目录

一、问题原点

二、MCP基础知识

2.1 Function Call

2.2 MCP

2.3 MCP VS Function Call

三、MCP基本概念

3.1 MCP Host

3.2 MCP Server

3.3 通信协议

STDIO的两种启动方式

npm与npx

uv与uvx

npx和nvx的对比

3.4 MCP 的核心流程

四、使用 MCP 分析大规模表格

4.1 VsCode + Cline

4.2 在 Cline 中配置 table-reader(server)

​编辑

4.3 在cline上使用这个mcp

4.4 MCP的局限性

五、参考资料

一、问题原点

当分析大规模表格时，会遇到两个问题：

（1）如果一次性读取表格，则如果表格内容太多，非常容易超过基座大模型的上下文窗口限制，导致推理报错；

（2）如果用RAG进行内容截取，则不能了解数据的全貌，如问这个表格一共多少行数据，则无法得知。

因此，这里采用MCP的方式，可动态分析大规模表格数据。

二、MCP基础知识

MCP的本质是调用工具，那么调用工具的两种方式有：（1）Function Call （2）MCP

2.1 Function Call

Function Call 是 OPEN AI 在 2023 年推出的一个非常重要的概念：

截图自:https://openai.com/index/function-calling-and-other-api-updates/

Function Call（函数调用） 本质上就是提供了大模型与外部系统交互的能力，类似于给大模型安装一个 “外挂工具箱”。当大模型遇到自己无法直接回答的问题时，它会主动调用预设的函数（如查询天气、计算数据、访问数据库等），获取实时或精准信息后再生成回答。

缺点：

（1）开发者想实现 Function Call 的成本是比较高的，首先得需要模型本身能够稳定支持 Function Call 的调用，比如我们在 Coze 中选择某些模型时提示，选择的模型不支持插件的调用，其实就是不支持 Function Call 的调用。

（2）OPEN AI 最开始提出这项技术的时候，并没有想让它成为一项标准，所以虽然后续很多模型也支持了 Function Call 的调用，但是各自实现的方式都不太一样。如果我们要发开一个 Function Call 工具，需要对不同的模型进行适配，比如参数格式、触发逻辑、返回结构等等，这个成本是非常高的。

这也大大提高了 AI Agent 的开发门槛，所以在以前我们大部分情况下只能通过 Dify、Coze 这些平台来构建 Agent。

核心特点

  • 模型专属：不同模型（GPT/Claude/DeepSeek）的调用规则不同

  • 即时触发：模型解析用户意图后直接调用工具

  • 简单直接：适合单一功能调用（如"查北京温度"→调用天气API）

痛点

  • 协议碎片化：需为每个模型单独开发适配层

  • 功能扩展难：新增工具需重新训练模型或调整接口

类比

  • 不同品牌手机的充电接口（Lightning/USB-C），设备间无法通用

2.2 MCP

MCP（Model Context Protocol，模型上下文协议）是一种由 Anthropic 公司（也就是开发 Claude 模型的公司）推出的一个开放标准协议，目的就是为了解决 AI 模型与外部数据源、工具交互的难题。

Function Call的问题：每次要让模型连接新的数据源或使用新工具，开发者都得专门编写大量代码来进行对接，既麻烦又容易出错。

MCP的解决思路：MCP像是一个 “通用插头” 或者 “USB 接口”，制定了统一的规范，不管是连接数据库、第三方 API，还是本地文件等各种外部资源，都可以通过这个 “通用接口” 来完成，让 AI 模型与外部工具或数据源之间的交互更加标准化、可复用。

开发者按照 MCP 协议进行开发，无需为每个模型与不同资源的对接重复编写适配代码，可以大大节省开发工作量，另外已经开发出的 MCP Server，因为协议是通用的，能够直接开放出来给大家使用，这也大幅减少了开发者的重复劳动。

