引言
在上一篇文章中，我们深入拆解了一个天气实时预报的MCP Server，相信大家已经对MCP的基本形态有了直观认识。本篇将聚焦于MCP客户端在实际应用中的常见问题与配置方法，如果篇幅允许，还会顺带介绍几个MCP的高级特性。
正式探讨之前，先快速回顾此前系列内容以保持知识连贯：MCP技术理解系列的前五篇文章，分别从协议基础、工作原理、Server实现等角度进行了系统梳理。本篇则深入Client端，解决“如何调用”和“怎样配置”等更为落地的实际问题。
MCP Server的调用方法
很多人存在一个误解：认为让LLM直接发出指令就能调用对应的MCP Server。实际上这种理解并不准确。根本原因在于，LLM本身不具备外部调用能力——它无法直接发起HTTP请求或执行系统命令。
事实上，调用MCP Server的场景分为两类，但无论哪种情况，真正的调用方都是AI应用通过MCP Client完成的，LLM仅负责推理输入和输出。理解了这两类场景，我们再拆解MCP Client的配置细节就会更加清晰。
这里先铺垫两个关键认识：
- 安全隔离：这意味着可以在Client层进行前置拦截。如果LLM“发疯”了，试图执行
rm -rf /这样的危险操作，你的Java或Go代码完全可以在发送给Server之前检测并拦截该请求。 - 协议转换：LLM输出的是文本/Token，而MCP Server需要的是JSON-RPC消息。Client正是那个适配器（Adapter），负责完成这两种格式的互转。
场景一：作为用户在现有Host中调用
如果你只是想利用Claude Code或Cursor这类现有AI应用，去调用一个现成的MCP Server（包括你自己编写的），那么你完全不需要编写任何MCP Client代码，只需修改配置文件即可。在这种情况下，Host就是AI应用本身，它已内置了写好的MCP Client代码。你配置好MCP Server后，它会自动维护连接并完成后续所有操作。
场景二：作为开发者通过代码调用
如果你想在自己开发的Java、Go或Python程序中调用MCP Server——例如构建一个能够调用本地工具的AI Agent——那么你需要自己实现一个MCP Client。
以Stdio传输方式为例，核心交互流程可简化为三步：
- 启动进程：你的程序（Client）启动MCP Server作为子进程，例如执行
npx -y @modelcontextprotocol/server-filesystem这样的命令。 - 握手（Initialization）：发送
initialize请求，协商协议版本与能力。 - 发送指令：发送
tools/list、tools/call、resources/read等JSON-RPC消息。
在此场景下，你需要手动编写MCP Client代码来处理初始化连接、维护协议与连接、发送消息以及处理响应。
一次完整的MCP调用示例
看完上述流程，可能有人仍有疑惑：LLM在整个过程中到底扮演什么角色？别急，我们上面其实已经提到——AI应用通过MCP Client调用MCP Server，LLM只负责推理输入和输出。下面通过一个完整的调用链来演示，看完就会一目了然。
先明确各个角色的职责：
- AI应用：负责全局管控，协调各类请求与负载均衡。
- MCP Client：负责连接Server、管理进程、维护对话上下文。
- MCP Server：无状态的Worker，它不知道上下文，也不关心调用方是谁，只负责接收指令→执行操作→返回结果。
- LLM：没有“手脚”（不能联网、不能读文件）。它的工作是对用户的自然语言进行分析，对比AI应用提供的Tools List，然后生成一个结构化的JSON文本，告诉AI应用：“请帮我调用这个函数，参数是X和Y。”
下面是完整的交互流程：
- 初始化（Handshake）：
- Client启动Server。
- Client询问Server：“你有什么本事？”（Tools List）
- Server回答：“我会读文件（
fs.read），我会查数据库（db.query）。”
- 用户提问：
- 用户对Client说：“帮我查一下
user_id=101的订单。”
- 用户对Client说：“帮我查一下
- Prompt组装（AI应用内部逻辑）：
- AI应用将用户的System Prompt、Server提供的工具定义（Schema）以及用户问题打包发送给LLM。
- LLM决策：
- LLM经过推理，发现
db.query工具能解决该问题。 - LLM返回给AI应用（而非直接给Server）一个结构化指令：
{ "tool_use": "db.query", "params": { "sql": "SELECT * FROM orders WHERE user_id=101" } }
- LLM经过推理，发现
- 执行（真正的MCP调用发生在此处）：
- AI应用解析LLM的响应，发现它想调用工具，于是控制MCP Client发送相关请求和数据。
- Client通过JSON-RPC（Stdio/SSE）向MCP Server发送
tools/call请求。
- Server响应：
- Server执行SQL，将JSON数据返回给Client。
- 回环（Loop Back）：
- AI应用接收到Client返回的数据，将Server的执行结果再次喂给LLM。
- AI应用说：“刚才你让我调用的工具，结果是
[Order A, Order B]，请生成给用户的最终回复。”
- 最终输出：
- LLM生成自然语言回复：“用户你好，ID为101的用户有两笔订单……”
在AI应用中配置MCP Server
通过上面的解析，相信大家对整个调用过程已经比较清晰了。接下来，我们按场景逐步拆解MCP Client的配置要点。
