个人理解：

• MCP：Model Context Protocol，模型上下文协议。-- 由Anthropic推出的开源协议，旨在实现大语言模型与外部数据源和工具的集成，用来在大模型和数据源之间建立安全双向的连接
• MCP 是一个开放标准框架，简化 LLM 与外部数据源和工具的集成 -- RAG?
• MCP就是让AI模型无缝与外部工具交互的标准化接口和框架，类似USB-C 为电子设备统一连接标准
• 通过相同的协议处理资源和工具，标准化了应用程序向 LLM 提供上下文的方式
• 大语言模型应用的标准化和去中心化
  去中心化：AI 的知识和能力去中心化，LLM(知识+训练+输出)  --> MCP(外部知识库以 resource和tool的形式注册)
• MCP对LLM的扩展：Resources（知识扩展）、Tools（执行函数，调用外部系统）、Prompts（预编写提示词模板）
• LLM通过Perception & Reasoning 层将全方面的人类物理环境信息解析成为 tokens，交结MCP完成任务
• AI application(Pormpt) <--> LLM <-M-N-> MCP [ HOST <-> MCP client <--> MCP Server <-N-N-> Resource / Tool ]
  MCP是LLM的增强？通过MCP调用resource/tool获得结果，LLM将MCP结果与Prompt结合后输出最终结果？
• MCP+LLM：带工具的LLM？
  ┌───────────────────────────────────────────────────────┐
  │                      **Host 环境**                      │
  │  ┌───────────────────────────────────────────────┐  │
  │  │             **Client 端**                      │  │
  │  │  ┌─────────────┐    ┌───────────────────────┐  │  │
  │  │  │  User Input │───▶│  Prompt Template       │  │  │
  │  │  └─────────────┘    └───────────────┬───────┘  │  │
  │  │                                      │          │  │
  │  │  ┌───────────────────────────────────▼────────┐  │  │
  │  │  │  **Prompt Engineering**                      │  │  │
  │  │  │  - 填充 Template 变量                         │  │  │
  │  │  │  - 添加 System/User Prompt                    │  │  │
  │  │  └───────────────────────────────────┬────────┘  │  │
  │  │                                      │            │  │
  │  └───────────────────────┬──────────────▼────────────┘  │
  │                          │          **LLM API Call**     │
  │  ┌───────────────────────▼───────────────────────┐      │
  │  │                  **Server 端**                  │      │
  │  │  ┌───────────────────────────────────────────┐  │      │
  │  │  │  **LLM 核心**                              │  │      │
  │  │  │  - 接收 Prompt                              │  │      │
  │  │  │  - 生成 Response                            │  │      │
  │  │  │  - 调用 Tools (通过 Tool Call API)          │  │      │
  │  │  └───────────────┬─────────────────┬─────────┘  │      │
  │  │                  │                 │              │      │
  │  │  ┌───────────────▼────────┐  ┌────▼─────────────┐  │      │
  │  │  │      **Tool 生态**       │  │  **External API**│  │      │
  │  │  │  - 数据库查询            │  │  - 天气服务      │  │      │
  │  │  │  - 计算器                │  │  - 支付接口      │  │      │
  │  │  └──────────────────────────┘  └─────────────────┘  │      │
  │  └───────────────────────────────────────────────┘      │
  └───────────────────────────────────────────────────────┘

