前言

2025年，AI Agent 从概念走向落地，但一个尴尬的问题浮出水面：大模型再聪明，也只是一个"大脑"，没有手、没有眼、没有连接外部世界的能力。

你让 ChatGPT 帮你查一下今天的日程、读一个 PDF 文件、操作一下数据库——它做不到。因为它被困在自己的对话框里，和外部工具之间隔着一堵墙。

MCP（Model Context Protocol） 就是来拆这堵墙的。

Anthropic 在 2024 年底开源了这个协议，目标很简单：给 AI Agent 一个标准化的方式来连接外部工具和数据源。 到了 2025 年，MCP 已经成为 AI 开发圈最热的基础设施之一——OpenAI、Google、各大框架纷纷跟进支持。

今天这篇文章，不讲概念废话，直接从零开始，带你用 Python 搭一个 MCP Server，让你的 AI Agent 能真正"动手干活"。

---

MCP 到底解决了什么问题？

在 MCP 之前，你想让大模型调用外部工具，大概经历了这几个阶段：

阶段一：Function Calling

OpenAI 率先推出 function calling，让模型可以输出结构化的函数调用请求。问题在于：每个模型的 function calling 格式不一样，换个模型就得改代码。

阶段二：LangChain Tools

LangChain 封装了一层工具抽象，但本质上还是框架内的私有协议。你用 LangChain 写的工具，换个框架就用不了。

阶段三：MCP

MCP 的思路是：定义一套开放协议，任何工具只要实现这个协议，就能被任何支持 MCP 的 AI 客户端调用。

这就像 USB 接口——不管你插的是键盘、鼠标还是U盘，只要遵循 USB 协议，就能即插即用。

方案	优势	痛点
Function Calling	原生支持，简单直接	各模型格式不统一
LangChain Tools	生态丰富	框架绑定，迁移成本高
MCP	开放协议，即插即用	生态还在建设中

---

MCP 的核心架构

MCP 采用的是 Client-Server 架构，但和传统的 HTTP 服务不太一样：

┌──────────────┐     JSON-RPC      ┌──────────────┐
│  MCP Client  │ ◄──────────────► │  MCP Server  │
│  (AI 应用)    │    stdio/SSE      │  (工具提供者) │
└──────────────┘                   └──────────────┘

三个核心概念：

1. Tools（工具）：Server 暴露给 Client 调用的函数。比如"读取文件"、“查询数据库”、“发送邮件”
2. Resources（资源）：Server 提供的数据源。比如文件内容、数据库表结构
3. Prompts（提示模板）：Server 提供的预设提示词，帮助模型更好地使用工具

通信方式有两种：

• stdio：通过标准输入输出通信，适合本地工具
• SSE（Server-Sent Events）：通过 HTTP 通信，适合远程服务

---

实战：从零搭建一个 MCP Server

说了这么多，不如动手。我们来写一个实用的 MCP Server——系统信息查询工具，能查 CPU、内存、磁盘信息。

环境准备

# 创建项目目录
mkdir mcp-sysinfo && cd mcp-sysinfo

# 创建虚拟环境
python -m venv .venv
source .venv/bin/activate  # Windows: .venv\Scripts\activate

# 安装依赖
pip install mcp psutil

编写 Server 代码

创建文件 server.py：

import json
import psutil
from mcp.server import Server
from mcp.server.stdio import stdio_server
from mcp.types import Tool, TextContent

# 创建 MCP Server 实例
server = Server("sysinfo")

# 定义工具列表
@server.list_tools()
async def list_tools():
    return [
        Tool(
            name="get_cpu_info",
            description="获取 CPU 使用率和核心数信息",
            inputSchema={
                "type": "object",
                "properties": {},
                "required": []
            }
        ),
        Tool(
            name="get_memory_info",
            description="获取系统内存使用情况",
            inputSchema={
                "type": "object",
                "properties": {},
                "required": []
            }
        ),
        Tool(
            name="get_disk_info",
            description="获取磁盘分区和使用情况",
            inputSchema={
                "type": "object",
                "properties": {
                    "path": {
                        "type": "string",
                        "description": "磁盘路径，默认为 /",
                        "default": "/"
                    }
                },
                "required": []
            }
        )
    ]

# 实现工具调用逻辑
@server.call_tool()
async def call_tool(name: str, arguments: dict):
    if name == "get_cpu_info":
        cpu_percent = psutil.cpu_percent(interval=1)
        cpu_count = psutil.cpu_count()
        cpu_freq = psutil.cpu_freq()
        result = {
            "cpu_percent": cpu_percent,
            "cpu_count_logical": cpu_count,
            "cpu_freq_current": cpu_freq.current if cpu_freq else None,
        }
    elif name == "get_memory_info":
        mem = psutil.virtual_memory()
        result = {
            "total_gb": round(mem.total / (1024**3), 2),
            "available_gb": round(mem.available / (1024**3), 2),
            "percent": mem.percent,
        }
    elif name == "get_disk_info":
        path = arguments.get("path", "/")
        disk = psutil.disk_usage(path)
        result = {
            "total_gb": round(disk.total / (1024**3), 2),
            "used_gb": round(disk.used / (1024**3), 2),
            "free_gb": round(disk.free / (1024**3), 2),
            "percent": disk.percent,
        }
    else:
        result = {"error": f"未知工具: {name}"}

    return [TextContent(type="text", text=json.dumps(result, ensure_ascii=False, indent=2))]

