MCP 协议深度解析：让 AI Agent 拥有无限工具能力

什么是 MCP 协议？

MCP（Model Context Protocol）是 2025 年由 Anthropic 提出的开放协议，旨在标准化 AI 模型与外部工具之间的通信方式。简单来说，它就像是 AI 世界的 USB 接口——让任何 AI Agent 都能即插即用地调用各种工具。

为什么需要 MCP？

在 MCP 出现之前，每个 AI 应用都要自己实现工具调用逻辑：

• OpenAI 有 Function Calling
• LangChain 有自己的 Tool 抽象
• 各家框架各搞一套，互不兼容

这就像早期每个手机厂商都用不同的充电口一样混乱。MCP 的出现统一了这个局面。

MCP 的核心架构

AI Model (Client)
    ↕ MCP Protocol (JSON-RPC 2.0)
MCP Server (Tool Provider)
    ↕
External Services (DB, API, Files...)

三个核心概念

1. Tools（工具）

工具是 MCP 最核心的能力。每个工具有名称、描述和参数 Schema：

{
  "name": "web_search",
  "description": "搜索互联网内容",
  "inputSchema": {
    "type": "object",
    "properties": {
      "query": { "type": "string" }
    },
    "required": ["query"]
  }
}

2. Resources（资源）

类似于 REST API 中的 GET 端点，提供只读数据访问：

file:///path/to/document.md
db://users/profile/12345

3. Prompts（提示模板）

预定义的交互模板，让 AI 知道在什么场景下用什么工具。

实战：5 分钟搭建一个 MCP Server

用 TypeScript 实现一个天气查询 MCP Server：

import { McpServer } from "@modelcontextprotocol/sdk/server/mcp.js";
import { StdioServerTransport } from "@modelcontextprotocol/sdk/server/stdio.js";
import { z } from "zod";

const server = new McpServer({
  name: "weather-server",
  version: "1.0.0"
});

server.tool(
  "get_weather",
  "获取指定城市的天气信息",
  { city: z.string().describe("城市名称") },
  async ({ city }) => {
    const res = await fetch(
      `https://wttr.in/${city}?format=j1`
    );
    const data = await res.json();
    const current = data.current_condition[0];
    return {
      content: [{
        type: "text",
        text: `${city}: ${current.temp_C}°C, ${current.weatherDesc[0].value}`
      }]
    };
  }
);

const transport = new StdioServerTransport();
await server.connect(transport);

运行后，任何支持 MCP 的客户端都能直接调用这个天气工具。

MCP 生态现状（2026 年 3 月）

目前 MCP 生态已经相当成熟：

类别	代表项目
客户端	Claude Desktop, Cursor, Windsurf, OpenClaw
服务端	官方 SDK (TS/Python/Java), 社区 500+ Server
注册中心	mcphub.io, Smithery

对开发者的意义

1. 写一次，到处用：你的工具可以被任何 MCP 客户端调用
2. 安全可控：MCP 内置了权限和审批机制
3. 组合威力：多个 MCP Server 可以组合使用，AI 自动编排

总结

MCP 正在成为 AI Agent 生态的基础设施。如果你在做 AI 应用开发，现在就该了解和使用 MCP。它不仅降低了工具集成的门槛，更重要的是建立了一个开放、可互操作的 AI 工具生态。

下一篇我会分享如何用 Python 实现一个数据库查询的 MCP Server，敬请关注！