一文读懂 MCP：AI 与外部世界交互的“万能接口”

原创于 2025-10-06 08:36:28 发布 · 939 阅读

16 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #交互 #mcp #ai

人工智能专栏收录该内容

32 篇文章

订阅专栏

在 AI 技术飞速发展的今天，大型语言模型（LLM）的能力边界不断被突破，但一个核心痛点始终存在：如何让 AI 高效、安全地连接外部数据与工具？过去，我们要么依赖模型的预训练数据（无法实时更新），要么手动上传数据（低效且有安全风险），即便使用函数调用（Function Call），也面临“平台锁定”的问题——OpenAI、Google 等厂商的接口不兼容，切换模型需重写代码。

直到 2024 年 11 月，Anthropic 推出了 MCP（Model Context Protocol，模型上下文协议），这一开放标准彻底改变了 AI 与外部世界的交互方式。它就像 AI 领域的“USB-C 接口”，为 LLM 连接数据源、工具和服务提供了统一、标准化的方案，让“AI 万物互联”成为可能。

一、什么是 MCP？核心定位与起源

MCP 的本质是一套开放的通信协议，定义了 AI 应用程序（如 Claude、IDE 插件）与外部数据源/工具（如本地文件、数据库、API 服务）之间交换上下文信息的标准方式。其核心目标是：打破 AI 模型与外部资源的“数据孤岛”，让任何支持 MCP 的模型都能无缝调用工具、访问数据，无需关注底层实现差异。

起源：由 Anthropic 于 2024 年 11 月正式提出，最初用于解决 Claude 模型与本地工具的交互问题，后逐步开放为行业标准。
核心价值：将 AI 从“静态知识库”升级为“动态交互体”——就像人类需要用搜索引擎查信息、用软件处理数据一样，MCP 让 AI 也能自主调用这些工具，且无需重复开发适配逻辑。

二、为什么需要 MCP？解决传统方案的三大痛点

在 MCP 出现前，AI 与外部资源的交互主要依赖两种方式，均存在明显局限：

传统方案	核心问题
预训练数据/手动上传	1. 数据无法实时更新（如最新资讯、企业内部数据）；2. 手动上传效率低、安全风险高
厂商专属 Function Call	1. 平台依赖强（OpenAI 与 Google 接口不兼容）；2. 工具复用性差，切换模型需重写代码

而 MCP 恰好针对性解决了这些问题，其核心优势可概括为三点：

1. 统一性：一次开发，多模型复用

MCP 不绑定任何特定 LLM，只要模型支持 MCP 协议（如 Claude、Cursor、Cherry Studio），就能直接调用基于 MCP 开发的工具。例如，你为 Claude 开发的“面试题搜索服务”，无需修改代码即可供其他 MCP 兼容模型使用。

2. 安全性：数据无需“上云”，本地可控

MCP 服务器可部署在本地或企业内网，敏感数据（如用户隐私、企业数据库）无需上传至第三方 AI 平台，仅通过协议传递“工具调用结果”，大幅降低数据泄露风险。

3. 生态性：现成工具丰富，开发成本低

MCP 拥有持续增长的开源生态，官方及社区已提供大量预构建服务器（如文件系统访问、高德地图 API、MySQL 查询），普通用户无需开发即可直接使用；开发者也可基于 SDK 快速扩展自定义工具。

三、MCP 核心架构：Host、Client、Server 的协同逻辑

MCP 采用“客户端-服务器”架构，核心由 Host（主机）、Client（客户端）、Server（服务器） 三大组件构成，三者协同实现 AI 与外部资源的交互。

1. 组件定义：各司其职，分工明确

组件	角色定位	示例
Host	承载 AI 模型的应用程序，负责接收用户需求并触发工具调用	Claude Desktop、IDE 插件、Cherry Studio
Client	嵌入 Host 的“通信桥梁”，负责与 MCP Server 建立连接、传递请求/结果	Claude Desktop 内置的 MCP 客户端
Server	提供具体能力的轻量级程序，负责执行工具逻辑（如查文件、调用 API）	面试鸭搜索服务器、本地文件服务器

2. 交互流程：以“查桌面 TXT 文件”为例

用户提问：在 Claude Desktop（Host）中输入“我的桌面上有哪些 TXT 文件？”；
模型判断：Claude 分析需求后，认为需要调用“文件系统工具”，触发 Host 中的 MCP Client；
客户端连接：MCP Client 与本地“文件系统 MCP Server”建立连接，传递“查询桌面 TXT 文件”的请求；
服务器执行：MCP Server 扫描桌面目录，返回 TXT 文件列表；
结果反馈：Client 将结果回传给 Host，Claude 整理成自然语言回答用户。

