MCP (Model Context Protocol) 完全学习指南

AI 应用的 USB-C 接口：标准化的模型上下文协议深度解析

协议版本: MCP 2025 | 基金会: Agentic AI Foundation (Linux Foundation) | 核心传输: JSON-RPC 2.0

核心指标概览

什么是 MCP？

模型上下文协议 (Model Context Protocol, MCP) 是由 Anthropic 发起、现由 Linux 基金会旗下 Agentic AI Foundation 管理的开放标准协议。它解决了 AI 应用领域长期存在的 “N × M” 集成难题：将 LLM 连接到 GitHub、PostgreSQL 或本地文件系统需要为每个模型和每个数据源编写特定的”胶水代码”，导致维护成本呈指数级增长。

MCP 被形象地称为 “AI 应用的 USB-C 接口”，它通过建立一种标准化的、基于 JSON-RPC 2.0 的通用接口，实现了模型与工具、资源、提示词的解耦，使得一次开发即可在 Claude Desktop、VS Code、Cursor 等多个宿主环境中复用。

MCP 整体架构

系统架构全景图

三层架构详解

核心组件详解

Host (宿主)

核心职责：

• 作为 AI 应用程序的容器（如 Claude Desktop 或 IDE）
• 协调 LLM 与用户的交互
• 管理连接生命周期
• 作为最终的安全守门人
• 不直接执行工具逻辑，通过客户端聚合来自不同服务器的能力

Client (客户端)

核心职责：

• 驻留在宿主内部
• 负责与服务器建立 1:1 的连接
• 处理协议握手、能力协商 (Capability Negotiation)
• 消息路由
• 将用户的自然语言请求转化为对服务器工具的结构化调用

Server (服务器)

核心职责：

• 能力的提供者
• 可以是本地运行的轻量级进程，也可以是远程部署的微服务
• 专注于特定的领域逻辑（如访问数据库或控制浏览器）
• 将能力通过 MCP 原语暴露给客户端

传输层协议

传输协议对比

STDIO 传输

# 宿主启动服务器进程
npx -y @playwright/mcp@latest

# 或者 Python 服务器
python my_mcp_server.py

特点：

• 本地开发工具最常用的模式
• 延迟极低
• 天然继承宿主进程的用户权限
• 适合文件系统操作或本地构建任务

HTTP/SSE 传输

特点：

• 适用于分布式部署
• 支持多客户端连接
• 需要额外的认证机制（如 OAuth）
• 适合企业级共享服务

核心原语 (Primitives)

MCP 定义了三种核心原语，它们构成了代理与世界交互的语汇：

Tools (工具) - 代理的手

机制：

• 服务器定义工具的名称、描述和 JSON Schema 输入参数
• 当 LLM 决定调用工具时，它会生成符合 Schema 的参数
• 客户端将其发送给服务器执行

设计原则：

• 工具应当是原子化的
• 在可能的情况下设计为幂等 (Idempotent)，以便模型在失败时重试

@mcp.tool()
def execute_sql(query: str, database: str) -> dict:
  """
  在指定数据库上执行 SQL 查询。

Resources (资源) - 代理的眼

关键特性：

• URI 寻址：资源通过 URI 进行标识
• 动态模板：服务器可以暴露资源模板（如 github://issue/{id}）
• 性能优势：使用资源而非工具来获取静态上下文可以显著降低延迟

@mcp.resource("config://app-settings")
def get_app_settings() -> str:
  """返回当前应用程序的全局配置参数"""
  return """
  DEBUG=False

Prompts (提示词) - 代理的剧本

作用：

• 预定义的交互模板
• 用于指导模型如何使用服务器提供的工具和资源
• 允许服务器开发者将”领域知识”内嵌到协议中

通信流程详解

完整的请求-响应流程

能力协商 (Capability Negotiation)

安全性设计

多层安全模型

人机回环 (Human-in-the-Loop)

OAuth 认证流程（远程服务器）

行业应用场景

开发工具与 IDE 增强

浏览器自动化 (Playwright-MCP)

Playwright-MCP 工具集

企业级数据与可观测性

技术选型决策框架

MCP vs CLI vs Native Skill

决策矩阵

何时使用 MCP？

黄金法则：当你需要构建一个”领域桥梁”时，请使用 MCP。

✅ 适用场景：

• 连接具有独立逻辑、数据结构和状态的外部系统
• 数据库、Git 仓库、云平台或复杂的内部 API
• 需要跨多个 AI 客户端复用的能力

❌ 不适用场景：

• 简单的单行修复
• 纯计算任务
• 平台特定功能

开发实战

使用 FastMCP (Python) 开发服务器

from mcp.server.fastmcp import FastMCP

# 1. 初始化服务器
mcp = FastMCP("corporate-data-service")

客户端配置

{
"mcpServers": {
  "corporate-data": {
    "command": "python",
    "args": ["/path/to/corporate_data_server.py"]

配置文件位置

调试与验证

MCP Inspector

MCP 生态提供了 MCP Inspector，这是一个可视化的调试工具：

# 安装并启动 MCP Inspector
npx @modelcontextprotocol/inspector python /path/to/your_server.py

功能：

• 手动发送 JSON-RPC 请求
• 测试工具和资源
• 查看请求响应的详细 Payload
• 排查 Schema 错误或逻辑 Bug

日志最佳实践

import logging
import sys

# 配置日志输出到 stderr（不是 stdout！）
logging.basicConfig(

进阶模式：代码执行替代工具调用

当处理大规模数据时（如分析一个 100MB 的 CSV 文件），直接调用 MCP 工具并将数据传回给 LLM 会瞬间撑爆上下文窗口。

策略：

1. 让 LLM 编写分析脚本
2. 通过 MCP 的代码执行工具在服务器端运行
3. 仅返回高价值的”洞察”

2025 路线图与未来展望

Agentic AI Foundation

2025 年，Anthropic 将 MCP 捐赠给 Linux 基金会并成立 Agentic AI Foundation (AAIF)。创始成员包括 OpenAI、Google、Block 等行业巨头。

即将推出的特性

总结

MCP 的出现是 AI 工程化领域的一个分水岭。 它结束了 LLM 集成的蛮荒时代，用一套标准化的语言统一了模型与世界的交互方式。

核心要点

1. 三层架构：Host → Client → Server，职责分离
2. 三大原语：Tools（执行）、Resources（数据）、Prompts（模板）
3. 两种传输：STDIO（本地）、HTTP/SSE（远程）
4. 安全优先：人机回环、OAuth 认证、PII 脱敏

最佳实践

• ✅ MCP 优先：构建领域桥梁时首选
• ⚠️ 慎用 CLI：仅限受控环境的临时操作
• 📱 善用 Native Skill：平台特定的轻量级扩展
• 🔐 严格实施人机回环：敏感操作必须用户审批

参考资源

• MCP 官方文档
• MCP GitHub 仓库
• FastMCP Python SDK
• Playwright MCP
• Agentic AI Foundation

本文档基于 MCP 2025 规范编写，内容会随协议演进持续更新。