---

---

引言

在上一篇文章中，我们解析了一个关于天气实时预报的MCP server，相信大家对这一块应该有不错的体感了。那么我们这一篇就会来讲解一下MCP 客户端的一些问题和配置，如果篇幅合适的话还会讲MCP的一些高级特性

如果你对前面的内容感兴趣，可以点击这里跳转

MCP (Model Context Protocol) 技术理解 - 第一篇

MCP (Model Context Protocol) 技术理解 - 第二篇

MCP (Model Context Protocol) 技术理解 - 第三篇

MCP (Model Context Protocol) 技术理解 - 第四篇

MCP (Model Context Protocol) 技术理解 - 第五篇

如何调用MCP server

很多人可能有这个误区，应该是LLM直接发出指令来调用对应的MCP server的吧，但是实际上这个想法是错误的，根本原因在于LLM没有外调的能力，即不能直接调用接口。

那么一般调用MCP server会有两种情况，但是无论是什么情况，我们都是AI应用通过MCP client来调用MCP server，LLM只负责推理输入和输出，下面我们来讲讲这两种情况，然后我们再仔细地讲讲MCP client配置。

• 安全隔离: 这意味着你可以在 Client 层前做拦截。如果 LLM 发疯了，想执行 rm -rf /，你的 Java/Go 代码可以在发送给 Server 之前检测并拦截这个请求。

• 协议转换: LLM 输出的是文本/Token，MCP Server 需要的是 JSON-RPC 消息。你的 Client 就是这个 Adapter (适配器) 。

场景一：作为用户在现有host中调用

如果你只是想让 Claude code 或 Cursor 等AI应用调用一个现有的 MCP Server或者你自己编写的MCP server，你不需要写MCP client代码，只需要修改配置文件。

在这种情况，host就是AI应用，已经内置写好的MCP client代码了，你配置好MCP server即可调用，会自动维护连接。

场景二：作为开发者通过代码调用

如果你想在自己的 Java 或 Go 程序中调用一个 MCP Server（例如，构建一个能调用本地工具的 AI Agent），你需要实现一个 MCP Client。

核心交互流程 (以 Stdio 为例)

1. 启动进程: 你的程序（Client）启动 MCP Server（如 npx -y @modelcontextprotocol/server-filesystem）作为子进程。
2. 握手 (Initialization) : 发送 initialize 请求，协商协议版本和能力。
3. 发送指令: 发送 tools/list, tools/call, resources/read 等 JSON-RPC 消息

所以在这种场景下，你需要自己编写MCP client进行初始化链接，维护相关协议和连接，发送消息和处理响应等等。

一次MCP调用示例

那么大家在看完上面的示例可能还有疑惑，那么LLM到底是干嘛的？别急，我们上面说了，AI应用通过MCP client来调用MCP server，LLM只负责推理输入和输出，下面我来给大家解析一遍完整的调用链，大家一看便知！

我们先强调各个角色吧：

AI应用：负责管控全局，协调各个请求和负载均衡

MCP client：负责连接 Server，管理进程，维护对话上下文

MCP server：它是无状态的 Worker。它不知道上下文，不知道是谁在问，只负责接收指令 -> 干活 -> 返回结果

LLM：它没有手脚（不能联网、不能读文件）。它负责分析用户的自然语言，对比 AI应用 给它的“Tools list”，然后生成一个结构化的 JSON 文本，告诉 AI应用：“请帮我调用这个函数，参数是 X 和 Y”

以下是一次完整的交互流程：

• 初始化 (Handshake) :

  • Client 启动 Server。
  • Client 询问 Server: “你有什么本事？(Tools List)”
  • Server 回答: “我会读文件 (fs.read)，我会查数据库 (db.query)。”

• 用户提问:

  • 用户对 Client 说: “帮我查一下 user_id=101 的订单。”

• Prompt 组装 (AI应用 内部逻辑) :

  • AI应用 将用户的 System Prompt + Server 提供的工具定义 (Schema) + 用户问题，打包发给 LLM。

• LLM 决策:

  • LLM 经过推理，发现 db.query 工具能解决这个问题。

  • LLM 返回给 AI应用 (而不是直接给 Server):

    { 
      "tool_use": "db.query", 
      "params": { 
            "sql": "SELECT * FROM orders WHERE user_id=101" 
                } 
    }
    

• 执行 (真正的 MCP 调用发生在这里) :

  • AI应用 解析 LLM 的响应，发现它想调用工具，控制MCP client发送相关请求和数据。
  • Client 通过 JSON-RPC (Stdio/SSE) 向 MCP Server 发送 tools/call 请求。