MCP说明手册

MCP 核心宝典

参考：
- MCP：AI 的去中心化革命与以太坊的完美融合
- LLM中的MCP是什么，它的底层原理怎么理解？
- 关于 LLM 的 MCP 协议

MCP就像万能翻译，让AI模型通过统一接口无缝连接外部工具和数据，将复杂的M×N集成难题简化为M+N，彻底打破信息孤岛，实现智能协作。

第一部分：模型上下文协议（MCP）

什么是 MCP ？
就好像你只会说英语，想从只会说法语、德语等外语的人那里获取信息，你得学对应外语。

但要是有个能理解所有语言的翻译，问题就简单了，MCP就像这个翻译，让代理能通过单一接口与其他工具或能力交流。

实际上，大型语言模型（LLMs）虽知识丰富、推理能力强，能完成复杂任务，但知识局限在初始训练数据内。

若需实时信息，就得用外部工具，而MCP就是让AI模型无缝交互的标准化接口和框架，类似USB-C 为电子设备统一连接标准。

为何要创造 MCP ？
在MCP出现前，连接AI与外部数据和操作的方式要么是为每个工具硬编码逻辑，要么是管理不够稳健的提示链。

要么是用特定供应商的插件框架，导致出现 M×N 集成难题，例如，若有M个AI应用和N个工具 / 数据源，可能需要 M×N 个定制集成。

而MCP通过引入中间的标准接口解决此问题，将 M×N 直接集成变为 M+N 个实现。

即每个 AI 应用实现一次 MCP 客户端，每个工具实现一次 MCP 服务器，简化了连接。

MCP 架构概览

宿主（Host）：是面向用户的 AI 应用，如聊天应用、AI 增强型 IDE 等。它发起与 MCP 服务器的连接，捕获用户输入，保留对话历史并显示模型回复。

X客户端（Client）：在宿主内，负责处理底层事务，像适配器或信使，负责按 MCP 协议执行宿主指令。

服务器（Server）：是提供功能（工具等）的外部程序或服务，可本地或远程运行，关键是以标准格式告知能做什么，执行客户端请求并返回结果。

MCP 基于客户端 - 服务器架构，主要有三个角色：

• 工具（Tools）：是AI可调用的可执行动作或函数，通常由 AI 模型选择触发，常涉及文件 I/O 或网络调用等副作用或需额外计算的操作。

例如：一个获取天气信息的简单工具，AI 可通过调用该工具。

传入地点参数，服务器执行后返回结果，客户端获取并供 AI 使用。

• 资源（Resources）：为 AI 提供只读数据，类似数据库或知识库，AI 可查询获取信息，但不能修改。

与工具不同，资源通常在宿主控制下访问，避免模型随意读取。示例：从本地文件、知识库片段、数据库查询结果（只读）等获取内容。

• 提示（Prompts）：是预定义的提示模板或对话流程，可注入以引导 AI 行为。

  

  例如，代码审查的提示模板，服务器提供后，宿主可调用并插入用户代码，供模型生成回复前使用。

上面这三者构成了MCP框架的核心能力。

第二部分：MCP 实操项目案例讲解

100%完全本地MCP客户端

MCP 客户端就是AI应用（例如 Cursor）中的一个组件，用于与外部工具建立连接。下面我们讲解如何完全在本地构建一个MCP项目。

构建本地MCP客户端，技术栈涉及LlamaIndex构建MCP驱动的代理、Ollama本地部署Deepseek-R1、LightningAI 用于开发和托管。
工作流程包括，用户提交查询、代理连接 MCP 服务器发现工具、调用工具获取上下文并返回响应。

案例1：SQLite MCP服务器
下面我们看看如何实现SQLite MCP服务器、设置 LLM、定义系统提示、定义代理、定义代理交互、初始化 MCP 客户端和代理以及运行代理等步骤。
步骤1：构建SQLite MCP服务器：在本次演示中，我们搭建了一个简单的SQLite 服务器，用到下面两个工具：
● 添加数据
● 获取数据

