随着Manus等平台推动Agent应用迎来爆发式增长，MCP（模型上下文协议）已从技术圈小众概念，成为LLM开发者必备的核心工具。无论是轻量化ChatBot还是复杂的多工具Agent，MCP都能大幅降低外部资源对接成本。本文不仅拆解MCP的核心逻辑，更提供从Server搭建到Agent集成的全流程实操，附带独家避坑技巧，帮你快速落地MCP开发。

1、MCP概念与架构全解析

让我们从一个实际的开发样例开始。

【为什么出现MCP】

假如你开发了一个AI应用，无论是ChatBot还是复杂的Agent，都不会再局限于简单的LLM对话，很多时候你需要与外部世界连接，以访问数据源或使用工具。比如：

  • 操控浏览器实现自动化；访问本地文件
  • 访问数据库结构，以更好的让AI做编程
  • 调用CRM的API以驱动智能客服流程

那么，你需要连接不同的对象，使用不同的接口协议；你需要熟悉SQL、HTTP调用、Playwright等接口；可能你还需要使用搜索引擎、访问云存储、调用第三方开放API…这都需要做大量的“粘合”工作：

MCP就是用来帮助简化LLM应用与这些外部资源间的集成。它允许LLM应用使用统一的协议来连接到这些外部资源，而不必逐个适配：

MCP的做法是增加了一个中间层：LLM应用通过统一的MCP协议连接中间层（称为MCP Server），而这个中间层会处理与外部资源的对接。

那为什么Agent火热以后大家才注意到MCP呢？很简单，因为Agent是最需要对接外部资源/工具的LLM应用。

【MCP有哪些好处】

其实在软件系统中这是一种常见设计范式（比如一些大模型API网关把不同厂家的大模型协议转化成统一的OpenAI兼容协议，以方便应用接入）。它的具体意义体现在：

  • LLM应用的简化： 不用适配各种私有协议，你只需要知道怎么连接MCP server
  • LLM应用的快速扩展： 随时“插拔”新的MCP Server即可，一个不够就再来一个

MCP的提出者Anthropic旗下的Claude Desktop就可以通过这种方式扩充能力。

  • 快速的适应变化： 想象下，如果一个外部资源的接口发生变化，只需要访问它的MCP Server做修改，所有的LLM应用就可无缝适应。
  • 新的AI能力共享生态： 通过MCP Server的共享，新的LLM应用可以快速获得各种工具，形成了一种新的合作体系，提高整体效用。
【基于MCP的集成架构】

基于MCP将你的LLM应用与外部资源集成的架构用下图表示：

相对于LLM应用直连外部资源，这里主要多了一个中间层（MCP Server），以及连接这个中间层的（MCP Client），理解了这两个，你就理解了MCP。

MCP Server

这里的Server不是传统意义上集中式的Server，你可以理解成一个服务插件。

  • MCP Server部署在哪里？

MCP Server可以部署在LLM应用本机，也可以远程部署（Remote），不过目前Remote方式还未完善，暂时不考虑。以下仅考虑本地模式。

  • MCP Server有哪些“服务”？
  • Tools：提供给LLM应用特别是Agent使用的工具。
  • Resoures：提供给LLM应用一些额外的结构化数据。
  • Prompts：提供给LLM应用的一些Prompt模板。比如你的应用是一个Chatbot，可以从MCP Server中取出这些模板，让使用者选择使用。
  • MCP Server从哪里获取？
  • 自己使用MCP SDK创建后供自己或企业内共享使用。
  • 从他人创建的MCP Servers中“挑选”，然后下载使用。比如从这里：

  • MCP Server如何启动？
  • 本地模式下，在LLM应用中配置启动命令后，会自动启动MCP Server
  • 不同的MCP Server可能有不同的启动命令，注意查看MCP Server说明书
  • 有的MCP Server需要先安装依赖；有的通过npx/uvx运行的MCP server，则会自动下载缓存并临时运行。
  • MCP Server启动后的物理形式是一个独立的进程。
  • MCP Server怎么与Client应用通信？

