MCP从理论到实践全流程学习路线与实操方法

类型：热点整理2026-07-08

概述 MCP这个词最近确实挺火的。在ragflow v0 18 0版本中，新增了MCP服务器支持，我花了两天时间专门做了一些调研。之前分析Manus类Agent产品时，曾提到过一个明显的短板：信息获取。一方面，Agent需要自己通过网络搜索获取信息，结果又慢又不全面。另一方面，很多网站设置了登录门

概述

MCP这个词最近确实挺火的。在ragflow v0.18.0版本中，新增了MCP服务器支持，我花了两天时间专门做了一些调研。

之前分析Manus类Agent产品时，曾提到过一个明显的短板：信息获取。一方面，Agent需要自己通过网络搜索获取信息，结果又慢又不全面。另一方面，很多网站设置了登录门槛，Agent不登录拿不到数据；登录吧，又牵涉安全问题。MCP恰好解决了这个痛点。

下面围绕几个核心问题展开：

什么是MCP？
MCP、RAG、Open API有什么区别？
目前有哪些MCP服务器？
Trae如何使用MCP？
如何搭建一个MCP服务？

1. MCP概念

MCP（Multi-modal Conversational Perception）概念最早由Anthropic（Claude的母公司）在2024年11月提出。

官方文档的定义非常形象：MCP是一个开放协议，规范了应用程序向LLM提供上下文的方式——就像AI应用的USB-C端口。USB-C标准化了设备与外设的连接，MCP则标准化了AI模型与数据源、工具的连接。

举个简单的例子：当我们问DeepSeek“今天天气怎么样？”时，由于DeepSeek本身不包含实时信息，需要进行联网搜索。如果没有MCP，它得从海量网页中搜索到今天的天气信息，再把相关内容截取出来作为提示词喂给LLM。而设定天气MCP服务器后，它可以选择直接从MCP服务器获取数据，从而得到今天的准确信息。

乍看之下，这个流程和RAG有点像——在对话中开启“联网搜索”，模型就会执行RAG操作，将问题向量化后到联网知识库中搜索。但RAG搜索到的信息不一定精准，如果搜到不相关或错误的内容，反而会误导语言模型。而MCP服务器的信息返回往往更可控，能让语言模型得到更快速、精准的数据。

MCP解决的是数据标准化问题。虽然信息也可以通过各家的API获取，但每家API都不一样，适配所有API难度太大。MCP提出后，所有服务商都按统一协议来适配接口，智能体就能和指定的MCP服务器顺畅连接。

2. MCP起源故事

MCP协议的发明者——Justin Spahr-Summers和Da vid Soria Parra在播客中谈到过起源故事。大意是：他们在开发工具时，发现Claude Desktop功能有限，IDE又缺少实用功能，经常需要在两者间来回复制内容，很麻烦。后来意识到这是个M×N的问题——多个应用程序与多种集成的难题，用统一协议最合适。当时他们还在做LSP（Language Server Protocol）相关的内部项目，综合这些想法后，经过几周琢磨，萌生了构建类似LSP的协议来标准化AI应用与扩展之间通信的念头。从有想法到完成首次集成，大约花了一个半月。

MCP刚推出时并没有像现在这么受关注，核心原因在于Manus和Agent的热潮还没到来。其实即便Anthropic不做MCP，迟早也会有人做，他们不过是做了第一个吃螃蟹的人。就像OpenAI最先推出ChatGPT，如今几乎所有大模型厂商的问答接口都按Open API标准设计。

3. MCP架构及设计细节

3.1 架构

MCP采用客户端-服务器架构，主机应用程序可以连接多个服务器。

3.2 传输方式

MCP使用JSON-RPC 2.0进行通信，主要有两种传输方式：

Stdio传输：通过标准输入/输出通信，用于本地信息传输。
SSE + HTTP Post传输：SSE基于HTTP协议，只支持服务器到客户端的单向数据推送；客户端通过SSE建立连接后，通过HTTP Post向服务器发送数据。