如前所述，在Claude Code这类现成的AI应用里，我们只需配置MCP Server即可，无需编写MCP Client代码。下面以Claude Code为例，详细介绍配置方法。
配置信息写在claude_desktop_config.json文件中：
// ~/Library/Application Support/Claude/claude_desktop_config.json
{
"mcpServers": {
"weather": {
"command": "uv",
"args": ["--directory", "/absolute/path/to/weather", "run", "weather-server"]
},
"filesystem": {
"command": "npx",
"args": ["-y", "@modelcontextprotocol/server-filesystem", "/Users/username/Documents"]
},
"github": {
"command": "npx",
"args": ["-y", "@modelcontextprotocol/server-github"],
"env": {
"GITHUB_PERSONAL_ACCESS_TOKEN": "ghp_your_token_here"
}
}
}
}
可以将每一项配置理解为在终端执行一个长连接的子进程。以下是关键参数的详细说明：
1. mcpServers：根节点，是一个Map。Key（如weather、github）是该Server的唯一标识符，用于在AI界面中显示和内部隔离。
2. command（可执行文件）
这是Client尝试启动的二进制文件或脚本解释器，用于指定入口程序。常见值包括npx（Node.js）、python、uv（Python包管理器），或者编译好的Go/Java二进制文件。
3. args（启动参数）
这是一个字符串数组，会被追加在command后面，形成完整的shell启动命令。
- weather示例：
uv --directory /path/to/weather run weather-server，告知uv切换到特定目录并运行该项目。 - filesystem示例：
npx -y @modelcontextprotocol/server-filesystem /Users/username/Documents。-y表示自动确认安装，最后一个参数是传给Server程序内部的参数，用于告知它允许访问哪个文件夹——这是一个白名单机制。
4. env（环境变量）
这是子进程启动时注入的环境变量，用于传递敏感信息（API Keys）或配置参数，从而避免将这些信息硬编码在代码或命令行参数中。就像在Docker中配置ENV或在本地.env文件中定义变量一样。以GitHub示例为例，GITHUB_PERSONAL_ACCESS_TOKEN会被注入到该进程的上下文中，Server代码可以通过os.Getenv("GITHUB_PERSONAL_ACCESS_TOKEN")（Go）或System.getenv(...)（Java）获取。
通过代码调用MCP Server
这就是前面所说的场景二——在自己构建的AI应用中，需要使用官方提供的SDK来编写MCP Client代码。
这里补充一点：官方提供了多种SDK。其中，后端开发常用的Go SDK由Google和Go官方维护，Java SDK由Spring AI官方维护，而Python SDK则由MCP官方维护。
下面是用Python SDK编写MCP Client的示例代码：
from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client
# 配置服务器参数
server_params = StdioServerParameters(
command="uv",
args=["--directory", "/path/to/weather", "run", "weather-server"],
)
async def main():
async with stdio_client(server_params) as (read, write):
async with ClientSession(read, write) as session:
# 初始化连接
await session.initialize()
# 列出可用工具
tools = await session.list_tools()
print("A vailable tools:", tools)
# 调用工具
result = await session.call_tool(
"get_forecast",
arguments={"latitude": 37.7749, "longitude": -122.4194}
)
print("Forecast:", result)
# 列出资源
resources = await session.list_resources()
print("A vailable resources:", resources)
# 读取资源
config = await session.read_resource("weather://config")
print("Config:", config)
if __name__ == "__main__":
import asyncio
asyncio.run(main())
总结
本篇主要解答了MCP Client的几个核心问题：Client到底如何调用Server？在不同场景下，我们该如何配置或编写客户端代码？相信结合前面的系列文章，大家对MCP的整体理解已经比较完整。下一篇我们将继续深入，探讨MCP的高级特性以及一些需要特别留意的细节——这些要点在实际落地中至关重要。