步骤2：设置大型语言模型（LLM）   我们将通过 Ollama 本地部署 Deepseek-R1，将其用作 MCP 驱动代理的 LLM。

步骤3：定义系统提示  我们为代理设置了指导性指令，使其在回应用户查询前能够使用工具。 可根据实际需求灵活调整此设置。

步骤4：定义代理  我们定义了一个函数，用于构建一个典型的 LlamaIndex 代理，并为其提供合适的参数。

传递给代理的工具是 MCP 工具，这些工具会被 LlamaIndex 封装为原生工具，从而能够被我们的函数代理轻松使用。

步骤5：定义代理交互 我们将用户消息传递给函数代理，并附带一个共享的上下文以实现记忆功能，同时流式处理工具调用并返回其回复。

在这里，我们管理所有的聊天历史记录和工具调用。

步骤6：初始化 MCP 客户端和代理

启动 MCP 客户端，加载其工具，并将它们封装为 LlamaIndex 中函数调用代理可用的原生工具。然后，将这些工具传递给代理，并添加上下文管理器。

步骤7：运行代理：最后，我们开始与代理进行交互，并获取SQLite MCP服务器中的工具。

以上就是我们完全本地化SQLite MCP演示部分，大家感兴趣可以自行尝试！

MCP 驱动的代理式 RAG

案例2：MCP 驱动的代理式 RAG，实现够搜索向量数据库
下面我们讲解如何创建一个MCP 驱动的代理式 RAG，实现够搜索向量数据库，并在需要时回退到网络搜索！

技术栈：
使用 Bright Data 进行大规模网页抓取。
采用 Qdrant 作为向量数据库。
选择 Cursor 作为 MCP 客户端。

流程：
用户通过 MCP 客户端（Cursor）输入查询。
客户端联系 MCP 服务器以选择相关工具。
工具输出返回给客户端以生成响应。

步骤1：启动 MCP 服务器  首先，我们需要定义一个 MCP 服务器，指定其主机 URL 和端口。

步骤2：向量数据库MCP工具   通过 MCP 服务器暴露的工具需满足两项要求：
● 必须使用 “tool” 装饰器进行装饰。
● 必须具备清晰的文档字符串。
下面，我们展示了一个用于查询向量数据库的 MCP 工具示例，该数据库存储了与机器学习相关的常见问题。

步骤3：网络搜索MCP工具  当查询与机器学习无关时，我们使用 Bright Data 的 SERP API 进行网络搜索，以从多个来源抓取数据并获取相关上下文。

以下是实现网络搜索 MCP 工具的示例代码（仅供参考）：

​​​​​​​from fastmcp import FastMcPimport requestsimport asyncio
# 创建 MCP 服务器mcp = FastMcP("web-search-demo")
# 定义网络搜索工具@mcp.tool()def bright_data_web_search_tool(query: str) -> list[str]: """ 使用 Bright Data 的 SERP API 搜索了一些信息。
输入： query (str)：要搜索的信息。
输出： context (list[str])：最相关的网络搜索结果列表。 """ # 获取环境变量中的 Bright Data 凭证 username = os.getenv("BRIGHT_DATA_USERNAME") password = os.getenv("BRIGHT_DATA_PASSWORD")
# 设置代理 URL proxy_url = f'http://{username}:{password}@brd.superproxy.io:33335'
# 格式化查询 formatted_query = "+".join(query.split()) url = f"https://www.google.com/search?q={formatted_query}&brd_json=1&num=50"
# 发送请求 response = requests.get(url, verify=False, proxies={"http": proxy_url, "https": proxy_url})
# 返回结果 return response.json()['organic']

步骤4：将MCP服务器与 Cursor 集成   转到设置 → MCP → 添加新的全局 MCP 服务器。在 JSON 文件中添加以下内容：

步骤5：完成啦！你的本地MCP服务器已成功上线，并与 Cursor 完成了连接。

目前，该服务器提供了以下两个 MCP 工具：
● Bright Data 网络搜索工具，可用于大规模抓取数据。
● 向量数据库搜索工具，可用于查询相关文档。

接下来，我们就可以与 MCP 服务器进行交互。
● 当我们提出与机器学习（ML）相关的问题时，它会调用向量数据库工具。
● 但当我们提出一个泛化问题时，它会调用 Bright Data 网络搜索工具，从各个来源大规模地收集网络数据，这就体现了代理的主动性！