blog.dopana

返回

在 AI Agent(智能体)与辅助编程工具蓬勃发展的今天,软件工程界面临着一个长期存在的架构挑战:如何让大语言模型(LLM)安全、可控地连接内部知识库、本地文件系统及各种企业 API,而无需针对每个模型重复编写专属插件?

Anthropic 推出的开放协议 Model Context Protocol (MCP) 正是解决这一痛点的关键架构——它通过标准化的通用接口,重新定义了 AI 应用与外部数据工具的交互方式。

为什么需要 MCP?#

在 MCP 诞生之前,AI 生态深陷 M×NM \times N 的集成困境:

  • 存在 MM 个 AI 客户端(如 Claude Desktop、Cursor、VS Code、终端 Agent 等)
  • 存在 NN 个数据源与外部工具(如 PostgreSQL、GitHub、Slack、本地文件系统、Jira 等)
  • 开发者必须维护 M×NM \times N 个各自独立的定制化对接插件。

每当新的大模型问世或外部 API 变更结构,所有插件往往都需要推倒重构。

[!NOTE] MCP 从根本上解决了这一问题:它将复杂的 M×NM \times N 关系简化为 M+NM + N。MCP 就如同 AI 领域的 USB-C 接口标准。只要 AI 客户端支持 MCP,即可即插即用地连接任何符合协议的 MCP Server。

深入浅出理解 MCP 概念(ELI5)#

不妨把大语言模型想象为一位身居密室、学识渊博却无法直接接触外界的“学者”:

  1. Host 与 Client(传达室秘书):类似 Claude Desktop 或 IDE,负责在学者身旁转达外部指令与需求。
  2. MCP Server(连通外部的专用抽屉):每个 MCP 挂载服务都是通向真实世界的一个抽屉。一个抽屉装着本地文档,一个抽屉连着计算器,另一个抽屉连接 GitHub 代码仓库。
  3. JSON-RPC(统一格式的申请单):学者想要获取数据或执行指令时,就会填写一张标准协议申请单,外部抽屉处理后按约定格式返回精准结果。
MCP EcosystemHost Application (IDE / Claude Desktop)stdio / SSE JSON-RPCstdio / SSE JSON-RPCstdio / SSE JSON-RPCMCP ClientGitHub MCP ServerDatabase MCP ServerFileSystem MCP Server

MCP 的三大核心原语(Primitives)#

MCP 协议规范定义了服务端能够向客户端暴露的三种核心基础能力:

1. Tools(模型自主调用的操作)#

由大语言模型主动决策并调用的可执行函数(如查询数据库、执行 Shell 命令、发送通知)。模型根据服务提供的 JSON Schema 动态决定调用时机与传参内容。

2. Resources(应用控制的只读资源)#

具有标准 URI 标识的只读上下文数据(如 file:///var/logs/app.log 或 postgres://users/schema)。用户或宿主客户端可将其直接附带到对话上下文中,为模型提供确切的业务依据。

3. Prompts(用户控制的交互模板)#

预设的带参提示词模板,用于帮助用户快速发起高频工作流(例如“代码安全审查”或“故障日志根因分析”)。

123456789提出分析项目代码库的需求tools/list (获取可用工具列表)返回工具清单及 JSON Schema递交用户指令及可用工具清单发起工具调用: get_project_stats()tools/call { name: "get_project_stats" }执行并返回计算结果将工具输出追加到对话上下文输出完整严谨的分析报告用户MCP ClientMCP ServerAI 模型用户MCP ClientMCP ServerAI 模型

传输协议(Transports)#

MCP 目前主要支持两种基础通信方式:

  • stdio(标准输入/输出):专为本地进程间通信打造。客户端将 Server 作为子进程启动,通过 stdin 发送请求并监听 stdout 获取响应。其特点是零网络延迟、天然安全隔离,极为适合桌面客户端与本地开发者工具。
  • SSE(Server-Sent Events)基于 HTTP:专为远程云端部署场景设计。客户端通过 HTTP POST 提交请求,并通过持久化的 SSE 连接接收服务端流式响应。

动手构建一个完整的 TypeScript MCP Server#

以下示例使用官方 SDK @modelcontextprotocol/sdk 创建了一个立即可运行的 MCP Server。该服务注册了:

  • 一个读取项目配置的资源 (config://app-info)
  • 一个统计工作区文件的工具 (analyze_workspace)

1. 初始化项目#

mkdir my-custom-mcp-server
cd my-custom-mcp-server
bun init -y
bun add @modelcontextprotocol/sdk zod
bash

2. 编写服务端代码#

新建 src/index.ts:

[!TIP] 使用 Stdio 传输时的关键避坑准则:切勿将自定义调试日志输出至 stdout (console.log)。在 stdio 模式下,stdout 专门用于交换协议 JSON-RPC 数据包;若输出任何非规范文本,客户端解析器将直接抛出 JSON 解析异常。所有日志必须输出到 stderr (console.error)。

3. 配置连接至 Claude Desktop#

在客户端配置文件 claude_desktop_config.json 中添加如下项:

claude_desktop_config.json
{
  "mcpServers": {
    "project-analytics": {
      "command": "bun",
      "args": ["run", "/absolute/path/to/my-custom-mcp-server/src/index.ts"]
    }
  }
}
json

保存并重启客户端,界面即会出现全新的工具标识,模型将能在对话中根据场景自主调用 analyze_workspace。

总结#

Model Context Protocol (MCP) 代表了 AI 基础设施标准化的重要演进。通过将核心模型能力与领域数据工具彻底解耦,开发者可以以最小的成本,构建跨平台、可复用且具备高安全性的企业级 AI 工具链。

参考资料#