最近，MCP这个关键词频繁出现在我浏览的技术文章和评论区里。起初我也只是有个模糊的概念，但既然大家都在讨论，索性就深入把这个概念搞搞清楚，顺便记录一下学习心得。
在动笔之前，我大致扫了一眼市面上现有的介绍文章。坦白说，大部分要么是在直接翻译MCP的官方文档，要么就是在一些普通用户压根不关心的技术细节上大做文章（当然，还有一些纯AI生成的水文）。
所以，这篇文章决定换个角度。从一名实际使用者的视角出发，分享点真正能落地的干货。最后还会用一个具体的实例，带大家走一遍MCP的开发和应用流程。整篇文章的目标，就是回答清楚下面三个问题：
- MCP到底是什么？
- 为什么我们需要MCP？
- 作为一个普通用户或开发者，我们该怎么用它、甚至开发它？
当然，一篇文章的篇幅有限，不可能把MCP的所有细节都讲透。这里只萃取最核心、最精华的部分，跟大家好好聊聊。
1. 什么是MCP？
时间拨回到2024年11月25日，Anthropic发布了一篇名为《Introducing the Model Context Protocol》的文章，MCP就此诞生。
全称是Model Context Protocol，即模型上下文协议。它定义了一套标准，让应用程序和AI模型之间能够顺畅地交换上下文信息。更直白地说，它让开发者能够用一种统一的方式，把各种数据源、工具和功能连接到AI模型上。这就像给AI世界装了一个“USB-C”接口——不同设备通过同一个标准接口就能无缝连接。MCP的目标，就是建立这样一个通用标准，让AI应用的开发和集成变得前所未有的简单和统一。
一张图胜过千言万语，这里引用几张制作精良的示意图，帮助理解：
看明白了吗？MCP的本质，就是用更标准化的方式让大语言模型（LLM）调用不同的工具。下面这张图更直观，能帮你理解“中间协议层”这个概念。说白了，Anthropic就是想统一LLM调用工具的“语言”。
为了保证阅读的流畅性，我们把MCP Host / Client / Server这些专业技术术语的定义往后放放。初学者和普通用户可以暂时忽略这些概念，完全不耽误你对MCP的理解和使用。
2. 为什么需要MCP？
MCP的出现，可以说是Prompt Engineering发展的必然产物。给模型提供更结构化的上下文信息，对于提升其表现能力是立竿见影的。我们在编写提示词时，总是希望能给模型提供一些更具体、更个性化的信息（比如本地文件、数据库内容、网络实时数据等），这样模型才能真正理解现实世界中的复杂问题。
不妨回想一下，在没有MCP的时候，我们是怎么做的？大概率是手动从数据库里筛选，或者用其他工具检索出需要的信息，然后一条条复制粘贴到提示词里。随着要解决的问题越来越复杂，这种“手动搬砖”的模式很快就行不通了。
为了摆脱手工操作的局限，许多大模型平台（比如OpenAI、Google）引入了一个叫“函数调用”的功能。这个机制允许模型在需要的时候，主动去调用预先定义好的函数来获取数据或执行操作，大大提升了自动化水平。
但是，函数调用也有它的短板。关键在于函数调用对平台的依赖性太强。不同平台的函数调用API实现差异巨大，OpenAI的调用方式和Google的完全不兼容。开发者一旦想切换模型，就不得不重写一大堆代码，适配成本非常高。除此之外，安全性和交互性等问题也同样存在。
数据和工具本身就在那里，客观存在。问题在于，我们希望“将数据连接到模型”的这个环节，能够更智能、更统一。Anthropic正是洞察到了这个痛点，才设计了MCP。它就像是AI模型的一个“万能转接头”，让大语言模型能够轻松地获取数据或者调用工具。具体来说，MCP的优势体现在这几个方面：
- 生态丰富：MCP提供了大量现成的插件，拿过来就能用。
- 统一标准：它不依赖任何特定的AI模型，只要支持MCP，模型之间可以灵活切换。
- 数据安全：你的敏感数据可以存放在本地，没必要全部上传。我们可以自行设计接口，决定哪些数据传输给模型。
3. 用户如何使用MCP？
对于绝大多数用户来说，我们并不需要关心MCP是怎么实现的。我们只想知道，怎么才能最简单、最轻松地用上这个新特性。具体怎么配置，可以参考官方文档中针对Claude桌面用户的指南，这里就不赘述了。配置成功后，可以在Claude里测试一下：让它“写一首诗，并保存到桌面”。Claude会请求你的权限，然后直接在本地新建一个文件。
不仅如此，官方还提供了大量现成的MCP服务端（MCP Servers）。你只需要选择希望接入的工具，然后直接“接入”就好。相关的资源链接在这里：Awesome MCP Servers、MCP Servers Website、Official MCP Servers。比如官方介绍的文件系统工具，它可以让Claude像操作本地文件系统一样，读取和写入文件。
4. MCP架构解构
这里先放一张官方的架构图。
MCP由三个核心组件构成：主机、客户端和服务端。光说概念有点抽象，咱们通过一个实际场景来理解它们是怎么协同工作的。
假设你正在用Claude桌面版（也就是主机）问：“我桌面上有哪些文档？”