本地模式下MCP Server与客户端应用间通过stdio/stdout（标准输入输出）的进程间通信进行消息交换。这种方式你肯定见过，比如：

cat file.txt | grep "error" | sort > result.txt

  • MCP Server使用什么语言创建？

    目前支持TS/Python/Java SDK来编写MCP Server。

MCP Client

  • MCP Client是由客户端LLM应用使用Client SDK创建并维护的一个Server会话，就像你在程序中维护一个数据库的Connection一样。一般长这样：

async with stdio_client(server_params) as (read, write):
        async with ClientSession(
            read, write, sampling_callback=None
        ) as session:
......
  • 借助Client SDK你可以与MCP Server通信。比如查看Server的Tools：
tools = await session.list_tools()
  • 本地模式下，Client与Server是一对一的关系。如果需要连接多个MCP Server，需要自行维护多个Session

2、动手做一个MCP

我们用一个简单的Client+Server的完整Demo来加强理解。

使用pip install mcp安装SDK后，开始下列步骤。

【创建MCP Server】

这个MCP Server只有一个能力：提供一个计算器工具。实现如下：

#server_demo.py
from mcp.server.fastmcp import FastMCP

# 创建一个MCP服务器
mcp = FastMCP("演示")

# 添加一个工具
@mcp.tool()
def calculate(expression: str) -> float:
    """计算四则运算表达式
    参数:
        expression: 数学表达式字符串，如 "1 + 2 * 3"
    返回:
        计算结果
    """
    ...省略计算器代码...

if __name__ == "__main__":
    mcp.run(transport='stdio')

注意这里必须要有启动代码，但现在你无需启动它。

【创建MCP Client】

现在创建一个客户端应用，来连接上面的MCP Server，并调用其中的计算器：

#client_demo.py
from mcp.client.stdio import stdio_client
from mcp import ClientSession, StdioServerParameters, types
import asyncio

#Client会使用这里的配置来启动本地MCP Server
server_params = StdioServerParameters(
    command="python", 
    args=["./server_demo.py"],
    env=None
)

async def main():       
    async with stdio_client(server_params) as (read, write):
        async with ClientSession(
            read, write, sampling_callback=None
        ) as session:
            
            await session.initialize()

            print('\n正在调用工具...')
            result =await session.call_tool("calculate",{ "expression": "188*23-34" })
            print(result.content)

asyncio.run(main())

现在直接运行这个客户端，就可以看到如下输出：

我们在客户端加一行等待代码，让程序暂时挂起，来观察下面两个命令的结果：

发现了什么？MCP Server这里被自动启动了，而且它是客户端应用的子进程！

【如何调试MCP Server】

这里还有个问题，如果我只是纯粹的MCP Server开发者，如何快速测试这个Server？对于这里的Python编写的server，可以使用MCP inspector来调试，运行命令：


mcp dev server_demo.py

现在访问http://localhost:5173，就进入可视化的调试界面，可以在这里直观的测试刚才的计算器工具：

3、第三方MCP Server + LlamaIndex/LangGraph：快速构建Agent

相对上面的例子，你可能更关心的是能否借助第三方MCP Server，来让自己的Agent快速使用工具，以连接外部资源？

现在一起来完成一个真正的Agent，这个Agent会使用第三方MCP Server中的工具来扩展自身能力，为了方便，这里借助LlamaIndex的FunctionCallingAgent来快速实现这个Agent（LangGraph请使用create_react_agent）。

【找到MCP Server并安装】

我们先来挑选一个MCP Server。比如这一个：

这是一个用来访问ArXiv上论文的MCP Server，提供了搜索、下载等工具。根据它的说明，先安装（注意不同MCP Server安装命令不一样）：

uv tool install arxiv-mcp-server
【创建Agent，使用这个MCP Server】

现在我们创建Agent以连接并使用这个MCP Server。在MCP Server的说明中找到其使用的配置方法（其实就是运行命令与命令行参数），添加到Agent代码中：

...
server_params_axiv = StdioServerParameters(
    command="uv", # Executable
    args= [
            "tool",
            "run",
            "arxiv-mcp-server",
            "--storage-path", "./storage"
        ],
    env={**os.environ}
)