整个过程中，Host 无需关心 Server 的实现细节，Server 也无需适配特定 Host——MCP 协议是两者的“通用语言”。

四、如何使用 MCP？两类用户的操作指南

MCP 的使用门槛根据用户角色不同而差异显著：普通用户可直接“拿来即用”，开发者则可基于 SDK 扩展自定义能力。

1. 普通用户：零代码使用现成 MCP 服务

以“在 Claude Desktop 中使用面试鸭搜索服务”为例，步骤如下：

下载开源服务：从 GitHub 克隆面试鸭 MCP 服务器代码（https://github.com/yuyuanweb/mcp-mianshiya-server）；
打包运行：通过 Maven 打包成 JAR 文件，执行 java -jar mcp-server-0.0.1-SNAPSHOT.jar 启动服务器；
配置 Claude：打开 Claude Desktop settings，在“MCP 服务器”中添加配置（指定 JAR 文件路径）；
直接使用：输入“HashMap 原理的面试题”，Claude 会自动调用面试鸭服务，返回题目链接。

2. 开发者：快速开发自定义 MCP 服务

MCP 支持多语言开发（Java、Python 等），以下以两种主流场景为例，梳理核心开发步骤。

场景 1：基于 Java Spring AI 开发 STDIO 模式服务（本地通信）

STDIO 模式通过“标准输入/输出流”实现 Client 与 Server 的本地通信，适用于单机部署场景（如本地工具）。

引入依赖：在 Spring Boot 项目中添加 MCP 服务器启动器：

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-mcp-server-spring-boot-starter</artifactId>
    <version>1.0.0-M6</version>
</dependency>

配置服务端：禁用 Web 模式，启用 STDIO 通信：

spring:
  application:
    name: mcp-interview-server
  main:
    web-application-type: none  # 禁用 Web 模式
ai:
  mcp:
    server:
      stdio: true  # 启用 STDIO 模式
      name: interview-server
      version: 0.0.1

定义工具：用 @Tool 注解标记方法，自动映射为 MCP 工具：

@Service
public class InterviewService {
    // 工具描述：帮助 AI 判断是否需要调用该服务
    @Tool(description = "根据搜索词获取面试鸭真题（技术面试题优先调用）")
    public String searchInterviewQuestions(String searchText) {
        // 逻辑：查询面试鸭数据库，返回题目链接
        return "https://www.mianshiya.com/question?keyword=" + searchText;
    }
}

注册工具：将工具注册到 MCP 服务器，供 AI 调用：

@Configuration
public class McpConfig {
    @Bean
    public ToolCallbackProvider serverTools(InterviewService interviewService) {
        return MethodToolCallbackProvider.builder()
                .toolObjects(interviewService)  // 注册工具类
                .build();
    }
}

打包运行：通过 mvn clean package 打包，执行 JAR 文件启动服务。

场景 2：基于 Python SDK 开发 SSE 模式服务（远程通信）

SSE（Server-Sent Events）模式通过 HTTP 协议实现远程通信，适用于多客户端共享服务（如企业内部共享的数据库查询服务）。

安装依赖：
```
pip install mcp[cli] httpx
```

编写服务端代码：用 FastMCP 快速创建服务器，定义“统计桌面 TXT 文件”工具：

from pathlib import Path
import os
from mcp.server.fastmcp import FastMCP

# 初始化 MCP 服务器
mcp = FastMCP("桌面 TXT 统计服务")

# 工具 1：统计 TXT 文件数量
@mcp.tool()
def count_desktop_txt() -> int:
    """统计桌面上的 TXT 文件数量"""
    desktop_path = Path(f"/Users/{os.getenv('USER')}/Desktop")
    return len(list(desktop_path.glob("*.txt")))

# 工具 2：列出 TXT 文件名
@mcp.tool()
def list_desktop_txt() -> str:
    """列出桌面上的所有 TXT 文件名"""
    desktop_path = Path(f"/Users/{os.getenv('USER')}/Desktop")
    files = list(desktop_path.glob("*.txt"))
    if not files:
        return "未找到 TXT 文件"
    return "\n".join([f"- {f.name}" for f in files])

if __name__ == "__main__":
    mcp.run()  # 启动服务

测试服务：通过 MCP Inspector 调试（官方提供的交互式工具）：

mcp dev txt_counter.py  # 启动调试模式，访问 http://localhost:5173 测试

客户端配置：在 Host（如 Cherry Studio）中添加 SSE 服务地址（如 http://localhost:8090），即可远程调用。

五、MCP 工作原理：模型如何“智能选择”工具？

很多人会好奇：AI 模型是如何判断“是否需要调用工具”以及“调用哪个工具”的？核心在于 “结构化工具描述 + Prompt 工程” 的组合机制。

1. 工具描述：让模型“认识”工具

开发者在定义 MCP 工具时，需提供清晰的结构化描述（通过注解或 Docstring），包括：

工具名称（如 searchInterviewQuestions）；
功能描述（如“根据搜索词获取面试鸭真题”）；
参数说明（如 searchText：搜索关键词，必填）。

这些信息会被自动格式化为文本，作为 Prompt 的一部分传递给模型。例如：

Tool: searchInterviewQuestions
Description: 根据搜索词获取面试鸭真题（技术面试题优先调用）
Arguments:
- searchText: 搜索关键词（必填）

