MCP 协议全景

模型上下文协议（MCP） 是一种开放标准，旨在解决 AI 模型与外部数据源/工具之间的互操作性危机。MCP 被广泛比喻为 "AI 时代的 USB-C 接口"——通过统一协议，任何支持 MCP 的 AI 应用都可以无缝连接任何 MCP 服务器。

MCP 解决的核心问题

想象一个强大的AI助手，可以帮助编程、数据分析或客户支持。但这个助手被锁在一个房间里——它很聪明，却无法直接访问你的数据库、文件或工具。如果你想让它使用某些信息，必须手动传递。这就是许多LLM面临的困境。

虽然RAG可以检索信息，各种Agent框架允许工具使用，但存在更深层问题：每个集成都需要定制代码、特殊提示和专属解决方案。

问题	传统方案	MCP方案
集成方式	每个数据源需要专属连接器	统一标准接口
维护成本	N个数据源 × M个模型 = N×M个适配	N+M（通过协议连接）
安全检查	每个连接器独立实现	协议级统一安全框架
可移植性	绑定特定模型/厂商	模型无关，可自由切换

MCP的本质

MCP就像AI应用的USB-C接口——正如USB-C为各种设备提供标准连接方式，MCP为AI模型提供连接各种数据源和工具的标准协议。

核心价值

维度	传统点对点集成	MCP 统一协议
复杂度	M×N（每对都需适配）	M+N（通过协议连接）
维护成本	API 变更需重构所有集成	仅更新 Server 实现
可移植性	绑定特定模型/厂商	一次编写，多处复用
生态	碎片化	标准化互通

1. 架构体系

1.1 三层实体模型

角色	职责	典型示例
Host（宿主）	AI 应用容器，运行 LLM，管理 UI，决定何时请求外部上下文	Claude Desktop, Cursor, VS Code, Zed
Client（客户端）	嵌入 Host 的协议网关，负责连接管理、消息序列化	mcp-client 库
Server（服务器）	独立进程，持有数据或执行操作，暴露原语	mcp-server-git, mcp-server-postgres

1.2 解耦优势

角色	关注点
Server 开发者	仅关注如何获取数据并转化为 MCP 格式，无需了解调用者是哪个模型
Host 开发者	仅关注模型推理和用户体验，无需为每个工具编写集成插件
用户	配置好的 Server 集可在不同 AI 应用间复用

2. 协议分层

2.1 数据层：JSON-RPC 2.0

MCP 强制使用 JSON-RPC 2.0 作为应用层协议，支持有状态的双向通信。

请求示例：

json

{
  "jsonrpc": "2.0",
  "id": 1,
  "method": "tools/call",
  "params": {
    "name": "get_weather",
    "arguments": { "city": "Shanghai" }
  }
}

响应示例：

json

{
  "jsonrpc": "2.0",
  "id": 1,
  "result": {
    "content": [{ "type": "text", "text": "Shanghai: 25°C, Sunny" }],
    "isError": false
  }
}

消息类型：

Request/Response：Client 请求，Server 返回结果
Notification：Server 主动推送（如资源变更通知）

2.2 传输层

传输方式	机制	适用场景	优势
Stdio	父子进程通过 stdin/stdout 通信	本地环境	零配置、安全、低延迟
SSE + HTTP	POST 发请求，SSE 推响应	远程/微服务	网络穿透、多路复用

3. 核心原语（Primitives）

MCP 定义三种能力原语，标准化 AI 与外部世界的交互模式。

3.1 资源（Resources）：被动上下文

定义：Server 持有的可读取数据，由唯一 URI 标识。

操作	说明
list	查询可用资源列表
read	根据 URI 获取内容（支持文本/二进制）
subscribe	订阅资源变更，Server 主动推送更新

典型应用：

读取 IDE 当前文件
获取数据库 Schema
实时尾随日志

3.2 工具（Tools）：主动代理行为

定义：AI 可调用的可执行函数，是实现代理（Agentic）行为的核心。

工具定义：

Name：工具名称
Description：自然语言描述
Input Schema：JSON Schema 定义参数类型

调用流程：

用户："帮我查苹果股价"
LLM 决策：调用 get_stock_price(ticker="AAPL")
Host 通过 MCP 转发给 Server
Server 执行并返回 {"price": 150.00}
LLM 生成："苹果当前股价为 150 美元"

人机回环（HITL）

工具可能产生副作用（修改数据、发送邮件）。MCP 强调敏感工具调用应经过用户显式确认。

3.3 提示词（Prompts）：标准化模板

定义：Server 提供的预定义交互模板，简化用户输入。

用途	示例
工作流标准化	`git_commit` 模板自动组装符合规范的 Commit Message
复杂任务封装	`code_review` 模板内含精调的 System Prompt

