MCP 协议入门:让你的 AI 应用轻松调用外部工具

有没有想过？当你用 Claude Code 或 Cursor 写代码时，它们能调用计算器、搜索 GitHub、读取本地文件，这些能力是怎么实现的？答案就是 MCP —— Model Context Protocol。

我花了整整两天时间，翻遍了 MCP 官方文档、GitHub 仓库、以及各大 AI 工具的集成案例，把这件事从头到尾捋了一遍。

01、什么是 MCP 协议

MCP（Model Context Protocol）是一个开源标准，定义了 AI 应用如何连接外部系统。简单说，MCP 就是 AI 世界的 USB-C 接口——统一标准，即插即用。

在 MCP 出现之前，AI 应用和外部工具的集成是个大难题。如果你有 5 个 AI 应用和 10 个工具，就需要写 50 个自定义集成。这就是 N × M 的问题——每增加一个应用或工具，集成工作量就成倍增长。

MCP 把这个问题简化成了 N + M。每个 AI 应用实现一次 MCP 客户端，每个工具实现一次 MCP 服务端，就能自动互联互通。

02、为什么值得学习 MCP

2.1 主流 AI 工具全面支持

MCP 已经获得了行业主流工具的广泛支持：

2.2 掌握 MCP 的职业价值

随着 AI Agent 时代的到来，工具调用能力已经成为 AI 开发者的必备技能。掌握 MCP，意味着：

• 通用能力：一次学习，适用于所有支持 MCP 的 AI 工具

• 快速集成：无需为每个 AI 平台单独开发工具集成

• 生态红利：接入 MCP 生态，自动获得海量工具支持

• 未来保障：MCP 正在成为 AI 工具集成的事实标准

03、环境准备

开始之前，先把开发环境搭好。

3.1 安装 Python

MCP 支持 Python 和 TypeScript，我们以 Python 为例：

# 检查 Python 版本，需要 3.10+python --version# 如果版本不够，推荐使用 pyenv 管理版本# macOS/Linuxbrew install pyenvpyenv install 3.12pyenv global 3.12# Windows# 从 https://www.python.org/downloads/ 下载安装

3.2 安装 uv（推荐）

uv 是新一代 Python 包管理器，比 pip 快得多：

# macOS/Linuxcurl-LsSf https://astral.sh/uv/install.sh | sh# Windows PowerShellpowershell -ExecutionPolicy RemoteSigned -Command"irm https://astral.sh/uv/install.ps1 | iex"

3.3 创建项目并安装依赖

# 创建项目目录uv init mcp-democd mcp-demo# 创建虚拟环境uv venv# 激活虚拟环境# macOS/Linuxsource .venv/bin/activate# Windows.venv\Scripts\activate# 安装 MCP SDK 和其他依赖uv add mcp python-dotenv

04、MCP 协议基础

4.1 核心概念

MCP 采用客户端-服务端架构：

• MCP Client：AI 应用（如 Claude、Cursor），负责发起请求

• MCP Server：工具提供者，负责执行工具并返回结果

• Transport：通信方式，支持 stdio 和 HTTP+SSE

• Tools：服务端暴露的工具，每个工具定义了名称、描述和输入输出格式

4.2 通信机制

MCP 基于 JSON-RPC 2.0 协议进行通信。核心消息类型包括：

请求消息：

{"jsonrpc": "2.0","id": "1","method": "listTools","params": {}}

响应消息：

{"jsonrpc": "2.0","id": "1","result": {"tools": [...]  }}

4.3 传输方式

MCP 支持两种传输方式：

05、实战教程：构建第一个 MCP 服务器

5.1 创建服务器文件

创建 server.py：

importasynciofrommcpimportcreate_server, Server, ToolfromtypingimportListclassMyMCPServer(Server):"""自定义 MCP 服务器"""asyncdefinitialize(self, params):"""初始化服务器"""print("服务器初始化完成")return {}@Tool(name="calculate",description="执行数学计算",input_schema={"type": "object","properties": {"expression": {"type": "string","description": "数学表达式，如 '2 + 3 * 4'"                }            },"required": ["expression"]        }    )asyncdefcalculate(self, expression: str) ->str:"""计算数学表达式"""try:result=eval(expression)returnf"计算结果：{expression} = {result}"exceptExceptionase:returnf"计算失败：{str(e)}"@Tool(name="greet",description="向用户打招呼",input_schema={"type": "object","properties": {"name": {"type": "string","description": "用户名"                }            },"required": ["name"]        }    )asyncdefgreet(self, name: str) ->str:"""打招呼"""returnf"你好，{name}！欢迎使用 MCP 服务器。"asyncdefmain():"""启动服务器"""server=MyMCPServer()awaitcreate_server(server).serve()if__name__=="__main__":asyncio.run(main())