整个流程是这样的：你的问题先发给Claude桌面版（主机）。Claude模型分析后觉得，要回答这个问题，需要访问你的文件系统。这时，主机中内置的MCP客户端立刻被激活。这个客户端负责找到并连接一个合适的MCP服务端。在这个例子里，就是文件系统MCP服务端。它收到指令后，会执行实际的文件扫描操作，访问你的桌面目录，然后返回找到的文档列表。最后，Claude模型拿到这个结果，生成自然语言的回答，展示在Claude桌面版上。
这种架构设计的妙处在于，Claude可以在不同场景下灵活调用各种工具和数据源。而作为开发者，你只需要专注于开发对应的MCP服务端（Server），至于主机和客户端怎么实现的，完全不用操心。
5. 原理：模型是如何确定工具的选用的？
在学习过程中，我一直有个疑问：Claude（模型）是怎么知道该用哪些工具的？好在Anthropic给出了详细的解释。
当用户提出一个问题时，流程是这样的：
- 客户端（比如Claude桌面版或Cursor）把你的问题发送给Claude。
- Claude分析当前可用的工具，然后决定用哪个（或者哪几个）。
- 客户端通过MCP服务端去执行选定的工具。
- 工具执行的结果被送回给Claude。
- Claude结合执行结果，构造最终的提示词，生成自然语言的回应。
- 最终，回应展示给用户！
有意思的是，MCP服务端是由Claude主动选择并调用的。它具体是怎么确定该用哪些工具的？会不会出现幻觉，调用一些根本就不存在的工具？这是个值得深思的问题。
6. 总结
MCP的出现，标志着AI与外部工具和数据交互开始走向标准化。通过这篇文章，我们主要了解了以下几点：
- MCP的本质：它是一套统一的协议标准，让AI模型能够以一致的方式连接各种数据源和工具，就像是AI世界的“USB-C”接口。
- MCP的价值：它解决了传统函数调用对平台依赖性强的问题，提供了更统一、开放、安全、灵活的工具调用机制。无论是用户还是开发者，都能从中受益。
- 使用与开发：对普通用户来说，MCP提供了丰富的现成工具，即使不了解任何技术细节也能直接上手。对开发者而言，MCP提供了清晰的架构和SDK，让开发工具变得相对简单。
MCP目前还处于发展初期，但潜力巨大。关键还是在于生态。基于统一标准构建起来的生态，会反过来正向促进整个领域的发展。
以上内容已经覆盖了MCP的基本概念、价值和使用方法。对于那些对技术实现感兴趣的读者，下面的附录提供了一个简单的MCP服务端开发实践，能帮助你更深入地理解MCP的工作原理。
附录A：MCP服务端开发实践
了解了MCP的各个组件之后，我们会发现，对绝大多数AI开发者来说，我们其实只需要关心服务端（Server）的实现。所以，我准备了一个最简单的例子，来演示如何实现一个MCP服务端。
MCP服务端可以提供三种主要类型的功能：
- 资源（Resources）：类似文件的数据，可以被客户端读取（如API响应或文件内容）。
- 工具（Tools）：可以被大语言模型调用的函数（需要用户批准）。
- 提示（Prompts）：预先编写的模板，帮助用户完成特定任务。
本教程主要关注工具（Tools）。
A.I 使用LLM构建MCP的最佳实践
在正式动手之前，Anthropic提供了一个基于大语言模型开发MCP服务端的最佳实践。总结起来就两步：
1. 引入领域知识（说白了，就是给对话里塞一些MCP服务端开发的范例和资料）。比如，可以访问MCP官方文档的完整文本，或者导航到MCP的TypeScript SDK或Python SDK的Github项目中，复制相关内容，把这些作为提示词的上下文。
2. 描述你的需求。告诉它：你的服务端会开放哪些资源，它会提供哪些工具，它应该给出哪些引导或建议，它需要跟哪些外部系统互动。这里给出一个示例提示：
... （这里是已经引入的领域知识）
打造一个MCP服务端，它能够：
- 连接到我公司的PostgreSQL数据库
- 将表格结构作为资源开放出来
- 提供运行只读SQL查询的工具
- 包含常见数据分析任务的引导剩下的部分虽然也很重要，但更偏重方法论，实践性较弱，这里就不展开了，推荐直接看官方文档。
A.II 手动实践
这部分内容主要参考了官方的开发者快速入门指南。你可以选择直接跳过，或者快速浏览一遍。
我们准备一个简单的示例，用Python实现一个MCP服务端，功能是统计当前桌面上的txt文件数量，并获取对应文件的名字。你可以说它毫无用处，但它足够简单，能让大家在最短的实践里看到效果。以下实践均运行在MacOS系统上。
Step1. 前置工作
- 安装Claude桌面版。
- Python 3.10+ 环境。
- Python MCP SDK 1.2.0+。
Step2. 环境配置
这里使用的是官方推荐的配置方式：
# 安装uv
curl -LsSf https://astral.sh/uv/install.sh | sh
# 创建项目目录
uv init txt_counter
cd txt_counter
# 设置Python 3.10+ 环境
echo "3.11" > .python-version
# 创建虚拟环境并激活
uv venv
source .venv/bin/activate
# 安装依赖
uv add "mcp[cli]" httpx
