可能有人会问：“这不就是大模型的工具调用吗？”没错，MCP 本质上就是工具调用。但不同的是，过去的工具调用需要开发人员手动编写代码，将工具嵌入应用程序，而 MCP 引入了一种标准化的调用协议。
本文除了通俗易懂的介绍什么是 MCP 协议，并通过几个小问题深入介绍，此外也会讲解如何开发一个自己的 MCP Server。
与传统方式不同，MCP 定义了一套标准化的应用调用协议。Anthropic 官方的比喻是，它就像 AI 界的USB Type-C，让所有支持 MCP 的工具都能即插即用地连接到大模型。这意味着，只要应用程序具备相应的接口，就可以由大模型直接调用，而无需开发者手动适配。
或许之前 Langchain 也发布过 Agent Protocal[2], 主要用于智能体之间的互操作协议，相对复杂。而 MCP，由于 cursor、cline 等编程工具的普及，以及多智能体应用 Manus 的火爆，让 MCP 正在成为事实上的标准。它具体是什么呢？上图又是怎么理解呢？
MCP 协议是一个客户端服务器架构。其中大模型作为调用工具方属于客户端，而工具提供方则属于服务器。在此之前，或许我们调用各种各样的官方工具，需要自己写代码。而现在随着 MCP 的普及，作为当前事实上的标准，它将驱动工具提供方主动融入 MCP，自己提供 MCP Server，从而节省开发人员的大量时间。到这，我想你应该大概了解什么是 MCP 了。
1. 只有 Cluade 能用？
首先说结论，不是，大部分的大模型都能使用。MCP 是一个通用协议，支持多种大模型。使用 MCP SDK，我们可以获取可用工具列表，并将其提供给 LLM，比如封装成 OpenAI API 调用的一部分，或者直接作为 Prompt 传递给模型。示例如下：
response = await self.session.list_tools()
available_tools = [{
"name": tool.name,
"description": tool.description,
"input_schema": tool.inputSchema
} for tool in response.tools]
# Initial Claude API call
response = self.anthropic.messages.create(
model="claude-3-5-sonnet-20241022",
max_tokens=1000,
messages=messages,
tools=available_tools
)
2. 都有哪些 MCP Server 工具
目前，Anthropic 官方已推出了一些常见的 MCP 工具，如数据存储、开发工具、Web 与浏览器访问、Slack 通讯、AI 工具等。
还有一些应用官方开发和社区维护的 MCP Server，比如Obsidian Markdown Notes[3]、Qdrant[4]、Cloudflare[5]、Docker[6]、Kubernetes[7]、Todoist[8]和Spotify[9]等。这里有个聚合网站[10]已经收录了 3251 个 MCP server 和 98 个 clients。
3. 怎么开发自己的 MCP Server
这里摘录自官方教程，开发一个提供天气查询的例子。
设置开发环境
# Create a new directory for our project
uv init weather
cd weather
# Create virtual environment and activate it
uv venv
source .venv/bin/activate
# Install dependencies
uv add "mcp[cli]" httpx
# Create our server file
touch weather.py
初始化
from typing import Any
import httpx
from mcp.server.fastmcp import FastMCP
# Initialize FastMCP server
mcp = FastMCP("weather")
# Constants
NWS_API_BASE = "https://api.weather.gov"
USER_AGENT = "weather-app/1.0"
编写工具
和编写大模型工具一样，也要编写函数描述，参数描述信息，最终返回字符串供大模型理解。
@mcp.tool()
asyncdef get_alerts(state: str) -> str:
"""Get weather alerts for a US state.
Args:
state: Two-letter US state code (e.g. CA, NY)
"""
url = f"{NWS_API_BASE}/alerts/active/area/{state}"
data = await make_nws_request(url)
ifnot data or"features"notin data:
return"Unable to fetch alerts or no alerts found."
ifnot data["features"]:
return"No active alerts for this state."
alerts = [format_alert(feature) for feature in data["features"]]
return"\n---\n".join(alerts)
运行
运行后，MCP Server 便可以对外提供服务。在实际应用中，工具服务通常不会一直运行，而是在大模型需要调用时，MCP 客户端会自动启动它。
if __name__ == "__main__":
# Initialize and run the server
mcp.run(transport='stdio')
客户端
客户端，就是大模型的应用端。他要如何接入这个工具服务呢？首先使用 mcp 客户端初始化一个 mcp 并连接到工具服务器上，然后输入刚才的脚本地址，他就会自动启动上面的天气查询服务。
from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client
...
class MCPClient:
def __init__(self):
# Initialize session and client objects
self.session: Optional[ClientSession] = None
self.exit_stack = AsyncExitStack()
self.anthropic = Anthropic()
# methods will go here
asyncdef connect_to_server(self, server_script_path: str):
"""Connect to an MCP server
Args:
server_script_path: Path to the server script (.py or .js)
"""
...
command = "python"if is_python else"node"
server_params = StdioServerParameters(
command=command,
args=[server_script_path],
env=None
)
stdio_transport = await self.exit_stack.enter_async_context(stdio_client(server_params))
self.stdio, self.write = stdio_transport
self.session = await self.exit_stack.enter_async_context(ClientSession(self.stdio, self.write))
await self.session.initialize()
# List available tools
response = await self.session.list_tools()
tools = response.tools
print("\nConnected to server with tools:", [tool.name for tool in tools])
接下来就是调用的逻辑了，就是通过这个协议 sdk，获取工具列表然后塞到大模型就完事了。没有什么黑科技，MCP 做的就是让大模型应用能够自动通过 mcp 这套通信机制调用应用工具。可以看到，本质还是工具调用，只是自动化了外部工具的通信协议。
async def process_query(self, query: str) -> str:
"""Process a query using Claude and available tools"""
messages = [
{
"role": "user",
"content": query
}
]
response = await self.session.list_tools()
available_tools = [{
"name": tool.name,
"description": tool.description,
"input_schema": tool.inputSchema
} for tool in response.tools]
# Initial Claude API call
response = self.anthropic.messages.create(
model="claude-3-5-sonnet-20241022",
max_tokens=1000,
messages=messages,
tools=available_tools
)
# Process response and handle tool calls
final_text = []
assistant_message_content = []
for content in response.content:
if content.type == 'text':
...
elif content.type == 'tool_use':
tool_name = content.name
tool_args = content.input
# Execute tool call
result = await self.session.call_tool(tool_name, tool_args)
final_text.append(f"[Calling tool {tool_name} with args {tool_args}]")
....
return"\n".join(final_text)
我想接下来，就没有必要再深入介绍了。
5. 是否只支持 Python
官方除了发布 Python 的 SDK 之外，也支持
Typescript-sdk[11] Java-sdk[12] kotlin-sdk[13]
其他语言也可以根据标准specification[14]自行编写。
6. 底层通信协议
底层通信采用JSON-RPC[15]，更具体的可以参考官方文档 Transports[16]。
7. 总结
未来，随着大模型应用的深入，MCP Server 将变得更加丰富和强大，各类应用也将逐步适配 MCP，降低 AI 接入门槛。正如 OpenAI CEO Sam Altman 所说，2025 is “the year of the AI agent”。或许不久的将来，我们只需一句话，就能让 AI 远程操控电脑、管理手机，彻底改变人机交互方式。
