MCP协议基础

Model Context Protocol（MCP）是由Anthropic推出的开放协议，旨在标准化AI应用与外部数据源和工具的连接方式。本文将深入探讨MCP的设计理念、核心概念和实现原理。

预计阅读时间：50分钟·难度：中级·更新时间：2024年4月

MCP协议概述

什么是MCP

Model Context Protocol（模型上下文协议）是一个开放标准，用于连接AI助手与系统中的数据源、工具和资源。它提供了一种统一的方式让AI模型安全地访问和操作外部系统。

MCP的核心价值

标准化：提供统一的接口规范，避免为每个AI应用单独开发集成
安全性：通过明确的权限控制，安全地访问敏感数据
可扩展：支持各种类型的资源、工具和提示模板
互操作性：不同AI应用可以共享同一套MCP服务器

为什么需要MCP

在MCP出现之前，AI应用与外部系统的集成面临诸多问题：

传统集成方式的痛点

每个AI应用需要单独开发与各数据源的连接
缺乏统一的安全模型，权限管理混乱
数据源变更需要修改多个AI应用
工具和资源的定义不统一，难以复用
调试和监控困难

MCP解决的问题

✅ 一次开发，多处使用：MCP服务器可以被多个AI客户端使用
✅ 统一的安全模型：客户端控制访问权限
✅ 松耦合架构：数据源变更不影响客户端
✅ 标准化接口：易于理解、调试和维护
✅ 丰富的生态：社区贡献大量现成的MCP服务器

核心概念

MCP定义了三个核心概念：资源（Resources）、提示模板（Prompts）和工具（Tools）。这三个概念构成了AI与外部系统交互的完整能力体系。

资源（Resources）

资源是MCP中最基本的概念，代表AI可以读取的数据。资源可以是文件、数据库记录、API响应等任何结构化或非结构化数据。

资源示例

// 资源定义示例
{
  "uri": "file:///path/to/document.md",
  "name": "项目文档",
  "description": "项目的README文档",
  "mimeType": "text/markdown"
}

// 资源类型
- 文件资源：本地或远程文件
- 数据库资源：查询结果、表记录
- API资源：REST/GraphQL接口返回的数据
- 实时资源：日志流、传感器数据

提示模板（Prompts）

提示模板是预定义的提示词模板，可以帮助用户快速完成常见任务。模板支持参数化，可以根据上下文动态生成提示。

提示模板示例

// 提示模板定义
{
  "name": "code_review",
  "description": "代码审查模板",
  "arguments": [
    {
      "name": "language",
      "description": "编程语言",
      "required": true
    },
    {
      "name": "focus",
      "description": "审查重点",
      "required": false
    }
  ]
}

// 使用时生成提示
"请审查以下{language}代码，重点关注{focus}方面..."
→ "请审查以下Python代码，重点关注安全性方面..."

工具（Tools）

工具是AI可以调用的函数，用于执行操作或获取动态数据。工具的定义与OpenAI Function Calling类似。

工具定义示例

// 工具定义
{
  "name": "execute_query",
  "description": "执行SQL查询",
  "inputSchema": {
    "type": "object",
    "properties": {
      "sql": {
        "type": "string",
        "description": "SQL查询语句"
      }
    },
    "required": ["sql"]
  }
}

// 工具特点
- 可执行操作（写入文件、发送消息等）
- 可返回动态数据
- 支持参数验证
- 可控制执行权限

架构设计

客户端-服务器模型

MCP采用客户端-服务器架构。MCP服务器提供资源、提示和工具， MCP客户端（AI应用）连接服务器并使用这些能力。

MCP架构图

┌─────────────────────────────────────────────────────────────┐
│                        AI 应用（MCP Client）                   │
│  ┌─────────────┐  ┌─────────────┐  ┌─────────────┐          │
│  │   Claude    │  │   Cursor    │  │  其他AI应用  │          │
│  └──────┬──────┘  └──────┬──────┘  └──────┬──────┘          │
└─────────┼────────────────┼────────────────┼──────────────────┘
          │                │                │
          └────────────────┼────────────────┘
                           │ MCP Protocol
          ┌────────────────┼────────────────┐
          │                │                │
    ┌─────┴─────┐    ┌─────┴─────┐    ┌─────┴─────┐
    │ 文件系统   │    │ 数据库     │    │ API服务   │
    │ MCP Server│    │ MCP Server │    │ MCP Server│
    └───────────┘    └───────────┘    └───────────┘

传输层

MCP支持多种传输方式：

传输方式

stdio：标准输入输出，适合本地进程通信
HTTP with SSE：HTTP + Server-Sent Events，适合远程服务
自定义传输：可根据需要实现自定义传输层

协议流程

能力协商

连接建立后，客户端和服务器会交换能力信息，确定双方支持的功能。

能力协商流程

1. 客户端 → 服务器：initialize
   {
     "protocolVersion": "2024-11-05",
     "capabilities": {
       "resources": { "subscribe": true },
       "tools": {}
     }
   }

2. 服务器 → 客户端：initialize响应
   {
     "protocolVersion": "2024-11-05",
     "capabilities": {
       "resources": { "list": true, "read": true },
       "tools": { "list": true, "execute": true },
       "prompts": { "list": true, "get": true }
     },
     "serverInfo": {
       "name": "filesystem-server",
       "version": "1.0.0"
     }
   }

3. 客户端 → 服务器：initialized通知
   连接正式建立

消息流程

典型消息流程

# 获取资源列表
Client → Server: resources/list
Server → Client: { resources: [...] }

# 读取资源
Client → Server: resources/read { uri: "file:///..." }
Server → Client: { contents: [...] }

# 调用工具
Client → Server: tools/call { 
  name: "execute_query", 
  arguments: { sql: "SELECT..." }
}
Server → Client: { content: [...], isError: false }

生态现状

官方MCP服务器

Filesystem：文件系统访问
PostgreSQL：数据库操作
GitHub：GitHub API集成
Google Drive：Google Drive集成
Slack：Slack消息集成
Puppeteer：浏览器自动化

支持MCP的客户端

Claude Desktop：Anthropic官方客户端
Cursor：AI代码编辑器
Zed：高性能编辑器
Continue：VS Code扩展

最佳实践

1. 合理划分服务器

按功能域划分MCP服务器，避免单个服务器过于复杂。

2. 安全优先

严格控制资源访问权限，敏感操作需要用户确认。

3. 提供清晰的描述

资源和工具的描述应该清晰明确，帮助AI理解其用途。

4. 错误处理

提供有意义的错误信息，帮助AI理解失败原因并调整策略。

← 多智能体

MCP Server →