description (ignored if description is provided above)."""    # Implementation...    print(f"Searching for '{query}' in category '{category}'")    return [{"id": 2, "name": "Another Product"}]

• 定义工具参数

@mcp.tooldef analyze_text(    text: str,    max_tokens: int = 100,    language: str | None = None) -> dict:    """Analyze the provided text."""    # Implementation...

• 定义资源

@mcp.resource("data://config")def get_config() -> dict:    """Provides application configuration as JSON."""    return {        "theme": "dark",        "version": "1.2.0",        "features": ["tools", "resources"],    }

• 定义资源模板

@mcp.resource("weather://{city}/current")def get_weather(city: str) -> dict:    """Provides weather information for a specific city."""    # In a real implementation, this would call a weather API    # Here we're using simplified logic for example purposes    return {        "city": city.capitalize(),        "temperature": 22,        "condition": "Sunny",        "unit": "celsius"    }

• 定义提示词

• @mcp.prompt(    name="analyze_data_request",          # Custom prompt name    description="Creates a request to analyze data with specific parameters",  # Custom description    tags={"analysis", "data"},            # Optional categorization tags    meta={"version": "1.1", "author": "data-team"}  # Custom metadata)def data_analysis_prompt(    data_uri: str = Field(description="The URI of the resource containing the data."),    analysis_type: str = Field(default="summary", description="Type of analysis.")) -> str:    """This docstring is ignored when description is provided."""    return f"Please perform a '{analysis_type}' analysis on the data found at {data_uri}."
  

  AI大模型学习福利

  作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的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。

  一、全套AGI大模型学习路线

  AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

  

  因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取

  二、640套AI大模型报告合集

  这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

  

  因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获

  三、AI大模型经典PDF籍

  随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

  

  
  因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获

  四、AI大模型商业化落地方案

  

  因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获

  作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量