如果你活跃于技术影响者聚集的社交媒体平台，那么现在想必已经听说过模型上下文协议（MCP）了。
诚然，它可能曾受到过度炒作，但了解它仍是十分必要的，因为MCP注定会成为未来AI流水线中的重要组成部分。
MCP本身，抑或是基于其演进的各项改进，都将成为未来AI流水线中不可或缺的一环。
在本文中，我们将探讨MCP的工作原理，并通过构建一个使用它的智能代理系统来加深理解。
让我们开始吧！
为什么最初要构建MCP这样的东西？
假设现在是2024年初，你正在构建一个用于股票市场分析的LLM应用。
你可能需要：
• 为应用中使用的不同LLM编写特定代码。 • 如果数据存储在不同数据库中，需要为每个数据库编写特定代码。 • 为每个金融数据源（如Yahoo Finance、Bloomberg、SEC文件等）定义自定义API接口。 • 构建自定义数据预处理管道。
等等！
这无疑会带来诸多不便！
任何一个部分的微小改动都会迫使你重写代码，导致系统难以扩展。
正因如此，Anthropic开源了MCP，使得自 2024年11月之后，基于LLM的应用开发变得更加便捷。
让我们来了解一下是如何实现的。
什么是MCP？
根据 官方文档 所述：
模型上下文协议（MCP）是一个 开放协议，它规范了应用程序如何向LLM提供上下文。
以往，我们通过分散且不稳定的集成方式连接LLM与数据源，而MCP则以统一协议取代了这种局面，从而使连接更可靠，也大大简化了我们的工作。
以下是Anthropic对它的评价：
开发人员现在可以基于一个标准协议进行构建，而不必为每个数据源维护独立的连接器。
可以将MCP想象成AI应用的USB-C接口。
正如USB-C提供了一种标准化方式，将设备连接到各种外部设备和附件一样，MCP也提供了一种标准化的方式，将AI模型连接到不同的数据源和工具。
—— Anthropic 关于 MCP 的说明 (https://www.anthropic.com/news/model-context-protocol)
一言以蔽之：
模型上下文协议是一个“协议”，它允许“模型”获取相关的“上下文”。
使用MCP前后LLM与数据源连接的简化示意图
现在我们理解了MCP解决的问题，接下来学习它的组成部分。
MCP的运作机制
MCP主要由三个核心组件构成：
1. 主机（Hosts） 2. 服务器（Servers） 3. 客户端（Clients）
我们来逐一讲解。
MCP主机
这些是用户直接交互的应用程序。
例如，Claude桌面版、集成开发环境（如Cursor和VS Code），或其他由AI驱动的工具。
这是LLM运行的核心所在。
MCP服务器
这些是小巧、专用的程序，根据其用例公开特定的功能。
这些服务器可以通过可由MCP主机内的LLM调用的 工具（Tools）(https://modelcontextprotocol.io/specification/2025-06-18/server/tools) 安全地连接到 资源（Resources）(https://modelcontextprotocol.io/specification/2025-06-18/server/resources)。
这些资源可以是：
• 本地文件/服务/数据库 • 基于网络的各种服务，例如数据库、电子邮件、天气、日历等（通过API）
服务器还公开 提示（Prompt）(https://modelcontextprotocol.io/specification/2025-06-18/server/prompts) 模板，客户端可以使用这些模板从MCP服务器获取结构化响应。
MCP客户端
这是主机的一个组件，充当通信层。
每个客户端与一个MCP服务器保持专用连接，负责处理协议的请求-响应模式、错误处理以及 连接生命周期(https://modelcontextprotocol.io/specification/2025-06-18/basic/lifecycle) 管理。
你可以把它们看作是能够理解主机语言和MCP协议的“翻译官”。
客户端如何与服务器通信？
传输机制（Transport）(https://modelcontextprotocol.io/docs/concepts/transports) 是一种通信通道，负责处理客户端与服务器间信息（消息）交换的底层原理。
MCP中交换的消息共有三种类型，它们均采用 JSON-RPC 2.0(https://www.jsonrpc.org/specification) 格式。
这些消息类型是：
1. 请求（Requests）： 请求某项内容的消息，期望得到响应。
在下面的示例中，客户端请求服务器为查询“旧金山”调用“天气”工具，并期望得到响应。
{
"jsonrpc":"2.0",
"id":1,
"method":"tools/call",
"params":{
"name":"weather",
"arguments":{
"location":"San Francisco"
}
}
}2. 响应（Responses）： 回复先前请求的消息。
在下面的示例中，服务器回复了ID为1的请求，提供了查询“旧金山”的具体天气数据：温度（temperature）和状况（condition）。