• Server 响应:

  • Server 执行 SQL，返回 JSON 数据给 Client。

• 回环 (Loop Back) :

  • AI应用 接收到client返回的数据，将 Server 的执行结果再次喂给 LLM。
  • AI应用 说: “刚才你让我调用的工具，结果是 [Order A, Order B]，请生成给用户的最终回复。”

• 最终输出:

  • LLM 生成自然语言: “用户你好，ID 为 101 的用户有两笔订单…”

在AI应用里面配置MCP server

ok，我相信通过上面的解析，大家已经对整个调用过程是非常清晰的了，接下来我再按场景逐渐解析MCP client的问题。

在上面的分析中，我们已经分析了在Claude code里面，我们只需要进行MCP server的配置即可，而不需要编写MCP client的相关代码，下面我们以Claude code为例子，讲讲如何配置MCP server。

我们可以在claude_desktop_config.json的文件中进行server的配置

// ~/Library/Application Support/Claude/claude_desktop_config.json
{
  "mcpServers": {
    "weather": {
      "command": "uv",
      "args": [
        "--directory",
        "/absolute/path/to/weather",
        "run",
        "weather-server"
      ]
    },
    "filesystem": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-filesystem",
        "/Users/username/Documents"
      ]
    },
    "github": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-github"],
      "env": {
        "GITHUB_PERSONAL_ACCESS_TOKEN": "ghp_your_token_here"
      }
    }
  }
}

你可以把每一项配置看作是在终端执行一个长连接的子进程。以下是详细的参数拆解：

1.mcpServers:根节点，是一个 Map。Key（如 weather, github）是该 Server 的唯一标识符，用于在 AI 界面显示和内部隔离。

2.command (可执行文件)

这是 Client 尝试启动的二进制文件或脚本解释器。

• 作用: 指定入口程序。
• 常见值: npx (Node.js), python, uv (Python 包管理器), 或者你编译好的 Go/Java 二进制文件（如 /usr/local/bin/my-go-server）。

3. args (启动参数)

这是一个字符串数组，会被追加在 command 后面，形成完整的 shell 启动命令。

• weather 示例分析:

  • uv --directory /path/to/weather run weather-server
  • 这告诉 uv 切换到特定目录并运行该项目。

• filesystem 示例分析:

  • npx -y @modelcontextprotocol/server-filesystem /Users/username/Documents
  • -y: 自动确认安装。
  • 最后一个参数 /Users/...: 这是传给 Server 程序内部的参数，告知它允许访问哪个文件夹（白名单机制）。

4. env (环境变量)

这是子进程启动时注入的 Environment Variables。

• 作用: 用于传递敏感信息（API Keys）或配置参数，而不需要将其硬编码在代码或命令行参数中。
• 后端视角: 就像你在 Docker 中配置 ENV 或在本地 .env 文件中定义变量一样。
• GitHub 示例: GITHUB_PERSONAL_ACCESS_TOKEN 会被注入到该进程的上下文中，Server 代码中通过 os.Getenv("GITHUB_PERSONAL_ACCESS_TOKEN") (Go) 或 System.getenv(...) (Java) 获取。

通过代码来调用MCP server

这就是我们上面说的场景二，在自己构建的AI应用中，我们需要使用官方提供的SDK来编写MCP client的相关代码。

这里多说一句，官方提供了许多SDK，其中后端开发常用的Go是由Google和Go官方来维护，Java则是Spring AI官方维护，而Python则是MCP官方进行维护

下面是使用Python SDK来编写MCP client相关代码

from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client

# 配置服务器参数
server_params = StdioServerParameters(
    command="uv",
    args=["--directory", "/path/to/weather", "run", "weather-server"],
)

async def main():
    async with stdio_client(server_params) as (read, write):
        async with ClientSession(read, write) as session:
            # 初始化连接
            await session.initialize()
            
            # 列出可用工具
            tools = await session.list_tools()
            print("Available tools:", tools)
            
            # 调用工具
            result = await session.call_tool(
                "get_forecast",
                arguments={"latitude": 37.7749, "longitude": -122.4194}
            )
            print("Forecast:", result)
            
            # 列出资源
            resources = await session.list_resources()
            print("Available resources:", resources)
            
            # 读取资源
            config = await session.read_resource("weather://config")
            print("Config:", config)

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

总结

这一篇我们解答了MCP client的一些问题，包括client如何调用server，还有不同场景下我们该如何调用server等等，我相信通过这一篇和前面的文章，大家也已经对MCP比较了解了，下一篇我们再讲讲MCP的高级特性和一些需要注意的点