夜雨聆风5 分钟，让你彻底搞懂 MCP 到底是什么、和 Function Call 有啥区别，还能带走一段能跑的代码。
你有没有这种感觉：ChatGPT、Claude 这些 AI 越来越聪明，但你让它帮你干点实事——查个天气、读个文件、下个订单，它就只会"建议你这样做"，然后甩给你一段代码让你自己跑。
AI 长了个超级大脑，却没有手脚。
更扎心的是，就算你硬着头皮给 AI 接工具，也会发现：每个工具的接口都不一样，接一个写一遍代码，接十个写十遍。就像家里电器一堆，遥控器也一堆，找个台都得翻半天。
直到 2024 年 11 月，Anthropic 开源了一个东西，一次性把这些破事全解决了——它叫 MCP。
一、MCP 是什么？AI 世界的 USB-C 接口
MCP，全称 Model Context Protocol，模型上下文协议。
名字很唬人，本质就一句话：给 AI 定一个统一的"插头标准"。
你可以把它理解成 AI 世界的 USB-C 接口。以前每个电器一种充电线，现在不管是手机、平板还是耳机，一根线全搞定。MCP 干的就是这件事——不管什么工具、什么数据源，只要符合这个标准，AI 拿来就能用，不用再为每个工具单独写对接代码。
在典型的 AI Agent 架构里，大模型是"大脑"，外部数据源和工具是"手脚"，而 MCP 就是连接大脑和手脚的那套"神经系统"。它规定了一套通用的交互方式，让 AI Agent 能以统一格式请求信息，跨多个工具调用时还能保持上下文记忆，不会断片。
MCP 采用的是 主机-客户端-服务器 三层架构：
主机（Host）：就是 AI 应用本身，比如 Claude Desktop、Cursor。它负责管理客户端、控制权限、聚合上下文。 客户端（Client）：主机派出的"驻外大使"，和服务器一对一通信，负责协议转换和安全校验。 服务器（Server）：各个工具的能力提供方，比如天气查询、文件读取、数据库操作，每个都封装成标准模块。
一次完整流程是这样的：服务器把能力"包装"成标准工具 → 主机启动时读取工具清单 → 你给 AI 下指令 → 大模型判断该调哪个工具 → 客户端执行调用 → 拿到结果返回模型继续推理。
整个过程对你来说是无感的，你就像在跟一个正常人聊天，背后 AI 已经在调用各种工具帮你干活了。
二、MCP、Function Call、API 到底啥区别？
这是很多人搞混的地方。先说结论：它们不是取代关系，是上下游协作关系。
用一个点外卖的例子，一下就通透了：
1. 你（user）：我饿了，想吃比萨，美团饿了么都行2. 你妈（assistant）：你上美团点个外卖吧3. 你（tool call）：好，我用美团点一个 [一顿操作]4. 你（tool result）：点完了Function Call 是第 2 步——由大模型决定"用哪个工具"，它规范化了工具选择的输入输出格式，但并不真的去调用工具。
MCP 是第 3 步——真正调用工具并返回结果的过程，它把这个过程标准化了。
一个负责决策用啥，一个负责执行和返回。一个在模型层，一个在协议层。
那 MCP 和传统 API 又啥关系？很多人觉得它俩对等，其实 MCP 是个更大的概念。API 是某个服务商提供的私有接口，部署在云上、要鉴权、要收费；而 MCP 是一套开放标准，工具开发者按这个标准封装好，发到 npm、pip、Docker Hub 上，别人拿来即用，还能部署在本地电脑上。
形象点说：MCP 是个多功能读卡器，API 是各种接口的存储卡。读卡器给所有存储卡套了一层标准外壳，让任何电脑都能自由读取。
一张表看清三者核心差异：
一句话：Function Call 决定"用哪个工具"，API 是"工具本身"，MCP 是"调用工具的统一协议"。
三、上手就跑：用 FastMCP 写一个天气查询服务
概念讲完了，来点能跑的代码。
Python 里写 MCP 服务器很便捷的方式，是用官方 SDK 内置的 FastMCP。你写一个普通的 Python 函数，加上装饰器，框架自动帮你生成参数校验、JSON Schema 和工具描述——不用手写一行协议代码。
先装依赖：
pip install "mcp[cli]"然后新建一个 weather_server.py：