# 创建服务端文件
touch txt_counter.py什么是uv？跟conda比有什么区别？ 简单说，uv是一个用Rust编写的超快速（100x）Python包管理器和环境管理工具，由Astral开发。它的定位是替代pip和venv，专注于速度、简单性和现代Python工作流。
Step3. 构造一个提示词
"""
... （这里是已经引入的领域知识）
"""
打造一个MCP服务端，它能够：
- 功能：
- 统计当前桌面上的txt文件数量
- 获取对应文件的名字
要求：
- 不需要给出提示词和资源相关代码。
- 你可以假设我的桌面路径为 /Users/{username}/Desktop- 这里的领域知识可以复制MCP Python SDK的README文件。
Step4. 实现MCP服务端
以下代码由Claude 3.7直接生成。当然，这主要是因为我们的需求足够简单。当你需要实现更复杂的MCP服务端时，可能需要多步引导和调试才能得到最终代码。
import os
from pathlib import Path
from mcp.server.fastmcp import FastMCP
# 创建MCP服务端
mcp = FastMCP("桌面TXT文件统计器")
@mcp.tool()
def count_desktop_txt_files() -> int:
"""统计桌面上的.txt文件数量。"""
# 获取桌面路径
username = os.getenv("USER") or os.getenv("USERNAME")
desktop_path = Path(f"/Users/{username}/Desktop")
# 统计.txt文件
txt_files = list(desktop_path.glob("*.txt"))
return len(txt_files)
@mcp.tool()
def list_desktop_txt_files() -> str:
"""获取桌面上所有.txt文件的文件名列表。"""
# 获取桌面路径
username = os.getenv("USER") or os.getenv("USERNAME")
desktop_path = Path(f"/Users/{username}/Desktop")
# 获取所有.txt文件
txt_files = list(desktop_path.glob("*.txt"))
# 返回文件名
if not txt_files:
return "桌面上没有找到.txt文件。"
# 格式化文件名列表
file_list = "\n".join([f"- {file.name}" for file in txt_files])
return f"在桌面上找到 {len(txt_files)} 个.txt文件：\n{file_list}"
if __name__ == "__main__":
# 初始化并运行服务端
mcp.run()这个任务非常简单，只需要调用基本的os库就能完成。
Step5. 测试MCP服务端
官方文档里没有这一步，但我非常推荐大家都做一下。在终端运行：
$ mcp dev txt_counter.py
Starting MCP inspector...
Proxy server listening on port 3000
? MCP Inspector is up and running at http://localhost:5173 ?之后进入给出的链接，按照下图进行操作。
如果一切顺利，你应该能看到对应的输出（Tool Result）。
Step6. 接入Claude
最后一步，就是把我们写好的MCP服务端接入到Claude桌面版中。流程如下：
# 打开 claude_desktop_config.json (MacOS / Linux)
# 如果你用的是Cursor或者Vim，请更换对应的命令
code ~/Library/Application Support/Claude/claude_desktop_config.json在配置文件中添加以下内容，记得替换/Users/{username}为你的实际用户名：
{
"mcpServers":{
"txt_counter":{
"command":"/Users/{username}/.local/bin/uv",
"args":[
"--directory",
"/Users/{username}/work/mcp-learn/code-example-txt", // 你的项目路径
"run",
"txt_counter.py" // 你的MCP服务端文件名
]
}
}
}- 这里
uv最好是绝对路径，推荐用which uv命令获取。
配置好后重启Claude桌面版，如果配置成功，就能看到对应的MCP服务端了。
Step7. 实际使用
接下来，通过一个简单的提示词进行实际测试：
能推测我当前桌面上txt文件名的含义吗？它可能会请求你的使用权限，点击“允许本次对话”即可。
看起来，我们的MCP服务端已经正常工作了。