2. 模型决策：基于 Prompt 选择工具

当用户提问时，Host 会将“用户问题 + 所有工具的结构化描述”一起发送给模型，模型通过分析判断：

若无需工具（如“你好”），则直接生成自然语言回答；
若需要工具（如“HashMap 原理的面试题”），则输出结构化 JSON 指令，指定要调用的工具及参数：
```
{
  "tool": "searchInterviewQuestions",
  "arguments": {
    "searchText": "HashMap 原理"
  }
}
```

3. 结果反馈：迭代优化回答

工具执行后，Server 会将结果回传给模型，模型结合结果生成最终回答。若一次工具调用无法满足需求（如搜索结果不完整），模型还可触发多轮调用，直到获取足够信息。

六、MCP 生态与未来：从“工具连接”到“生态协同”

目前 MCP 生态已形成以“资源聚合平台、官方开源项目、垂直工具库”为核心的多元化体系，全球已有数千个 MCP 服务器上线，覆盖文件操作、数据库交互、API 集成、AI 模型联动等场景。以下是当前主流的 MCP 工具/资源查找平台，按资源类型+适用人群分类整理，方便开发者快速定位所需工具：

网站名称	网址	核心特点	资源规模	适用人群
mcp.so（官方推荐）	https://mcp.so/	全球最大的 MCP 资源平台，含 Servers、Clients、Feed；支持按功能筛选，提供配置示例	2995 个 MCP Servers	新手→资深开发者，全阶段适用
Smithery	https://smithery.ai/	资源分类清晰，提供一键安装命令+GitHub 仓库直达；工具灵感库丰富	2211 个 MCP Servers	寻找现成工具的开发者
PulseMCP	https://www.pulsemcp.com/	实时更新 MCP 生态动态，支持 Claude 桌面端等 Clients 适配；含性能分析工具	1704 个 MCP Servers	关注生态趋势的开发者
Glama MCP	https://glama.ai/mcp/servers	全功能 AI 工作空间集成，支持多模型统一访问；资源覆盖文件/数据库/API 场景	3531 个 MCP Servers	企业级 AI 应用开发者
Awesome MCP Servers	https://mcpservers.org/category/search	按“功能（文件/搜索/自动化）+平台（本地/云）”双维度分类；点击直达 GitHub 仓库	分类覆盖 2000+ 资源	需精准筛选工具的开发者
Cursor Directory	https://cursor.directory/	最初为 Cursor 编辑器设计，现支持全场景 MCP Servers；含代码编辑专属工具	1800+ MCP Servers	Cursor 用户、编程场景开发者
awesome-mcp-servers（GitHub）	https://github.com/punkpeye/awesome-mcp-servers	社区明星项目，36k+ Star；精选开源 MCP Servers，均基于 TS/Python SDK 实现	3000+ 开源 MCP Servers	偏好开源资源的开发者
阿里百炼 MCP	https://bailian.console.aliyun.com/?tab=mcp#/mcp	国内首个企业级 MCP 平台，支持阿里云生态（如 RDS、OSS）集成；提供企业级安全方案	业内首发 MCP 企业服务	国内企业开发者、阿里云用户
AIbase MCP 资源站	https://www.aibase.com/zh/repos/topic/mcp	汇聚全球热门 MCP GitHub 仓库，含教程/文档/社区问答；实时同步 GitHub 更新	覆盖 1000+ 热门仓库	学习型开发者、研究人员
Fleur	https://www.fleurmcp.com/	Claude 专属“应用商店”，支持无代码集成（Notion/Stripe/Gmail 等）；图形化管理 Servers	500+ 常用工具集成	新手、非技术用户、Claude 用户
MCP 官方开源项目	https://github.com/modelcontextprotocol/servers	Anthropic 官方维护，含文件系统、网络搜索等基础 Servers；权威规范参考	100+ 官方认证 Servers	需合规开发的开发者、新手
Cline-mcp-marketplace（GitHub）	https://github.com/cline/mcp-marketplace	VS Code 插件化 MCP 市场，简化 Blender 等工具的 MCP 接入；一键配置	300+ 编辑器适配工具	VS Code 用户、设计/建模开发者
Gemini MCP Tool（GitHub）	https://github.com/jamubc/gemini-mcp-tool	连接 AI 与 Google Gemini CLI，支持大文件分析/代码库理解；一行命令部署	专注 Gemini 生态工具	依赖 Gemini 模型的开发者
mcp tools（GitHub）	https://github.com/amerahmed222/mcptools	命令行工具，支持 STDIO/HTTP 双传输模式；简化 MCP Server 调试与交互	轻量 CLI 工具集	习惯命令行操作的开发者
Portkey.ai MCP	https://portkey.ai/mcp-servers	提供统一接口管理多 MCP 应用；适合快速搭建基础交互流程，降低配置成本	资源量较少（侧重接口管理）	新手、需快速上手的开发者