1. 什么是 MCP?
随着大模型应用的发展,AI Agent 已经不仅仅满足于聊天,而是需要连接越来越多的外部能力。
例如:
- 查询数据库
- 操作本地文件
- 调用 GitHub
- 浏览网页
- 使用企业内部系统
传统方式下,每一个 Agent 框架都需要为不同的数据源和工具编写独立的适配代码。
例如:
Agent + GitHub
Agent + MySQL
Agent + 文件系统
Agent + 搜索服务
每连接一种服务,都需要重新设计接口。
这导致:
- 开发成本高
- 工具无法复用
- 不同 AI 应用之间生态割裂
为了解决这个问题,Anthropic 提出了 MCP(Model Context Protocol,模型上下文协议)。
MCP 的目标就是:
建立一个统一标准,让 AI 应用能够以统一方式连接外部工具、数据和服务。
简单理解:
MCP 就像 AI 世界中的 USB 接口标准。
以前:
设备A
↓
专用接口
设备B
↓
另一套接口
现在:
AI应用
↓
MCP标准
↓
各种外部能力
只要双方支持 MCP,就可以直接连接。
2. MCP 的整体架构
MCP 可以从三个层面理解:
MCP
|
--------------------------------
| | |
角色层 能力层 协议层
| | |
Host Tools JSON-RPC
Client Resources Transport
Server Prompts stdio/HTTP
分别对应:
- 谁参与通信?
- Server 提供什么能力?
- 双方如何通信?
3. 角色层:Host、Client、Server
MCP 的第一部分是参与通信的三个角色。
3.1 Host:AI 应用宿主
Host 是用户直接使用的 AI 应用。
例如:
- Claude Desktop
- Cursor
- 自研 Agent 平台
它负责:
- 管理大模型
- 管理 MCP Client
- 决定连接哪些 MCP Server
结构:
Host
├── LLM
├── MCP Client
├── MCP Client
└── MCP Client
需要注意:
很多人容易混淆:
Host ≠ Client
实际上:
Host
|
└── Client
Client 是 Host 内部的通信组件。
3.2 Client:通信桥梁
MCP Client 负责:
- 与 MCP Server 建立连接
- 发送请求
- 接收响应
- 获取 Server 提供的能力列表
例如:
Cursor
|
MCP Client
|
MCP Server
Client 就像一个翻译员:
一边理解 Host 的需求,
另一边按照 MCP 协议和 Server 通信。
3.3 Server:能力提供者
MCP Server 是真正提供能力的一方。
例如:
GitHub MCP Server
Filesystem MCP Server
Database MCP Server
Search MCP Server
Server 不关心:
- 你使用 Cursor
- Claude
- 还是自己的 Agent
只要遵循 MCP 协议,就可以被调用。
所以:
Host 负责管理,Client 负责连接,Server 负责提供能力。
4. 能力层:Tools、Resources、Prompts
MCP Server 最核心的部分,就是向 Client 暴露能力。
主要有三类:
MCP Server
├── Tools
├── Resources
└── Prompts
4.1 Tools:让 AI 执行动作
Tools 可以理解为:
AI 可以调用的函数。
例如:
query_database()
create_file()
send_email()
create_github_issue()
调用流程:
用户请求
↓
LLM 判断需要工具
↓
MCP Client
↓
MCP Server
↓
执行 Tool
↓
返回结果
例如:
用户:
查询订单信息
AI:
调用 query_database()
数据库:
返回订单数据
所以:
Tools = 行动能力
4.2 Resources:提供上下文数据
Resources 是提供给模型读取的数据。
例如:
- 文件内容
- 项目文档
- 数据库结构
- 配置文件
- 日志
例如:
Resource:
README.md
database_schema.json
project_docs
区别:
Resource
=
给 AI 看东西
Tool
=
让 AI 做事情
举例:
读取 README:
Resource
修改 README:
Tool
4.3 Prompts:预定义提示模板
Prompts 是 MCP Server 提供的 Prompt 模板。
例如:
code_review
内部:
请检查以下代码:
1. 安全问题
2. 性能问题
3. 可维护性
代码:
{code}
这样不同客户端可以复用统一模板。
所以:
Prompts
=
标准化 Prompt 模板
5. 协议层:JSON-RPC 和 Transport
角色和能力确定以后,还需要解决:
Client 和 Server 如何通信?
MCP 使用两部分:
协议层
├── JSON-RPC 2.0
└── Transport
5.1 JSON-RPC 2.0
JSON-RPC 规定:
消息应该长什么样。
例如:
Client 请求:
{
"jsonrpc":"2.0",
"method":"tools/list",
"id":1
}
Server 返回:
{
"jsonrpc":"2.0",
"result":{
"tools":[]
}
}
JSON-RPC 负责:
- 请求格式
- 参数格式
- 返回格式
- 错误处理
简单理解:
JSON-RPC 决定双方“说什么格式的话”。
5.2 Transport:消息传输方式
Transport 解决:
消息如何发送过去?
目前主要有两种:
stdio
主要用于本地 MCP Server。
结构:
Cursor
↓
MCP Client
↓
stdin/stdout
↓
本地 MCP Server
例如:
Cursor
启动
python server.py
然后双方通过输入输出通信。
适合:
- 本地文件
- 本地工具
- 本地数据库
Streamable HTTP
用于远程 MCP Server。
结构:
AI应用
↓
HTTP
↓
远程 MCP Server
↓
企业系统
例如:
企业部署:
Agent
↓
MCP Server
↓
MySQL
↓
业务系统
这样多个客户端可以共享一个 MCP Server。
6. 一个完整 MCP 调用流程
假设用户让 Cursor:
查询数据库中的用户信息
完整流程:
1. 用户输入需求
↓
2. Host 接收请求
↓
3. LLM 判断需要数据库能力
↓
4. MCP Client 查询 Server
↓
5. Server 返回 Tools 列表
↓
6. Client 调用 query_user Tool
↓
7. MCP Server 查询数据库
↓
8. 返回结果
↓
9. LLM 生成最终回答
7. MCP 与传统 Function Calling 的区别
Function Calling:
模型
|
调用函数
|
应用内部执行
MCP:
模型
|
MCP Client
|
MCP Server
|
外部系统
区别:
| Function Calling | MCP | |
|---|---|---|
| 范围 | 单个应用内部 | 跨应用标准 |
| 工具复用 | 低 | 高 |
| 生态 | 应用自己维护 | 统一协议 |
| 连接对象 | 函数 | 工具、数据、服务 |
8. 总结
MCP 可以总结为三个部分:
第一:角色层
Host
Client
Server
解决:
谁参与通信?
第二:能力层
Tools
Resources
Prompts
解决:
Server 能提供什么?
第三:协议层
JSON-RPC
+
stdio / Streamable HTTP
解决:
双方如何通信?
MCP 是一个连接 AI 与外部世界的标准协议,通过 Host、Client、Server 三种角色建立通信,通过 Tools、Resources、Prompts 提供能力,并利用 JSON-RPC 和标准传输方式实现统一交互,让不同 AI 应用能够更加方便地调用外部工具和数据。
本文首发于 CSDN:MCP的组成和架构详解:从组成到工作流程