比如，你如果想开发一个同样逻辑的插件，你不需要在 Coze 写一遍，再去 Dify 写一遍，如果它们都支持了 MCP，那就可以直接使用同一个插件逻辑。

核心特点

  • 协议标准化：统一工具调用格式（请求/响应/错误处理）

  • 生态兼容性：一次开发即可对接所有兼容MCP的模型

  • 动态扩展：新增工具无需修改模型代码，即插即用

核心价值，解决三大问题

  • 数据孤岛 → 打通本地/云端数据源

  • 重复开发 → 工具开发者只需适配MCP协议

  • 生态割裂 → 形成统一工具市场

类比

  • USB-C 接口：手机/电脑/外设通过统一标准互联

2.3 MCP VS Function Call

对比维度

Function Calling

MCP (Model Control Protocol)

协议标准

私有协议（各模型自定规则）

开放协议（JSON-RPC 2.0）

工具发现

动态获取（initialize请求）

静态预定义

调用方式

同进程函数或API

stdio/sse/steamableHttp

扩展成本

高（每新增工具需调整模型）

低（工具热插拔，模型无需改动）

适用场景

简单任务（单次函数调用）

复杂流程（多工具协同+数据交互）

工程复杂度

低（快速接入单个工具）

高（需部署MCP服务器+客户端）

生态协作

工具与模型强绑定

工具开发者与 Agent 开发者解耦

三、MCP基本概念

从上面 MCP 的架构图中我们可以看到，想要使用 MCP 技术，首先就是得找到一个支持 MCP 协议的客户端，然后就是找到符合我们需求到 MCP 服务器，然后在 MCP 客户端里调用这些服务。

3.1 MCP Host

在 MCP 官方文档中，我们看到已经支持了 MCP 协议的一些客户端/工具列表：

从表格里，我们可以看到，MCP 对支持的客户端划分了五大能力，这里我们先简单了解即可：

  • Tools：服务器暴露可执行功能，供 LLM 调用以与外部系统交互。

  • Resources：服务器暴露数据和内容，供客户端读取并作为 LLM 上下文。

  • Prompts：服务器定义可复用的提示模板，引导 LLM 交互。

  • Sampling：让服务器借助客户端向 LLM 发起完成请求，实现复杂的智能行为。

  • Roots：客户端给服务器指定的一些地址，用来告诉服务器该关注哪些资源和去哪里找这些资源。

目前最常用，并且被支持最广泛的就是 Tools 工具调用。

对于上面这些已经支持 MCP 的工具，其实整体划分一下就是这么几类：

  • AI 聊天工具：如 5ire、LibreChat、Cherry Studio

  • AI 编码工具：如 Cursor、Windsurf、Cline

  • AI 开发框架：如 Genkit、GenAIScript、BeeAI

3.2 MCP Server

MCP Server 的官方描述：一个轻量级程序，每个程序都通过标准化模型上下文协议公开特定功能。

简单理解，就是通过标准化协议与客户端交互，能够让模型调用特定的数据源或工具功能。常见的 MCP Server 有：

  • 文件和数据访问类：让大模型能够操作、访问本地文件或数据库，如 File System MCP Server；

  • Web 自动化类：让大模型能够操作浏览器，如 Pupteer MCP Server；

  • 三方工具集成类：让大模型能够调用三方平台暴露的 API，如 高德地图 MCP Server；

下面是一些可以查找 MCP Server 的途径：

  1. 官方示例：https://github.com/modelcontextprotocol/servers

  2. 三方MCP聚合：https://mcp.so/

  3. 魔塔MCP广场：https://modelscope.cn/mcp?name=ocr&page=1

  4. 百度MCP广场（带深度思考搜索）：https://www.mcpworld.com/

3.3 通信协议

我们使用 Cherry Studio 中的 MCP 服务配置来举例，最前面的名称和描述比较好理解，都是用于展示的。

MCP 协议中的 STDIO/SSE/HTTP 其实就是是两种不同的（MCP Server 与 MCP Client）通信模式：

  • STDIO（标准输入输出）：像「面对面对话」：客户端和服务器通过本地进程的标准输入和标准输出直接通信。例如：本地开发时，你的代码脚本通过命令行启动，直接与 MCP 服务器交换数据，无需网络连接。

  • SSE（服务器推送事件）：像「电话热线」：客户端通过 HTTP 协议连接到远程服务器，服务器可以主动推送数据（如实时消息）。例如：AI 助手通过网页请求调用远程天气 API，服务器持续推送最新的天气信息。

