从0到1掌握 MCP：模型上下文协议（Model Context Protocol）原理与端到端实践

关键词：MCP, Claude, LangChain, Function Calling, State, Context Window, Tool Registry, Multi-Agent, Server, SSE

一句话总结
MCP 将 「上下文定义、工具注册、状态持久化、可插拔 Agent」 抽象成一套 HTTP/SSE 协议，让大模型与本地或远程“世界”无缝交互；写一次 MCP Server，所有符合协议的 LLM 都可即插即用，相当于给 LLM 装上了“USB-C 超能力”。

1. 为什么需要 MCP？

传统 RAG + Function-Calling 遇到的困境

MCP 通过 “会话隔离 + 显式工具”，让 LLM 在“沙盒”里访问外部能力，同时不暴露 prompt。

2. 核心概念一图读懂

3. 协议剖析（基于 2024.11 草案）

3.1 传输层

• stdio（本地，零依赖）
• HTTP Streaming/SSE（远端，支持鉴权、SSL、无状态）

3.2 消息结构

JSON-RPC 2.0 兼容，关键 method 一览

// 1. Server 启动 hello
{"jsonrpc":"2.0","id":1,"method":"initialize","params":{"protocolVersion":"2024-11","capabilities":{}}}

// 2. Host 获取能力
{"jsonrpc":"2.0","id":2,"method":"tools/list"}

// 3. Host 调用
{"jsonrpc":"2.0","id":3,"method":"tools/call","params":{"name":"write_file","arguments":{"path":"/tmp/demo.txt","content":"hello MCP"}}}

// 4. Server 响应
{"jsonrpc":"2.0","id":3,"result":{"content":[{"type":"text","text":"OK"}]}}

3.3 生命周期图

4. 动手实战：用 Python 写一个远程 MCP Server（SSE 版）

目标：做一个天气 & 汇率 MCP Server，让 LLM 能查询北京天气 & 把美元换算成 CNY。

4.1 环境

python -m venv venv
source venv/bin/activate
pip install mcp fastapi uvicorn httpx sse-starlette

4.2 代码

# server.py
from mcp.server import Server
from mcp.server.sse import SseServerTransport
from mcp.types import Tool, TextContent
import httpx

app = Server("weather-exchange")

@app.list_tools()
async def list_tools():
    return [
        Tool(name="get_weather",
             description="返回地点的天气",
             inputSchema={
                 "type": "object",
                 "properties": {
                     "city": {"type": "string", "description": "城市英文"}
                 },
                 "required": ["city"]
             }),
        Tool(name="usd_to_cny",
             description="美元转人民币",
             inputSchema={
                 "type": "object",
                 "properties": {"usd": {"type": "number"}},
                 "required": ["usd"]
             })
    ]

@app.call_tool()
async def call_tool(name: str, arguments: dict):
    if name == "get_weather":
        city = arguments["city"]
        async with httpx.AsyncClient() as c:
            r = await c.get(f"https://wttr.in/{city}?format=j1")
        data = r.json()
        temp = data["current_condition"][0]["temp_C"]
        return [TextContent(type="text", text=f"{city} 当前 {temp}°C")]
    if name == "usd_to_cny":
        usd = arguments["usd"]
        # mock rate
        cny = usd * 7.25
        return [TextContent(type="text", text=f"{usd} USD ≈ {cny:.2f} CNY")]
    raise ValueError(f"unknown tool: {name}")

# ------------ SSE 启动 ----------
from fastapi import FastAPI
from starlette.routing import Route

transport = SseServerTransport("/sse")
app.starlette = transport.start_server(app)

api = FastAPI(routes=[Route("/sse", endpoint=app.starlette)])
if __name__ == "__main__":
    import uvicorn
    uvicorn.run(api, host="0.0.0.0", port=8000)

4.3 本地验证

curl -N http://localhost:8000/sse
# 然后开第二个窗口
curl -X POST http://localhost:8000/sse/mcp -d '
{"jsonrpc":"2.0","id":1,"method":"tools/call","params":{"name":"get_weather","arguments":{"city":"beijing"}}}'

收到：

{"jsonrpc":"2.0","id":1,"result":{"content":[{"type":"text","text":"beijing 当前 12°C"}]}}

4.4 接入 Claude Desktop（可选）

在你的 claude_desktop_config.json 加入：

{
  "mcpServers": {
    "weather-exchange": {
      "url": "http://localhost:8000/sse",
      "headers": { "Authorization": "Bearer my-token" }
    }
  }
}

重启 Claude Desktop，输入：
“帮我把 100 美元换成人民币再告诉我北京天气”。
Claude 会直接内部调用 MCP Server，全程不暴露 tool 代码或敏感 prompt。

5. 把 State 用起来

某些 tool 需要 保持上下文，如分页浏览、编辑会话。
MCP 没有强制 state 方式，最简方案：

• 用 Session ID（随机 uuid） 作为 key，写入本地 SQLite/Redis
• 在 initialize 返回的 capabilities.experimental.state 里声明支持

示例：实现一个分页查看 GitHub issues 的 server。

6. MCP 与 LangChain / OpenAI Functions 的差异

因此，MCP ≈ LangChain Tools 的“跨语言、跨 LLM、跨运行时”继任者。

7. 进阶主题

1. 权限与审计
   每个 tool 返回带 extra={"cost":0.002,"http_calls":1}，Host SDK 统一统计。
2. 多 Server 合并
   Host 可以动态 add_server()，构建“插件市场”。
3. 双向流式
   在 SSE 之上用 POST /sse/mcp 推送 client events（打字指示器、心跳）。
4. 与 RAG 融合
   把向量检索封装成 MCP tool，把检索出来的文本塞进 context，实现“Agent 级 RAG”。

8. 小结 & 下一步

• 协议简单，但 “工具即服务” 带来巨大想象空间。
• 下一步 官方 SDK 会补全 Node/Go/Java，方便在企业网关、IDE、BotFramework 里落地。
• 用 MCP 把公司内部微服务能力快速 LLM 化（CI/CD、工单、数据库、监控），将是 2025 年的主要落地场景。

9. 集成硅基流动API

生成API密钥：在 硅基流动 控制台创建API密钥。

调用DeepSeek模型：

private static String callSiliconFlowAPI(String query) {
    String apiKey = "YOUR_SILICONFLOW_API_KEY";
    String endpoint = "https://api.siliconflow.cn/v1/chat/completions"; 
    
    // 构建请求体
    String jsonBody = String.format("{\n" 
            + "  \"model\": \"deepseek-ai/DeepSeek-R1\",\n"
            + "  \"messages\": [{\"role\": \"user\", \"content\": \"%s\"}]\n"
            + "}", query);
    
    // 使用HttpClient发送POST请求
    // （需添加Java 11+的HttpClient依赖或使用Apache HttpClient）
    return "AI响应内容"; // 实际应解析API返回结果
}