5.2 运行服务器

python server.py

服务器启动后，会监听标准输入输出，等待客户端连接。

5.3 创建客户端测试

创建 client.py：

importasynciofrommcpimportClientSessionfrommcp.client.stdioimportstdio_clientfromcontextlibimportAsyncExitStackasyncdefmain():"""测试 MCP 客户端"""asyncwithAsyncExitStack() asexit_stack:stdio_transport=awaitexit_stack.enter_async_context(stdio_client(command="python", args=["server.py"])        )stdio, write=stdio_transportsession=awaitexit_stack.enter_async_context(ClientSession(stdio, write)        )awaitsession.initialize()tools_response=awaitsession.list_tools()print("可用工具:", [tool.namefortoolintools_response.tools])calc_result=awaitsession.call_tool(tool_name="calculate",arguments={"expression": "2 + 3 * 4"}        )print("计算结果:", calc_result.content)greet_result=awaitsession.call_tool(tool_name="greet",arguments={"name": "二哥"}        )print("问候结果:", greet_result.content)if__name__=="__main__":asyncio.run(main())

5.4 运行客户端

python client.py

预期输出：

可用工具: ['calculate', 'greet']计算结果: 计算结果：2 + 3 * 4 = 14问候结果: 你好，二哥！欢迎使用 MCP 服务器。

06、常见问题与解决方案

6.1 服务器启动失败

问题：python server.py 后没有任何反应

原因：MCP 服务器使用 stdio 模式，需要客户端连接才能输出信息

解决方案：确保客户端正确连接，或者添加日志输出到 stderr

6.2 工具调用超时

问题：调用工具时超时

原因：网络问题或服务端执行时间过长

解决方案：

result=awaitasyncio.wait_for(session.call_tool(tool_name="calculate", arguments={}),timeout=30)

6.3 权限问题

问题：服务器无法访问某些资源

原因：运行服务器的用户权限不足

解决方案：确保服务器以正确的用户权限运行，或配置环境变量

6.4 JSON 解析错误

问题：客户端收到 JSON 解析错误

原因：服务端输出了非 JSON 内容（如 print 语句）

解决方案：服务端不要使用 print，改用 logger 输出到 stderr

07、高级应用

7.1 使用 HTTP+SSE 传输

生产环境推荐使用 HTTP+SSE 传输：

# server_http.pyfrommcpimportcreate_serverfrommcp.server.httpimporthttp_serverasyncdefmain():server=MyMCPServer()awaithttp_server(server).serve(host="0.0.0.0",port=8080    )if__name__=="__main__":asyncio.run(main())

客户端连接：

# client_http.pyfrommcp.client.httpimporthttp_clientasyncdefmain():asyncwithhttp_client("http://localhost:8080") as (stdio, write):session=ClientSession(stdio, write)awaitsession.initialize()

7.2 处理资源文件

MCP 支持资源文件管理：

@Tool(name="read_file", description="读取文件内容")asyncdefread_file(self, path: str) ->str:"""读取指定路径的文件"""withopen(path, "r", encoding="utf-8") asf:returnf.read()

7.3 集成大模型

结合大模型实现智能工具调用：

fromanthropicimportAnthropicasyncdefprocess_with_llm(query: str, session):"""使用大模型处理查询并调用工具"""anthropic=Anthropic()tools_response=awaitsession.list_tools()tools= [{"name": t.name,"description": t.description,"input_schema": t.input_schema    } fortintools_response.tools]response=anthropic.messages.create(model="claude-sonnet-4-20250514",max_tokens=1000,messages=[{"role": "user", "content": query}],tools=tools    )ifresponse.stop_reason=="tool_use":fortool_useinresponse.content:ifhasattr(tool_use, "tool_use"):result=awaitsession.call_tool(tool_name=tool_use.tool_use.name,arguments=tool_use.tool_use.input                )print("工具执行结果:", result.content)

08、未来展望

8.1 MCP 发展趋势

• 标准化进程加速：MCP 正在成为 AI 工具集成的事实标准

• 生态扩展：越来越多的工具和 AI 应用加入 MCP 生态

• 安全增强：更完善的认证和权限管理机制

• 性能优化：更快的通信协议和更高效的数据传输

8.2 扩展方向

• 多模态支持：支持图像、音频等多模态数据传输

• 流式工具调用：支持工具执行过程中的实时数据流

• 工具发现机制：自动发现和推荐可用的 MCP 服务器

• 版本管理：完善的协议版本控制和向后兼容

总结

MCP 协议为 AI 应用与外部工具的集成提供了统一标准，解决了 N × M 的集成难题。掌握 MCP，你就能轻松构建具备丰富工具能力的 AI 应用。

现在就动手试试吧！创建你的第一个 MCP 服务器，让 AI 应用真正"动手"做事。

觉得文章有帮助？欢迎点赞、在看、转发，也欢迎关注我的公众号获取更多技术干货！