# 启动 Server
async def main():
    async with stdio_server() as (read_stream, write_stream):
        await server.run(read_stream, write_stream, server.create_initialization_options())

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

测试运行

python server.py

如果没有任何报错输出，说明 Server 启动成功了。它会通过 stdin/stdout 等待 Client 的 JSON-RPC 请求。

---

配置 Claude Desktop 连接 MCP Server

写好了 Server，接下来让 Claude Desktop 能调用它。

编辑 Claude Desktop 配置文件：

{
  "mcpServers": {
    "sysinfo": {
      "command": "python",
      "args": ["/absolute/path/to/server.py"]
    }
  }
}

配置文件位置：

• macOS: ~/Library/Application Support/Claude/claude_desktop_config.json
• Windows: %APPDATA%\Claude\claude_desktop_config.json

重启 Claude Desktop，你会看到工具图标旁边多了一个锤子标志——说明 MCP Server 连接成功了。

现在你可以直接问 Claude：“我的电脑 CPU 和内存使用情况怎么样？” 它会自动调用你的 Server 获取实时数据。

---

进阶：添加更多实用工具

一个 Server 当然不止三个工具。下面是几个实用的扩展方向：

文件搜索工具

Tool(
    name="search_files",
    description="在指定目录下搜索文件",
    inputSchema={
        "type": "object",
        "properties": {
            "directory": {"type": "string", "description": "搜索目录"},
            "pattern": {"type": "string", "description": "文件名匹配模式，如 *.py"}
        },
        "required": ["directory", "pattern"]
    }
)

HTTP 请求工具

Tool(
    name="http_request",
    description="发送 HTTP 请求并返回响应",
    inputSchema={
        "type": "object",
        "properties": {
            "url": {"type": "string"},
            "method": {"type": "string", "enum": ["GET", "POST"], "default": "GET"}
        },
        "required": ["url"]
    }
)

数据库查询工具

Tool(
    name="query_database",
    description="执行 SQL 查询（只读）",
    inputSchema={
        "type": "object",
        "properties": {
            "sql": {"type": "string", "description": "SELECT 查询语句"},
            "database": {"type": "string", "description": "数据库名"}
        },
        "required": ["sql"]
    }
)

---

MCP 生态现状：2025 年已不是玩具

截至 2025 年 5 月，MCP 生态已经相当成熟：

客户端支持：

• Claude Desktop（原生支持）
• Cursor / Windsurf（代码编辑器）
• OpenClaw（全功能 AI Agent 框架）
• Continue.dev（VS Code 插件）
• Cline（终端 AI 助手）

社区 Server：

• GitHub MCP Server：操作仓库、PR、Issue
• Slack MCP Server：读写频道消息
• PostgreSQL MCP Server：数据库查询
• Puppeteer MCP Server：浏览器自动化
• 文件系统 MCP Server：本地文件操作

企业级应用：

• 部分公司已将 MCP 用于内部 DevOps 流水线
• 数据分析团队用 MCP 让 AI 直接查询数据仓库
• 客服系统通过 MCP 对接 CRM 和工单系统

---

安全注意事项

MCP 虽好，但安全问题不能忽视：

1. 权限控制：不要给 MCP Server 过高的系统权限。查 CPU 信息没问题，但删除文件、执行任意命令就要三思了
2. 输入校验：所有来自 Client 的参数都要校验，防止 SQL 注入、路径遍历等攻击
3. 沙箱运行：生产环境建议在沙箱中运行 MCP Server，限制其系统调用
4. 审计日志：记录所有工具调用，便于事后追溯

# 简单的输入校验示例
def validate_sql(sql: str) -> bool:
    """只允许 SELECT 查询，禁止修改操作"""
    forbidden = ["DROP", "DELETE", "UPDATE", "INSERT", "ALTER", "EXEC"]
    sql_upper = sql.upper()
    return not any(keyword in sql_upper for keyword in forbidden)

---

写在最后

MCP 不是什么黑科技，它就是一层协议。但正是这层协议，让 AI Agent 从"能聊天"变成了"能干活"。

2025 年的 AI 开发，已经不是在比谁的 prompt 写得好了——而是在比谁的 Agent 能连接更多、更可靠的外部能力。 MCP 就是这场竞赛的基础设施。

如果你还在用硬编码的方式让大模型调用工具，是时候切换到 MCP 了。协议统一了，生态建起来了，你的工具就能被所有支持 MCP 的客户端即插即用。

这不是未来，这是现在。