from mcp.server.fastmcp import FastMCP# 1. 创建 MCP 服务器，名字会显示在客户端工具列表里mcp = FastMCP("Weather Service")# 2. 用 @mcp.tool() 把普通函数变成 AI 可调用的工具@mcp.tool()defget_weather(city: str) -> str:"""获取指定城市的天气信息。 参数: city: 城市名称，如"北京""上海" """# 这里用模拟数据演示，实际可对接真实天气 API weather_data = {"北京": "晴，25°C，湿度 40%，北风 3 级","上海": "多云，28°C，湿度 65%，东南风 2 级","深圳": "雷阵雨，30°C，湿度 80%，南风 4 级","广州": "阵雨，29°C，湿度 75%，东南风 3 级", }return weather_data.get(city, f"暂未收录 {city} 的天气数据")# 3. 暴露一个只读资源（Resource），AI 可主动读取@mcp.resource("config://api-info")defget_config() -> str:"""返回服务配置信息（只读）"""return"Weather Service v1.0 | 数据源: 模拟数据 | 更新频率: 实时"# 4. 启动服务器，默认使用 stdio 传输（本地进程通信）if __name__ == "__main__": mcp.run()就这二十来行代码，你已经拥有一个完整的 MCP 服务器了。
几个关键点说一下：
函数的文档字符串（docstring）会变成工具描述，模型就是靠这段话判断"该不该调这个工具"的，所以要写得清楚。类型标注（city: str）会自动转成参数 Schema，FastMCP 帮你生成校验规则，传错类型直接报错。@mcp.resource() 暴露的是只读资源，适合放配置、文档这类 AI 需要查阅但不修改的信息。
服务器写好了，光它能跑还不算完，真正有意思的是写个客户端去连它。MCP 客户端同样几行代码就能搞定——它会自动拉起服务器、发现工具、调用工具，整个过程一气呵成：
import asynciofrom mcp import ClientSession, StdioServerParametersfrom mcp.client.stdio import stdio_clientasyncdefmain():# 1. 配置如何启动 MCP 服务器（就是上面写的 weather_server.py） server_params = StdioServerParameters( command="python", args=["weather_server.py"], )# 2. 启动服务器并建立会话asyncwith stdio_client(server_params) as (read, write):asyncwith ClientSession(read, write) as session:# 3. 初始化握手await session.initialize()# 4. 动态发现服务器提供了哪些工具 tools = await session.list_tools()print("可用工具:", [t.name for t in tools.tools])# 5. 调用天气查询工具 result = await session.call_tool("get_weather", {"city": "北京"})print("查询结果:", result.content[0].text)asyncio.run(main())运行这段代码，你会看到客户端自动拉起服务器、列出工具清单，再调用 get_weather 拿到结果。注意第 4 步——工具是运行时动态发现的，客户端代码里并没有写死"有 get_weather 这个工具"，它是连上服务器之后现问出来的。这正是前面对比表里 MCP 区别于 Function Call 的关键：动态发现、即插即用。
整个过程你不用手写任何连接协议，MCP 在背后把握手、发现、调用、传参全包了。
这就是 MCP 特别迷人的地方：服务端只管写业务逻辑，客户端只管调用，连接的事协议帮你搞定。
四、为什么现在就该关注 MCP？
技术圈有句话：MCP 正在走 REST API 十年前走过的路——从一个技术标准，快速变成 AI 连接世界的默认方式。
官方维护着一批参考服务器，社区开源的服务器已经上千个，覆盖数据库、GitHub、Slack、文件系统各种场景。VS Code、JetBrains 这些 IDE 也在加原生支持，企业开始把内部 MCP 服务器库当基础设施建。
说白了，以后给 AI 加能力，会像今天装 App 一样简单——找一个现成的 MCP 服务器，配置一下，即插即用。
对开发者来说，现在搞懂 MCP，就是提前拿到 AI 时代的"接口开发入场券"。
核心观点：MCP 不取代 Function Call，而是把"调用工具"这件事标准化、模块化、可复用——一次开发处处可用，就像 USB-C 统一了充电口，FastMCP 让你二十行代码就能跑起一个 AI 可调用的服务。
你们公司或项目里，有没有那种"每个 AI 应用都得重写一遍对接"的工具？欢迎评论区聊聊，看看 MCP 能不能帮你省掉这部分重复劳动。