  • streamableHttp（服务器推送事件）：像「边说边回短信」：客户端发一次 HTTP 请求，服务器不是最后一次性返回结果，而是把结果分成多段 “一段段吐回来”。例如：AI 助手调用一个大模型生成 3000 字文档，不是等全都生成完再一次性返回，而是先把前几句先流回来，边生成边返回，就像 ChatGPT 的 token 流一样。

STDIO的两种启动方式

分为 npx 启动 和 nv 启动，分别对应不同的mcp服务编码，npx基于node.js，uv则是python的生态系统。

npm与npx

npm：npm 是 Node.js 的包管理工具，主要用来 安装、管理和发布包。

主要功能：

  • 安装依赖：

npm install package-name

(1) 如果不加 -g，会安装到当前项目的 node_modules 下。

(2) 如果加 -g，会全局安装。

  • 管理依赖：

    • package.json 会记录依赖版本。

  • 发布包：
    • 可以用 npm publish 发布到 npm 仓库。

  • 特点：

    • 需要先安装包，然后才能执行。

    • 安装的包会占用磁盘空间（本地或全局）。

npx：npx 是 npm 5.2+ 内置的一个 命令执行工具，主要用来 直接运行包里的可执行命令，不一定需要先全局安装。

主要功能：

  • 直接执行本地或远程包：

npx create-react-app my-app

        会临时下载（如果本地没有），执行一次后就不用保留。

  • 可以运行当前项目 node_modules/.bin 下的包：​​​​​​​

npx eslint .

        不需要在 package.json scripts 中定义，也不需要全局安装 eslint。

  • 支持指定版本：

npx package@version

  • 特点：

    • 不需要全局安装即可运行。

    • 执行一次就可以，不占用长期磁盘空间。

    • 适合临时使用或者试用新版本工具。

总结对比

特性 npm npx
主要用途 安装、管理、发布包 运行包里的可执行命令
是否需要安装包 必须安装 可临时执行，无需安装
全局执行 需要 -g 可直接执行
使用场景 项目依赖管理 快速执行脚手架或工具命令

💡 一句话理解：

  • npm = 安装和管理包

  • npx = 直接运行包（一次性或临时）

uv与uvx

先明确一点：这里的 uv 工具类似于 conda 或 venv，主要用来管理 隔离环境 和 项目运行，但它有自己的一套命令体系。

uv 启动

  • 作用：在当前 uv 环境下直接运行一个项目或脚本。

  • 特点：

    • 使用的是 当前激活的 uv 环境。

    • 没有额外的环境隔离。

    • 类似于在 conda 环境中直接执行 python main.py。

  • 适用场景：

    • 你已经在某个 uv 环境中，想快速启动项目。

    • 不需要为每次启动创建新的隔离环境。

uvx 启动

  • 作用：为每次启动创建 独立的隔离运行环境。

  • 特点：

    • 会 自动隔离依赖，防止污染全局或其他 uv 环境。

    • 类似 docker run -v .:/app python:3.11 这种临时环境启动。

    • 可以保证不同项目或不同版本的依赖不会冲突。

  • 适用场景：

    • 多项目并行，需要环境完全隔离。

    • 测试不同依赖版本。

    • 临时运行脚本，不想污染原环境。

总结对比

特性 ux uvx
是否隔离环境 否 是
启动速度 快 相对慢（要创建隔离环境）
依赖冲突风险 高 低
适用场景 单一项目、快速启动 多项目并行、测试不同版本

💡 一句话理解：

  • ux = 当前环境直接运行

  • uvx = 临时隔离环境运行

npx和nvx的对比

3.4 MCP 的核心流程

  1. 初始化与工具列表获取 用户首先对MCP客户端进行初始化操作，随后MCP客户端向MCP服务器发送请求以获取可用的工具列表，MCP服务器将工具列表返回给客户端。

  2. 用户输入与提示词构建 用户在客户端完成初始化后，向MCP客户端输入具体请求。客户端将此前获取的工具列表与用户输入内容相结合，共同组成用于询问LLM的提示词。

