深入浅出 MCP 协议：构建 AI Agent 的工具调用体系

引言：为什么需要 MCP？

当我们构建 AI Agent 时，一个核心问题是：大语言模型如何与外部世界安全、标准地交互？

过去，每个 AI 应用都需要自行实现工具调用逻辑 —— 网页搜索、数据库查询、文件操作、API 集成……这些功能在不同框架中重复造轮子，且互不兼容。Anthropic 提出的 Model Context Protocol (MCP) 正是为了解决这个问题：它定义了一套开放标准，让 LLM 能够以统一的方式连接各种数据源和工具。

本文将从协议设计、架构原理到实战部署，带你全面理解 MCP。

一、MCP 协议核心设计理念

1.1 客户端-服务器架构

MCP 采用经典的 Host - Client - Server 三层架构：

• Host：宿主应用，如 IDE、AI 助手桌面端，负责协调 LLM 与多个 MCP Server 的连接
• Client：客户端，在 Host 内部维护与 Server 的通信会话
• Server：服务提供者，暴露特定的工具（Tools）、资源（Resources）和提示（Prompts）

1.2 JSON-RPC 2.0 通信协议

MCP 底层基于 JSON-RPC 2.0 协议，支持两种传输方式：

• stdio：标准输入输出，适合本地进程间通信
• SSE (Server-Sent Events)：基于 HTTP 的服务器推送，适合远程服务部署

1.3 三大核心原语

MCP 定义了三种核心能力，Agent 通过它们与外部系统交互：

原语	说明	典型示例
Tools（工具）	LLM 可调用的函数	搜索网页、执行SQL、发送邮件
Resources（资源）	可读取的数据源	文件内容、数据库记录、API响应
Prompts（提示）	预定义的提示模板	代码审查、数据摘要模板

二、MCP 与 Function Calling 的关系

很多人会问：MCP 和 OpenAI 的 Function Calling 有什么区别？

简单来说，Function Calling 是 LLM 输出结构化意图的能力，而 MCP 是 意图到执行之间缺失的那一层标准化协议。Function Calling 告诉你"该调用什么"，MCP 规定了"怎么找到并调用它"。

打个比方：Function Calling 像是知道"我要打车"，MCP 则是网约车平台的统一调度系统 —— 它让不同的"车辆"（工具/服务）以标准化的方式接入。

三、实战：用 Python 构建一个 MCP Server

下面我们动手创建一个简单的天气查询 MCP Server，完整演示开发流程。

3.1 环境准备

pip install mcp httpx

3.2 服务端实现

import httpx
from mcp.server import Server
from mcp.server.stdio import stdio_server
from mcp.types import Tool, TextContent

app = Server("weather-mcp")

@app.list_tools()
async def list_tools():
    return [
        Tool(
            name="get_weather",
            description="获取指定城市的实时天气",
            inputSchema={
                "type": "object",
                "properties": {
                    "city": {"type": "string", "description": "城市名称"}
                },
                "required": ["city"]
            }
        )
    ]

@app.call_tool()
async def call_tool(name: str, arguments: dict):
    if name == "get_weather":
        city = arguments["city"]
        async with httpx.AsyncClient() as client:
            # 调用第三方天气API
            resp = await client.get(
                f"https://wttr.in/{city}?format=j1"
            )
            data = resp.json()
            current = data["current_condition"][0]
            result = f"{city} 当前天气：{current['weatherDesc'][0]['value']}，温度 {current['temp_°C']}°C，湿度 {current['humidity']}%"
            return [TextContent(type="text", text=result)]

async def main():
    async with stdio_server() as (read_stream, write_stream):
        await app.run(read_stream, write_stream, app.create_initialization_options())

if __name__ == "__main__":
    import asyncio
    asyncio.run(main())

3.3 客户端调用

from mcp.client.streamable_http import streamablehttp_client
from mcp import ClientSession

async def query_weather():
    async with streamablehttp_client("http://localhost:8000/mcp") as (read, write, _):
        async with ClientSession(read, write) as session:
            await session.initialize()
            
            # 列出可用工具
            tools = await session.list_tools()
            print("可用工具:", [t.name for t in tools.tools])
            
            # 调用工具
            result = await session.call_tool("get_weather", {"city": "北京"})
            print("结果:", result.content[0].text)

四、MCP 的安全考量

MCP 在设计时就高度关注安全性，核心原则包括：

4.1 用户知情同意

任何 Tool 调用都必须经过用户的明确确认，Server 不能擅自执行高风险操作。

4.2 最小权限原则

Server 只暴露必要的能力范围，客户端可以限制资源访问的边界。

4.3 数据隔离

MCP 不要求 LLM 直接访问原始数据，Server 可以在代理层做脱敏和过滤。

4.4 传输安全

生产环境中推荐使用 TLS 加密传输，本地开发可使用 stdio 避免网络暴露。

五、生产环境最佳实践

5.1 Server 设计原则

• 单一职责：每个 Server 聚焦一类功能（数据库、搜索、通知等）
• 幂等设计：工具调用应可重复执行而不产生副作用
• 超时控制：设置合理的超时时间，避免长时间阻塞
• 错误友好：返回结构化错误信息，让 LLM 能理解和恢复

5.2 性能优化

• 使用连接池复用外部 API 连接
• 对高频查询结果做缓存
• 合理设置 Tool 列表大小，超过 20 个工具时考虑分组加载

5.3 监控与可观测性

• 记录每次 Tool 调用的耗时、成功率和 token 消耗
• 设置异常告警（频繁超时、权限错误等）
• 追踪用户行为模式，优化工具设计

六、MCP 生态现状与未来

截至 2025 年下半年，MCP 生态已初具规模：

• 官方 SDK：Python、TypeScript、Java、Rust、Go 等多语言实现
• 主流框架支持：Claude Desktop、Cursor、Windsurf、Cline 等 IDE 已原生集成
• 开源 Server 仓库：GitHub 上已有 PostgreSQL、Slack、GitHub、Google Drive 等数十种官方和社区的 Server 实现
• 云服务商：AWS、Google Cloud 均在探索 MCP 的云端托管方案

MCP 正在成为 AI Agent 工具调用的事实标准。随着更多厂商的加入和协议的演进，我们有理由相信，未来的 AI 应用开发将呈现出"写一次 Tool，到处可接入"的理想图景。

七、总结

MCP 协议填补了 LLM 应用生态中工具调用标准化的空白：

• 它用 JSON-RPC 2.0 定义了统一的通信格式
• 通过 Host-Client-Server 架构实现了安全的解耦设计
• 三大原语（Tools、Resources、Prompts）覆盖了 Agent 与外部世界交互的核心需求
• 开源生态正在快速壮大，主流 IDE 和框架已广泛支持

对于 AI 应用开发者而言，理解并拥抱 MCP 将是构建下一代 Agent 应用的必备技能。