MCP 协议与 AI 工具生态

什么是 MCP？

MCP（Model Context Protocol）是 Anthropic 在 2024 年底推出的一个开放标准协议，目标是让 AI 模型能够以统一的方式连接各种外部数据源和工具。

可以把 MCP 理解为 AI 世界的”USB 接口”——有了这个统一标准，任何工具只需实现一次 MCP 接口，就能被所有支持 MCP 的 AI 客户端（Claude、Cursor、Zed 等）直接使用，不需要为每个 AI 应用单独开发适配层。

MCP 架构

┌─────────────────────────────────────────┐
│              MCP 架构                    │
│                                         │
│  ┌──────────┐        ┌──────────────┐   │
│  │ AI 应用   │◄──────►│  MCP Server  │   │
│  │(Claude等) │  MCP   │  (工具提供方) │   │
│  └──────────┘  协议   └──────────────┘   │
│                           │              │
│                    ┌──────┴──────┐       │
│                    │ 外部资源    │       │
│                    │ 数据库/API  │       │
│                    │ 文件系统    │       │
│                    └────────────┘        │
└─────────────────────────────────────────┘

三个核心角色：

MCP Host：AI 应用程序（如 Claude Desktop、Cursor）
MCP Client：内嵌在 Host 中，负责与 Server 通信
MCP Server：工具/数据提供方，暴露资源和能力

MCP 提供的三类能力

1. Tools（工具）

AI 可以主动调用的函数，例如执行代码、发送请求：

# MCP Server 定义一个工具
@server.tool("run_python")
async def run_python(code: str) -> str:
    """执行 Python 代码并返回结果"""
    result = subprocess.run(
        ["python", "-c", code],
        capture_output=True, text=True
    )
    return result.stdout or result.stderr

2. Resources（资源）

AI 可以读取的数据，类似于”只读文件”：

# 暴露一个资源：当前项目的文件列表
@server.resource("file://project/structure")
async def get_project_structure() -> str:
    return json.dumps(get_all_files("./src"))

3. Prompts（提示词模板）

预定义的提示词，可以被 AI 应用调用：

@server.prompt("code_review")
async def code_review_prompt(code: str) -> str:
    return f"""请对以下代码进行专业的代码审查：
- 检查潜在的 bug
- 评估代码可读性
- 提出优化建议

代码内容：
{code}"""

搭建一个简单的 MCP Server

使用官方 Python SDK：

pip install mcp

from mcp.server import Server
from mcp.server.stdio import stdio_server
from mcp import types

server = Server("my-tools")

@server.list_tools()
async def list_tools():
    return [
        types.Tool(
            name="get_time",
            description="获取当前时间",
            inputSchema={
                "type": "object",
                "properties": {
                    "timezone": {
                        "type": "string",
                        "description": "时区，如 Asia/Shanghai"
                    }
                }
            }
        )
    ]

@server.call_tool()
async def call_tool(name: str, arguments: dict):
    if name == "get_time":
        from datetime import datetime
        import pytz
        tz = pytz.timezone(arguments.get("timezone", "Asia/Shanghai"))
        now = datetime.now(tz)
        return [types.TextContent(
            type="text",
            text=f"当前时间：{now.strftime('%Y-%m-%d %H:%M:%S %Z')}"
        )]

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

在 Claude Desktop 中配置：

编辑 ~/Library/Application Support/Claude/claude_desktop_config.json：

{
  "mcpServers": {
    "my-tools": {
      "command": "python",
      "args": ["/path/to/my_server.py"]
    }
  }
}

主流 MCP Server 生态

官方和社区已经提供了大量现成的 MCP Server：

MCP Server	功能
`filesystem`	读写本地文件
`github`	操作 GitHub 仓库、Issues、PR
`postgres`	查询 PostgreSQL 数据库
`brave-search`	调用 Brave 搜索引擎
`slack`	收发 Slack 消息
`puppeteer`	控制浏览器自动化
`memory`	持久化的 KV 记忆存储

MCP vs Function Calling

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

对比项	Function Calling	MCP
定义方式	每次请求内嵌工具定义	独立 Server，复用性强
适用范围	单个模型/API	跨模型、跨应用
工具发现	手动维护	动态发现
状态管理	无状态	支持有状态连接
生态	OpenAI 生态	开放标准，多方参与

MCP 更像是工具的平台化，一次接入，处处可用。

实际使用体验

目前在 Cursor 里配合 MCP 使用效果很好，配置了以下几个 Server：

filesystem — 让 AI 直接读写项目文件，不用反复粘贴代码
github — 直接查看 PR、Issue，省去来回切换窗口
memory — 跨对话保持上下文，记住项目的关键约定

整体感受是：MCP 让 AI 从”聊天工具”变成了真正能”干活”的助手。期待生态继续丰富，特别是企业内网数据源的接入方案。