{
"jsonrpc":"2.0",
"id":1,
"result":{
"temperature":"72°F",
"condition":"sunny"
}
}3. 通知（Notifications）： 告知某事的消息，不期望得到响应。
在下面的示例中，服务器发送了一个进度更新消息，但不期望任何回复（请注意没有id字段）。
{
"jsonrpc":"2.0",
"method":"$/progress",
"params":{
"message":"Processing data...",
"progress":0.8
}
}MCP使用以下两种常见的通信机制来交换这些消息：
1. 标准输入/输出（stdio）
这种机制允许通过计算机上的 标准输入和输出流 进行通信。它是一种更简单的机制，最适用于：
• 本地集成（当客户端和服务器位于同一台机器上时） • 构建命令行工具和使用shell脚本
2. 流式HTTP（Streamable HTTP）
这种机制使用：• HTTP POST 请求用于客户端到服务器的通信，以及 • 可选的 服务器发送事件（SSE）流 用于服务器到客户端的通信。
它最适用于构建 基于Web的集成，可以支持多个并发客户端和可恢复的连接。
至此，关于MCP的理论知识讲解已告一段落。
接下来，我们将进入代码实践环节！
构建一个基于MCP的物理问答智能代理系统
自MCP发布以来，MCP服务器的数量呈爆炸式增长。
可以在这里找到这些服务器的完整列表：https://github.com/modelcontextprotocol/servers
按照每个服务器的说明，将这些服务器与主机（如Claude桌面版或IDE）集成非常容易。
但既然我们正在学习从基础构建事物，那就不妨自己实现一个MCP服务器吧。
我们将构建一个服务器，其中包含多个用于计算物理问题解决方案的工具。
以下是实现步骤：
1. 使用“uv”创建新项目
本教程中，我们将使用“ uv(https://docs.astral.sh/uv/) ”作为包管理器。
如果你是新手，请按照 此页面上的说明(https://docs.astral.sh/uv/getting-started/installation/) 进行安装。
uv init physics-solver-mcp
cd physics-solver-mcp
uv venv .venv
source .venv/bin/activate2. 安装依赖
在完成项目初始化后，我们需要安装几个关键的依赖包，包括mcp和crewai-tools。我们通过以下命令安装 mcp Python包：
uv add mcp crewai "crewai-tools[mcp]"
3. 设置环境变量
我们在项目文件夹中创建一个名为.env的文件，其中包含我们的OpenAI API密钥。
在调用基于gpt-4o-mini模型的代理时将使用此密钥。
OPENAI_API_KEY="YOUR_KEY_GOES_HERE"
4. 创建MCP服务器
我们将使用 FastMCP (https://github.com/jlowin/fastmcp)，它是用于在Python中处理模型上下文协议的标准框架。
我们创建一个名为physics_server.py的文件，并编写一些与服务器相关的工具，每个工具都使用@mcp.tool()装饰器进行指定。
"""一个实现模型上下文协议的物理MCP服务器。
此服务器提供物理公式作为工具，可供MCP客户端发现和使用。
"""
from mcp.server.fastmcp import FastMCP
mcp = FastMCP("Physics-Server")
# 计算动能的工具
@mcp.tool()
defkinetic_energy(mass: float, velocity: float) -> dict:
"""计算运动物体的动能。
公式: KE = 1/2 × 质量 × 速度²
参数:
mass: 物体质量，单位千克 (kg)。必须为正值。
velocity: 物体速度，单位米/秒 (m/s)。可为正或负。
返回:
动能，单位焦耳 (J)
"""
if mass <= 0:
raise ValueError("质量必须为正值")
ke = 0.5 * mass * (velocity ** 2)
return ke
# 计算重力势能的工具
@mcp.tool()
defgravitational_potential_energy(mass: float, height: float, g: float = 9.81) -> dict:
"""计算物体在特定高度处的重力势能。
公式: PE = 质量 × 重力加速度 × 高度
参数:
mass: 物体质量，单位千克 (kg)。必须为正值。
height: 物体相对于参考点的高度，单位米 (m)。必须为非负值。
g: 重力加速度，单位米/秒²。默认为 9.81 (地球表面)。
返回:
重力势能，单位焦耳 (J)
"""
if mass <= 0:
raise ValueError("质量必须为正值")
