1. 定义

🔌 MCP（模型上下文协议）深度解析

MCP（Model Context Protocol）是由 Anthropic 于 2024 年 11 月推出的开放标准协议，旨在为大型语言模型（LLM）与外部工具/数据源提供统一的交互框架，被类比为“AI 领域的 USB-C 接口”。

🔧 一、核心设计目标

1. 解决数据孤岛与协议碎片化

   • 传统痛点：LLM 需为每个数据源（数据库、API、文件系统）单独开发适配层，导致集成成本高、维护复杂。
   • MCP 方案：通过标准化协议统一交互接口，实现“即插即用”的资源调用，减少重复开发。

2. 支持动态双向交互

   • 区别于传统 API 的单次请求响应，MCP 支持持久化双向通信（类似 WebSockets），允许 AI 主动触发工具调用并实时获取数据流。

---

⚙️ 二、技术架构与核心组件

MCP 采用客户端-服务器架构，包含三层角色：

1. MCP 主机（Host）

   • 运行 AI 应用的执行环境（如 Claude Desktop、VS Code），负责收集用户上下文（如代码结构、光标位置）并管理交互状态。

2. MCP 客户端（Client）

   • 作为 Host 与 Server 的“翻译官”，将自然语言指令转化为标准化请求，并处理能力交换（Capability Exchange）。

3. MCP 服务器（Server）

   • 轻量级程序，通过三类接口暴露功能：
     • 工具（Tools）：封装可执行函数（如发送邮件、执行 SQL 查询）。
     • 资源（Resources）：提供结构化数据访问（如数据库记录、本地文件）。
     • 提示模板（Prompts）：预定义工作流模板（如代码生成模板），确保输出一致性。

✅ 动态能力交换机制：客户端启动时自动获取服务器能力描述，新增功能无需修改客户端代码（如天气服务新增温度单位参数）。

---

🔄 三、工作流程（以查询数据库为例）

1. 发现与握手：主机启动时连接 MCP 服务器，验证身份并交换能力列表。
2. 任务解析：用户输入“查询上周销售数据”，LLM 判断需调用数据库工具。
3. 执行与返回：
   • 客户端将指令转为 SQL 请求 → 服务器执行查询 → 返回格式化结果 → LLM 生成图表并邮件发送。
4. 上下文保持：支持跨步骤任务（如“先查数据再生成报告”），避免传统 RAG 的单次检索局限。

2. 上手

2.1 使用别人的 MCP 工具

1. 创建百度地图 mcp 调用应用

2. 接入客户端，这里选择 cherry-studio

3. 开始使用，需要注意的是，cherry-studio 强制需要具备 fuction-call 的 model 才能调用 mcp 功能

2.2 如何开发自己的 MCP server

2.2.1 使用 sdk 开发

modelcontextprotocol

首先要下载 sdk

2.2.2 编写案例 [https://github.com/modelcontextprotocol/python-sdk](https://github.com/modelcontextprotocol/python-sdk)

2.2.2.1 标准化流程 6️⃣

1. 创建 uv 项目，建议通过 uv 来做

# 创建项目
uv init xxx

2. 修改.toml 源

# 换源
[tool.uv]
index-url = "https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple"

3. Then add MCP to your project dependencies:

uv add "mcp[cli]"

4. 编写主代码逻辑-- demo

"""
FastMCP quickstart example.

cd to the `examples/snippets/clients` directory and run:
    uv run server fastmcp_quickstart stdio
"""

from mcp.server.fastmcp import FastMCP

# Create an MCP server
mcp = FastMCP("Demo")


# Add an addition tool
@mcp.tool()
def add(a: int, b: int) -> int:
    """Add two numbers"""
    return a + b


# Add a dynamic greeting resource
@mcp.resource("greeting://{name}")
def get_greeting(name: str) -> str:
    """Get a personalized greeting"""
    return f"Hello, {name}!"


# Add a prompt
@mcp.prompt()
def greet_user(name: str, style: str = "friendly") -> str:
    """Generate a greeting prompt"""
    styles = {
        "friendly": "Please write a warm, friendly greeting",
        "formal": "Please write a formal, professional greeting",
        "casual": "Please write a casual, relaxed greeting",
    }

    return f"{styles.get(style, styles['friendly'])} for someone named {name}."

if __name__ == "__main__":
    mcp.run(transport='stdio')

2.2.3 运行测试 [studio 协议 ]

2.2.3.1 使用代码运行：

```python uv run xxx.py ```

2.2.3.2 链接到 cherry-studio 客户端

--directory
/Volumes/momo/Code/MCP-learning # 路径文件夹
run # 执行command
main.py # 执行逻辑主文件

2.2.3.3 移动到 vscode 等

通过 cherry-studio 来导出本地 mcp 服务的 json 文件

---

2.2.4 SSE 协议

开发端口远程调用，

if __name__ == "__main__":
    # mcp.run(transport='stdio')
    # 切换为sse模式
    mcp.run(transport='sse')

复制监听地址传入到 cherry-studio 中

2.2.5 发布本地服务到公网

2.2.5.1 方法一：上传 python 代码，打包后传到 pypi 上

1. 创建文件包环境

2. 添加 mcp 依赖

3. 替换逻辑到 init.py

协议选择 stdio

4. 打包

uv build

5. 注册 pypi 获取 apitonken
   
   
6. 推送

uv publish --token xxxxxxxxxxxxxxxxxx

7. 使用客户端链接 pypi 上的 mcp 服务包（uvx）

记得是 uvx

就可以使用发布到 pypi 上的托管 mcp 了，同时还可以按照之前的操作导出来 json 文件，给你的朋友们使用。

2.2.5.2 方法二：将服务部署到远程服务器开启公网访问服务

找到一台 linux 服务器，安装 uv 环境，使用 FTP 移动代码包到远程 linux 上，将主代码逻辑协议 stdio 改为 sse

# 配置虚拟环境
uv venv
# 安装依赖
uv pip install . 
# 启动主逻辑文件
uv run main.py

一旦启动成功，就可以使用客户端来链接，配置如下

2.2.6 注意点

在编写mcp代码主要逻辑时 类型修饰符一定要写 函数注释一定要写