【值得收藏】MCP模型上下文协议深度解析：从零开始构建强大AI Agent应用

黑帽子唐哥

1091人浏览 · 2025-12-01 15:32:36

黑帽子唐哥 · 2025-12-01 15:32:36 发布

本文详细解析了MCP（模型上下文协议）的概念、架构与优势，展示了如何通过MCP简化LLM应用与外部资源集成。文章提供了从零开始创建MCP Server和Client的实操Demo，并演示了如何结合第三方MCP Server与LlamaIndex/LangGraph快速构建具备工具调用能力的Agent。通过MCP，开发者可以更便捷地扩展AI应用功能，无需适配各种私有协议，实现快速插拔式工具集成，形成新的AI能力共享生态。

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。

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，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大模型的学习中的很多困惑。我们整理出这套 AI 大模型突围资料包：

✅ 从零到一的 AI 学习路径图
✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
✅ 百度/阿里专家闭门录播课
✅ 大模型当下最新行业报告
✅ 真实大厂面试真题
✅ 2025 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要 《AI大模型入门+进阶学习资源包》，下方扫码获取~
在这里插入图片描述

① 全套AI大模型应用开发视频教程

（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）
在这里插入图片描述

② 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！
在这里插入图片描述

③ 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

④ 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。
在这里插入图片描述

⑤ 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。
在这里插入图片描述

⑥ 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。

以上资料如何领取？

在这里插入图片描述

为什么大家都在学大模型？

最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！

不出1年，“有AI项目经验”将成为投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！
在这里插入图片描述

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
在这里插入图片描述