3.4 原语对比

特性	Resources	Tools	Prompts
用途	提供上下文	执行操作	提供模板
数据流	Server → Client	双向	Server → LLM
副作用	无（只读）	有	无
触发方式	用户/自动选择	模型自主决策	用户选择

4. 协议生命周期

关键阶段：

初始化：Client 发送 initialize，声明协议版本和能力
能力协商：双方就版本和功能达成一致
会话就绪：Client 发送 notifications/initialized
业务交互：列出工具、调用工具、读取资源等

5. 开发实战

5.1 Python SDK（FastMCP）

bash

uv add "mcp[cli]"

python

from mcp.server.fastmcp import FastMCP, Context
import httpx

mcp = FastMCP("WeatherService")

# 定义工具
@mcp.tool()
async def get_weather(city: str) -> str:
    """Get current weather for a city."""
    async with httpx.AsyncClient() as client:
        resp = await client.get(f"https://api.weather.com/{city}")
        return resp.text

# 定义资源
@mcp.resource("config://{env}/settings")
def get_config(env: str) -> str:
    """Get settings for an environment."""
    return f'{{"environment": "{env}", "debug": true}}'

# 带上下文的工具
@mcp.tool()
async def long_task(ctx: Context):
    """Execute a long running task."""
    await ctx.info("Task started")
    for i in range(10):
        await ctx.report_progress(i, 10)
    return "Done"

if __name__ == "__main__":
    mcp.run()

5.2 TypeScript SDK

typescript

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: "ts-demo-server",
  version: "1.0.0"
});

server.tool(
  "calculate_bmi",
  {
    height: z.number().describe("Height in meters"),
    weight: z.number().describe("Weight in kg")
  },
  async ({ height, weight }) => {
    const bmi = weight / (height * height);
    return { content: [{ type: "text", text: `BMI: ${bmi.toFixed(1)}` }] };
  }
);

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

5.3 Claude Desktop 配置

json

{
  "mcpServers": {
    "weather": {
      "command": "python",
      "args": ["path/to/weather_server.py"]
    },
    "docker-server": {
      "command": "docker",
      "args": ["run", "-i", "--rm", "mcp/server-image:latest"]
    }
  }
}

5.4 MCP Inspector 调试

bash

npx @modelcontextprotocol/inspector node build/index.js

功能：

模拟 Host 手动调用工具
查看 JSON-RPC 请求/响应报文
排查 Schema 错误

6. MCP vs OpenAI Function Calling

特性	OpenAI Function Calling	MCP
本质	厂商私有 API 特性	开放互操作协议
架构	Client 包含工具执行代码	Server 封装实现，Client 仅转发
状态	无状态	有状态会话
可移植	绑定 OpenAI	支持 Claude, Cursor, Gemini 等
生态	插件模式	操作系统级集成

关键区别

Function Calling 将"执行"负担留给开发者（在代码中写 if tool_name == 'x': ...）。MCP 将逻辑封装到独立 Server，可像微服务一样独立部署、独立升级。

7. 安全架构

7.1 威胁模型

威胁	描述
间接提示注入	恶意数据（邮件/网页）中嵌入隐藏指令
数据渗漏	恶意 Server 诱导模型传递敏感信息

7.2 防御体系

层面	措施
协议级	权限协商、人机回环（HITL）
传输级	OAuth 2.1 认证、最小权限 Token
应用级	MCP-Guard 三阶段防御框架

7.3 指令层级

层级	来源	优先级	说明
Φ₀	系统指令	最高	定义行为边界
Φ₁	用户指令	次级	在 Φ₀ 约束下执行
Φ₂	数据	最低	仅作处理对象，禁止执行

8. 生态系统

8.1 治理与开放

MCP 由 Anthropic 于 2024 年底开源发布，已捐赠给 Linux 基金会 Agentic AI Foundation，成为中立开放标准。

支持厂商：Google Cloud, Microsoft, Block, Apollo, Zed, Replit, Sourcegraph

8.2 广泛采用（2025年）

到 2025 年初，MCP 已被广泛采用：

平台	集成状态
Cursor	原生支持
Replit	原生支持
Zed	原生支持
Sourcegraph	原生支持
Claude Desktop	原生支持
Block/Apollo	企业集成

模型无关性

MCP 的一大优势是模型无关——你可以在不同 LLM 提供商之间切换，而不会丢失对数据源的访问权限，因为协议是标准化的。

8.3 主流 Server

Server	功能
mcp-server-filesystem	文件读写
mcp-server-git	Git 操作
mcp-server-postgres	数据库查询
mcp-server-github	GitHub API
mcp-server-slack	Slack 消息