接下来借助LlamaIndex中的McpToolSpec直接把MCP server中的Tools转化为Agent用的Tools（langGraph请使用langchain-mcp-adapters），然后创建Agent即可：

async def main():
    # 连接MCP Server
    async with stdio_client(server_params_axiv) as (read, write):
        async with ClientSession(read, write, sampling_callback=None) as session:
            await session.initialize()
        
            # 查看下MCP server的工具
            print('\n正在列出服务器工具...')
            tools1 = await session.list_tools()
            for tool in tools1.tools:
                print('可用工具:', tool.name)
                
            # 获得MCP server的tools
            mcpToolSpec = McpToolSpec(session)
            tools_list = await mcpToolSpec.to_tool_list_async()

            #一个简单的FunctionCallingAgent
            agent = FunctionCallingAgent.from_tools(
                tools_list,
                llm=llm,
                verbose=True,
                system_prompt="你是一个问题回答专家。请使用工具回答问题。")

            #测试
            while True:
                question = input("\n请输入问题(输入q退出):")
                if question.lower() == 'q':
                    break
                response = await agent.achat(question)
                print(response)

asyncio.run(main())
【测试】

这样就借助一个已有的MCP Server来让我们的Agent获得了Arxiv访问的能力，比如你可以让Agent帮下载一个论文：

4、推荐资源

  • 官方文档

https://modelcontextprotocol.io/introduction

  • MCP Server精选
  • https://github.com/punkpeye/awesome-mcp-servers
  • https://glama.ai/mcp/servers（web目录）
  • 把stdio-based的MCP server转化为SSE远程Server

https://github.com/supercorp-ai/supergateway

  • LangChain的mcp适配器

https://github.com/langchain-ai/langchain-mcp-adapters

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的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。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

https://img-blog.csdnimg.cn/img_convert/05840567e2912bcdcdda7b15cba33d93.jpeg

在这里插入图片描述

为什么要学习大模型？

我国在A大模型领域面临人才短缺,数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着AI技术飞速发展，预计到2025年,这一缺口将急剧扩大至400万,严重制约我国AI产业的创新步伐。加强人才培养,优化教育体系,国际合作并进是破解困局、推动AI发展的关键。

在这里插入图片描述

在这里插入图片描述

大模型入门到实战全套学习大礼包

1、大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

img

2、大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

在这里插入图片描述

3、AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

img

4、大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

img

5、大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

img

适用人群

在这里插入图片描述

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么？
  • 大模型是怎样获得「智能」的？
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例：向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …
第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示（Embeddings）
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …
第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2：手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …
第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身：基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例：如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案
  • …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

https://img-blog.csdnimg.cn/img_convert/05840567e2912bcdcdda7b15cba33d93.jpeg

# 人工智能 # 学习
Logo
智能体开发者社区

中国智能体开发者社区，聚焦智能体与大模型开发，提供前沿资讯、实用工具链、开源项目及行业案例。通过技术沙龙、开发者大赛等活动，促进经验交流与协作，助力开发者快速构建创新智能应用。

更多推荐

KMP全栈开发教程：从Android到AI Agent

2026年，Kotlin已经不再仅仅是一门Android开发语言。随着Kotlin Multiplatform（KMP）进入生产就绪阶段，Compose Multiplatform的稳定，以及KotlinConf 2026发布的一系列AI能力，Kotlin正在覆盖一个前所未有的广阔技术版图——Android、iOS、Desktop、Web、Backend，甚至AI Agent。

avatar 智能体开发者社区

2026年企业AI Agent工具深度评测：类似WorkBuddy的主流产品横向对比

不管团队当前正在评估适配全场景的工作Agent，还是希望强化内部协作效率、知识沉淀能力、工作流自动化水平和权限治理体系，飞书 aily都可以作为优先评估的方案，尤其适合希望把AI能力真正接入组织协作和业务流程的团队。飞书 aily作为飞书原生的企业工作Agent，完全继承了飞书体系成熟的企业级管控能力，支持权限分级、数据留痕、操作全链路可追溯，不同部门可以根据自身需求灵活配置AI能力的使用范围。目

avatar 智能体开发者社区
cover

广州外贸GEO公司实测对比：5类服务商的建站、内容与AI搜索能力

avatar 智能体开发者社区