  3. 工具传递方式选择 MCP客户端通过两种方式之一将提示词传递给LLM：

    1. 方式1：使用Function Call（函数调用）直接携带工具列表信息；

    2. 方式2：在系统提示词（System Prompt）中包含工具列表。

  4. LLM判断与响应 LLM接收到提示词后，返回判断结果：

    1. 无需工具：LLM直接将处理结果通过MCP客户端回复给用户；

    2. 需要工具：LLM先向客户端返回所需工具的参数格式要求。

  5. 工具命令生成与执行 若需要工具，MCP 客户端根据 LLM 提供的参数格式，以及 MCP Server 配置的命令模板进行拼接，生成完整的可执行命令，并在本地环境（Local_Env）中执行该命令。

  6. 结果处理与输出 本地环境执行命令后，将结果返回给 MCP 客户端。客户端将执行结果提交给 LLM，由 LLM 对技术化的执行结果进行处理，最终以人性化的语言形式输出给用户。

四、使用 MCP 分析大规模表格

4.1 VsCode + Cline

在 VsCode 插件市场搜索，Cline 找到后点击安装即可（注意这里还有很多非官方的版本，直接安装那个下载量最大的就好）：

配置大模型（这里我用的deepseek测试，效果不错）

4.2 在 Cline 中配置 table-reader(server)

在服务器上任一位置获取table-reader服务代码

git clone https://gitee.com/thomacai/table_reader.git

安装依赖

cd table_reader
uv sync

注：这里使用uv工具，如果没有则安装

curl -LsSf https://astral.sh/uv/install.sh | sh

试运行

uv run python table_reader.py

这里能启动就行，然后关闭即可。

然后再cline上配置 table-reader服务：

{
  "mcpServers": {
    "table-reader": {
      "autoApprove": [
        "get_table_info",
        "read_table_rows"
      ],
      "disabled": false,
      "timeout": 60,
      "type": "stdio",
      "command": "uv",
      "args": [
        "run",
        "table_reader.py"
      ],
      "cwd": "/home/XXX/XXX/codes/table_reader"
    }
  }
}

4.3 在cline上使用这个mcp

确保使用了这个mcp：

以及打开读取文件和使用mcp的权限：

最后执行：

调用 table-reader 读取 /home/XXX/codes/table_reader/data/test2.xls 这个表格，并分析要读取多少行能得知表格中涉及的字段以及总结摘要，然后把要读取的行数分成多段并读取(较为保守的方式，建议每100行读一次且最多不超过300行，保证不超过大模型的上下文窗口token) 分别总结各段的字段和摘要 最后合并起来给出 总的字段详情 和 摘要 以及 总行数。

得到结果：

4.4 MCP的局限性

  • 提示词要引导大模型“分批读取表格数据”，避免一次性让模型处理过大的数据量。若一次输入接近或超过模型上下文窗口，极容易触发报错，并导致 MCP 客户端直接崩溃。

  • 使用 MCP 后 Token 耗费会显著上升——因为许多 MCP 客户端本身依赖大量系统提示词来维持与 MCP 工具的通信，所以在 MCP 模式下的每一次调用，都天然包含更重的系统级上下文。

五、参考资料

1. MCP官方服务：

https://modelcontextprotocol.io/docs/develop/build-server#claude-for-desktop-integration-issues

（仅支持uv直接启动mcp服务）

2. mcp基础知识：

https://mp.weixin.qq.com/s?__biz=Mzk0MDMwMzQyOA==&mid=2247503333&idx=1&sn=6f81fccb7bc19b3a18b4c590f055d757&scene=21&poc_token=HMa2CmmjVIQ0hJqkdDVfUGwY7O0bTVuKqrVXXiP-

3. mcp核心原理：

https://mp.weixin.qq.com/s/yP6D_mnxwFsL3SbC4qZnYg

# 人工智能 # MCP
Logo
2048 AI社区

有“AI”的1024 = 2048，欢迎大家加入2048 AI社区

更多推荐

cover

期刊论文投稿难？宏智树 AI 解锁 “录用级” 写作密码，新手也能精准踩中期刊偏好

avatar 2048 AI社区
cover

2026年最值得入手的8款降AI神器，亲测第3款太绝了

avatar 2048 AI社区
cover

论文AI率飙到80%？这5款降AI工具帮你稳过查重

avatar 2048 AI社区