if height < 0:
raise ValueError("高度必须为非负值")
if g <= 0:
raise ValueError("重力加速度必须为正值")
pe = mass * g * height
return pe
# 减去两个数字的工具
@mcp.tool()
defsubtract(a: float, b: float) -> dict:
"""减去两个数字。
参数:
a: 第一个数字。
b: 第二个数字。
返回:
a 和 b 之间的差值。
"""
return a - b
if __name__ == "__main__":
mcp.run(transport="stdio") # 使用STDIO传输5. 创建MCP客户端
接下来，我们用 CrewAI(https://www.crewai.com/) 框架搭建一个智能代理系统，该系统将使用我们的MCP服务器工具来解决给定的物理问题。
如果你是CrewAI的新手，可以考虑查阅这篇 关于构建你的第一个AI代理的教程(https://intoai.pub/p/building-your-first-ai-Agent)，了解如何使用这个框架。
crewai-tools中的 MCPServerAdapter(https://docs.crewai.com/en/mcp/overview#key-concepts-%26-getting-started) 类是连接MCP服务器并使其工具可供CrewAI代理使用的主要方式。
使用Python上下文管理器（with语句）是此类的推荐方法，因为它会自动处理与MCP服务器连接的启动和停止。
from crewai import Agent, Task, Crew
from crewai_tools import MCPServerAdapter
from mcp import StdioServerParameters
import os
# 为物理服务器创建一个StdioServerParameters对象
server_params=StdioServerParameters(
command="python3",
args=["physics_server.py"],
env={"UV_PYTHON": "3.11", **os.environ},
)
# 使用StdioServerParameters对象创建MCPServerAdapter
with MCPServerAdapter(server_params) as tools:
print(f"可用的物理工具: {[tool.name for tool in tools]}")
agent = Agent(
role="物理专家",
goal="使用基本能量计算解决物理问题。",
backstory="一位经验丰富的物理学家，对经典力学和能量原理有深入了解。能够应用动能和势能概念解决实际问题。",
tools=tools,
verbose=True,
)
task = Task(
description="解决这个物理问题: {physics_problem}",
expected_output="详细的分步解决方案，显示所有计算、中间值和带有正确单位的最终答案。使用可用的物理工具进行动能和势能计算。",
agent=agent,
)
crew = Crew(
agents=[agent],
tasks=[task],
verbose=True,
)
# 物理问题
crew_inputs = {
"physics_problem" : """
一辆质量为800公斤的过山车从50米高的山顶静止启动。
随后，过山车沿山坡下行，到达底部时速度达到25米/秒。
已知:
- 汽车质量: 800公斤
- 初始高度: 50米
- 最终速度: 25米/秒
- 重力加速度: 9.81米/秒²
问题:
1. 计算过山车在山顶的初始重力势能。
2. 计算过山车在山底的最终动能。
3. 比较初始势能和最终动能，并解释任何差异。
4. 如果过山车要爬上另一座山，如果其所有动能都转化回势能，它能达到的最大高度是多少？
"""
}
result = crew.kickoff(inputs=crew_inputs)
print(result)我们通过以下命令运行MCP客户端。
uv run client.py
这是我们得到的结果，运行效果符合预期！
1. Initial Gravitational Potential Energy: 392400 J
2. Final Kinetic Energy: 250000 J
3. The initial potential energy is greater than the final kinetic energy due to energy losses from friction and air resistance.
4. Maximum Height: 31.87 m从日志中可以看到，我们的代理顺利调用了这些MCP服务器工具完成了任务。
关于MCP的讲解到这里就结束了。
你是否在自己的应用程序中使用过它？请在下方评论区分享你的经验
