折腾了一圈 MCP，写篇笔记给大家省点时间

摘要：本文介绍了 MCP（Model Context Protocol）这一统一 AI 模型接入外部工具的标准协议。文章从 AI 工具调用的痛点出发，详细解析了 MCP 的三大角色（Host、Client、Server）及其三种核心能力（Tools、Resources、Prompts），并通过 Python 代码示例展示了如何快速开发一个 MCP Server。最后讨论了部署上线方案，并分析了 MCP 作为 AI 工具互联事实标准的价值与未来前景。

1. 问题引入：AI 工具调用的痛点与 MCP 的诞生

最近在研究怎么让 AI 接入外部工具的时候发现了 MCP 这个东西，折腾了两天跑通了几个 Demo。记录一下我的理解，希望能帮想上手的同学省掉一些查资料的时间。

如果你做过 AI 应用开发，大概率遇到过这个场景：想让模型查数据库、调 API、读文件，但 OpenAI 的接口和 Claude 的接口不一样，换模型就要重写一堆代码。我去年就踩过这个坑。一个项目里写了套工具调用层专门适配 OpenAI，后来老板说要试试 Claude，又得重新写一套。就很烦。

MCP（Model Context Protocol，模型上下文协议）就是来解决这个问题的——一套标准协议，所有 AI 应用都能用。Anthropic 在 2024 年底开源的。打个比方：90 年代每个打印机都要装自己的驱动，USB 统一了外设接入。MCP 要做的事情差不多——统一 AI 模型接入外部工具的方式。

2. 核心概念：MCP 架构与三大角色

整个 MCP 架构就三个东西：

MCP Host：你用的 AI 应用，比如 Claude Desktop、Cursor、你自建的 Chat 应用。它是发起请求的那一方。

MCP Client：Host 内部负责跟 Server 通信的组件。对你来说基本是透明的，不用管它怎么实现。

MCP Server：真正干活的。比如天气查询 Server、数据库查询 Server、文件管理 Server。这是你要开发的部分。

通信方式有两种：本地用 stdio（进程通信，开发调试阶段用），远程用 HTTP + SSE（上线给别人用）。

3. MCP Server 的能力：Tools, Resources, Prompts

每个 MCP Server 可以暴露三种能力给 AI：

Tools（工具）：让 AI 执行操作。典型场景——查天气、发邮件、操作数据库。

Resources（资源）：让 AI 读取数据。比如读本地文件、读数据库内容、读文档。

Prompts（提示模板）：预定义的任务提示词。实际开发中 Tools 和 Resources 用得最多，Prompts 相对少一些。

4. 动手实践：从零编写一个 MCP Server

用 Python，FastMCP 这个库封得挺好：

pip install fastmcp

代码很简单：

from fastmcp import FastMCP

mcp = FastMCP("天气查询")

@mcp.tool()
def get_weather(city: str) -> str:
    """查询指定城市的天气"""
    # 接入真实天气 API
    return f"{city}：晴天，22-28°C"

if __name__ == "__main__":
    mcp.run(transport="stdio")

跑起来之后，把这个 Server 配置到 Claude Desktop 里，AI 就能直接调用 get_weather 函数了。说实话第一次跑通的时候挺惊喜的——一个装饰器就完成了工具注册，不用写 HTTP 接口、不用管序列化、不用处理认证。底层的事框架全做了。

5. 部署上线：从本地到生产环境

本地跑通了就该想上线的事了。上线的核心诉求：

• 服务要一直在线
• 要配 HTTPS（MCP HTTP 模式强制要求）
• 最好有个面板管理多个 Server

我自己试了 imcp.pro，体验不错。代码推上去就自动构建部署，不用自己折腾证书和服务器。它内置了常见的 MCP Server 模板，天气、搜索、数据库这些都有，拿过来改改就能用。免费额度对个人开发者够使。

部署完拿到的 MCP Server URL，直接填到 Claude Desktop、Cursor 这些工具的 MCP 配置里就行。当然如果你喜欢自己搭服务器也完全没问题，就是多花点时间折腾基础设施。

6. 总结与展望：MCP 的价值与未来

我的看法：值得。理由很简单——MCP 正在成为 AI 工具互联的事实标准。Claude Desktop、Cursor、Windsurf 都原生支持了，GitHub 上社区的 MCP Server 也在快速增长。

而且这个协议的思路是对的：与其每个平台各自搞一套工具调用方案，不如大家统一一个标准。对开发者来说减少了重复劳动，对生态来说降低了碎片化。

如果你在做 AI 相关的开发，建议早点了解。协议层的东西，早期参与者确实能吃到红利。

相关资料

• MCP 官方规范：https://modelcontextprotocol.io
• FastMCP Python 库：https://github.com/jlowin/fastmcp
• MCP 托管平台：https://imcp.pro

欢迎在评论区交流，我也还在摸索阶段。