最近在折腾大模型Agent开发的时候，发现了一个超级实用的协议——MCP（Model Context Protocol）。它是由Anthropic公司去年11月推出的，本来没啥动静，但今年Agent热潮一起来，它就火了。尤其是Cursor在2月份宣布支持MCP后，直接把这个协议推到了开发者眼前。今天我就来聊聊MCP的来龙去脉，以及怎么用它快速搭建客户端和服务器。相信看完这篇，你也能轻松上手，开发出自己的智能体Agent。
一、MCP是什么？为什么它能改变Agent开发游戏规则
先简单说说MCP的背景。MCP全称Model Context Protocol，翻译成模型上下文协议。它本质上是一种规范，专门解决大模型调用外部工具的痛点。我们知道，大模型要想从聊天机器人进化成真正的Agent，必须能调用外部工具，比如查天气、爬网页、操作数据库。但大模型天生没法直接和外部世界互动，所以就需要一个“中介”——Function Calling。
Function Calling这个概念从诞生起就很受欢迎，但问题也明显：写函数代码太费劲，一个简单工具可能要上百行代码，还得配JSON Schema描述函数接口，再加上精心调提示词，确保大模型能准确调用。开发门槛高，重复劳动多。
MCP的出现就像秦始皇统一“书同文、车同轨”一样，它定义了统一的规范：大模型环境叫MCP Client（客户端），工具运行环境叫MCP Server（服务器）。两者之间用固定提示词模板通信。这样一来，大家就不用每次从零写工具了。GitHub上现在已经有上千个开源MCP服务器，从SQL查询到网页爬取、命令行操作，再到数据分析，应有尽有。你只要装个库，几行代码就能接入这些工具。
MCP的最大亮点是生态：Anthropic提供了Python、TypeScript、Java等多语言SDK，开发服务器超级简单。客户端不仅支持Claude模型，还兼容任意本地或在线大模型，甚至像Cursor这样的IDE也能直接用。想象一下，在Cursor里一键连接海量工具，Agent开发速度起飞！
二、搭建MCP客户端：从零到会聊天，只需几步
MCP开发的第一步是建客户端。我们用uv工具管理环境——uv是Rust写的Python依赖管理器，比pip快多了，支持虚拟环境，还兼容requirements.txt。安装uv超级简单：用pip install uv，或者curl -LsSf https://astral.sh/uv/install.sh | sh。
uv的基本用法
安装依赖：uv pip install requests
创建虚拟环境：uv venv myenv
激活：source myenv/bin/activate（Linux/macOS）
运行项目：uv run python script.py
现在，创建一个MCP客户端项目：
uv init mcp-clientcd mcp-clientuv venvsource .venv/bin/activateuv add mcp
然后新建client.py，写一个极简客户端代码（我贴了简化版，实际开发可以复制全文）：
import asynciofrom mcp import ClientSessionfrom contextlib import AsyncExitStackclass MCPClient: # 初始化、连接模拟服务器、聊天循环、清理资源等函数...async def main(): client = MCPClient() try: await client.connect_to_mock_server() await client.chat_loop() finally: await client.cleanup()if name == "main": asyncio.run(main())
运行uv run client.py，就能看到一个CLI界面：输入问题，它会模拟回复（先回显你的输入）。代码结构清晰：__init__初始化，chat_loop处理交互，cleanup释放资源。Jupyter里也能跑，加nest_asyncio.apply()解决事件循环冲突。
三、接入在线/本地模型，让客户端“活”起来
@极简版太基础了？加OpenAI或DeepSeek吧。先uv add openai python-dotenv，创建.env文件放API Key（国内用反代地址直连OpenAI）。DeepSeek类似，BASE_URL=https://api.deepseek.com。
修改client.py，用OpenAI客户端处理查询：
四、加载dotenv，读取API Keyself.client = OpenAI(api_key=self.openai_api_key, base_url=self.base_url)async def process_query(self, query: str) -> str: messages = [{"role": "system", "content": "你是一个智能助手..."}, {"role": "user", "content": query}] response = await ... # 调用API return response.choices[0].message.content运行后，就能和大模型聊天了！本地模型呢？用Ollama或vLLM调度框架，它们兼容OpenAI API风格，只改.env就行。比如ollama：BASE_URL=http://localhost:11434/v1/，MODEL=qwq。vLLM类似，启动服务后改BASE_URL=http://localhost:8000/v1。
我试了QwQ-32B模型，响应速度飞快，感觉本地Agent开发门槛真低了。
五、MCP服务器实战：建个天气查询工具，体验Function Calling
客户端ready了，现在建服务器。MCP服务器提供Resources（资源）、Tools（工具）、Prompts（提示词）三种能力。我们用stdio（标准输入输出）模式建一个天气查询服务器，用OpenWeather API。
先uv add mcp httpx，获取API Key（免费注册）。新建server.py：
import jsonimport httpxfrom mcp.server.fastmcp import FastMCPmcp = FastMCP("WeatherServer")async def fetch_weather(city: str) -> dict: # httpx请求OpenWeather API...def format_weather(data: dict) -> str: # 格式化输出温度、湿度等()async def query_weather(city: str) -> str: data = await fetch_weather(city) return format_weather(data)if name == "main": mcp.run(transport='stdio')这个服务器注册了query_weather工具，描述清楚（城市英文名）。stdio模式下，服务器作为子进程跑。
六、连接客户端测试
修改client.py支持stdio连接和Function Calling：
async def connect_to_server(self, server_script_path: str): # 启动stdio服务器，list_tools列出工具...async def process_query(self, query: str) -> str: # list_tools获取可用工具，发给OpenAI # 如果finish_reason=="tool_calls"，call_tool执行...
运行uv run client.py server.py，问“北京今天天气如何？”大模型会自动调用工具，返回格式化天气：温度XX°C，湿度XX%... 超方便！
MCP通讯机制：本地用stdio，远程用HTTP+SSE（服务器推送事件）。JSON-RPC 2.0格式传输。Anthropic正考虑升级成流式HTTP，解决SSE单向限制。
调试用Inspector：装Node.js，npx -y @modelcontextprotocol/inspector uv run server.py，在浏览器http://127.0.0.1:5173/查看工具运行。
七、总结
MCP不只是协议，更是生态。它让Agent开发从“高端黑科技”变成“人人可上手”。我从零建了个天气Agent，花了不到一小时，就感受到协作效率的提升。未来，随着更多服务器开源，想象空间巨大。如果你也感兴趣，赶紧试试吧！