8.4 操作系统集成

平台	状态
Windows	Copilot 已支持调用本地 MCP Server
macOS/iOS	预期集成到 Shortcuts/Siri

9. 采样（Sampling）：反向智能调用

MCP 最具前瞻性的特性之一：Server 可以"反向"调用 Host 的 LLM 能力。

场景：IDE 插件 Server 发现复杂代码，希望调用 Host 的高级模型生成注释。

意义：Server 不再是"哑"工具，可利用宿主的推理能力增强自身逻辑。

📚 学习路线

快速入门

5分钟创建 Server
Claude Desktop 配置
Inspector 调试

→

核心概念

Tools/Resources/Prompts
协议生命周期
传输层选择

→

实战项目

→

高级功能

采样与反向调用
安全防御
生产部署

🔗 章节导航

章节	内容	状态
快速入门	5 分钟创建 MCP Server	✅
核心概念	Tools/Resources/Prompts 详解	✅
实战项目	任务管理器、天气服务、文件助手	✅
高级功能	采样、认证、代理模式	✅

🌐 核心资源

官方资源

资源	说明
MCP 官方文档	协议规范
Python SDK	Python 实现
TypeScript SDK	TS 实现
MCP Inspector	调试工具
官方 Server 集合	预置 Server

FastMCP 资源

资源	说明
FastMCP 官方文档	FastMCP 2.0 文档
FastMCP GitHub	源码仓库
FastMCP Cloud	云托管服务

参考论文

论文	主题
MCP-Guard	安全防御框架

🔮 未来展望

MCP 正在改变我们构建 AI 应用的方式：

趋势	说明
标准化	成为 AI 集成的事实标准
生态繁荣	社区贡献大量现成 Server
能力共享	开发者可以共享自定义 MCP Server，为 AI 代理添加新"技能"
开发效率	连接新数据库或 API 从周级工作变为小时级

核心价值

MCP 让 AI 从"被动回答问题"转变为"主动使用工具和数据"，真正释放 AI 的潜力。

展望：MCP 将成为未来 AI 互联网的基础协议，构建起一个万物互联的智能体新世界。随着 Google、Microsoft、Anthropic 等巨头推动，MCP 正迅速成为行业事实标准。

MCP 协议全景 ​

MCP 解决的核心问题 ​

核心价值 ​

1. 架构体系 ​

1.1 三层实体模型 ​

1.2 解耦优势 ​

2. 协议分层 ​

2.1 数据层：JSON-RPC 2.0 ​

2.2 传输层 ​

3. 核心原语（Primitives） ​

3.1 资源（Resources）：被动上下文 ​

3.2 工具（Tools）：主动代理行为 ​

3.3 提示词（Prompts）：标准化模板 ​

3.4 原语对比 ​

4. 协议生命周期 ​

5. 开发实战 ​

5.1 Python SDK（FastMCP） ​

5.2 TypeScript SDK ​

5.3 Claude Desktop 配置 ​

5.4 MCP Inspector 调试 ​

6. MCP vs OpenAI Function Calling ​

7. 安全架构 ​

7.1 威胁模型 ​

7.2 防御体系 ​

7.3 指令层级 ​

8. 生态系统 ​

8.1 治理与开放 ​

8.2 广泛采用（2025年） ​

8.3 主流 Server ​

8.4 操作系统集成 ​

9. 采样（Sampling）：反向智能调用 ​

📚 学习路线 ​

🔗 章节导航 ​

🌐 核心资源 ​

官方资源 ​

FastMCP 资源 ​

参考论文 ​

🔮 未来展望 ​

MCP 协议全景

MCP 解决的核心问题

核心价值

1. 架构体系

1.1 三层实体模型

1.2 解耦优势

2. 协议分层

2.1 数据层：JSON-RPC 2.0

2.2 传输层

3. 核心原语（Primitives）

3.1 资源（Resources）：被动上下文

3.2 工具（Tools）：主动代理行为

3.3 提示词（Prompts）：标准化模板

3.4 原语对比

4. 协议生命周期

5. 开发实战

5.1 Python SDK（FastMCP）

5.2 TypeScript SDK

5.3 Claude Desktop 配置

5.4 MCP Inspector 调试

6. MCP vs OpenAI Function Calling

7. 安全架构

7.1 威胁模型

7.2 防御体系

7.3 指令层级

8. 生态系统

8.1 治理与开放

8.2 广泛采用（2025年）

8.3 主流 Server

8.4 操作系统集成

9. 采样（Sampling）：反向智能调用

📚 学习路线

🔗 章节导航

🌐 核心资源

官方资源

FastMCP 资源

参考论文

🔮 未来展望