3.3 消息类型

四种消息类型：

Request：请求，期望得到响应。
Result：结果，对请求的成功响应。
Error：错误，表明请求失败。
Notification：通知，单向消息，不期望响应。

3.4 连接生命周期

包括初始化、信息交换、终止三个阶段。

初始化过程：

客户端发送initialize请求，携带协议版本和功能。
服务器以自身协议版本和功能响应。
客户端发送initialized通知作为确认。
开始正常消息交换。

信息交换两种模式：

请求-响应：一方发送请求，对方响应。
通知：一方发送单向消息。

终止三种行为：

通过close()关闭连接。
传输断开。
遇到错误。

3.5 错误类型

-32700：ParseError - JSON格式无效。
-32600：InvalidRequest - 请求不符合JSON-RPC 2.0规范。
-32601：MethodNotFound - 调用的方法不存在。
-32602：InvalidParams - 请求参数无效。
-32603：InternalError - 服务器内部处理错误。

4. MCP服务器汇总

目前有多个渠道可以搜索到现有的MCP服务器。

4.1 awesome-mcp-servers

该仓库汇总了大量MCP服务器，覆盖艺术、社交、数据库等多个领域，支持多语言查看，持续更新中。

仓库地址：https://github.com/punkpeye/awesome-mcp-servers

4.2 MCP.ad

国外MCP服务器信息聚合平台，汇集了1万+个MCP服务。

网站地址：https://mcp.ad/

4.3 MCPFlow

国内MCP社区，收录了4000+个MCP服务。

网站地址：https://mcpflow.io/home

4.4 MCPServers

国内最大的MCP中文社区，收录了3万+个MCP服务。

网站地址：https://www.mcpservers.cn/servers

4.5 MCPSet

国内MCP聚合站点，收录了5000+个高价值MCP服务。

网站地址：https://www.mcpset.cn/

5. MCP服务接入

Trae的最新更新已支持MCP服务，Cursor也同样支持。这里以Trae为例。

在Trae的MCP/市场菜单下，可以配置已有服务。下面以手动配置高德地图MCP服务为例。

根据高德地图MCP接入文档，首先在高德控制台创建一个新应用，获取MCP Key。

然后，在Trae中手动配置（将key替换为实际值）：

{
  "mcpServers": {
    "amap-amap-sse": {
      "url": "https://mcp.amap.com/sse?key=您在高德官网上申请的key"
    }
  }
}

配置完成后，在聊天对话框即可选择MCP智能体。下面用高德官方提供的prompt进行测试，模型使用Gemini-2.5-pro：

## 我五一计划去昆明游玩4天的旅行攻略。
# 帮制作旅行攻略，考虑出行时间和路线，和天气状况路线规划。
# 制作网页地图上自定义绘制旅游路线和位置。
## 网页使用简约美观页面风格，景区图片以卡片展示。
# 行程规划结果在高德地图app展示，并集成到h5页面中。
## 同一天景区之间我想打车前往。
# 生成文件名kmTra vel.html。

未使用高德MCP时，生成的网页无法正确显示图像和地理信息。

使用高德MCP后，问答过程中会显示具体的信息获取过程。

最终生成的网页效果如下：

6. 自建MCP服务

接下来尝试搭建自己的MCP服务。MCP提供了Python、TypeScript、Ja va、Kotlin和C#五种语言的SDK，下面以Python为例。

6.1 环境安装

pip install mcp

6.2 搭建服务端

创建一个简单的MCP服务器（server.py），功能是将输入文本转换为大写并添加前缀。

from mcp.server.fastmcp import FastMCP

mcp = FastMCP("My First MCP Server")

@mcp.tool(name="text_processor", description="Process input text")
def process_text(input_text: str) -> str:
    """将输入文本转换为大写并添加前缀"""
    return f"Processed: {input_text.upper()}"

if __name__ == "__main__":
    print("MCP Server is running...")
    mcp.run(transport='stdio')

运行服务端：

python server.py

6.3 搭建客户端

创建一个简单的客户端（client.py）：

from mcp.client.stdio import stdio_client
from mcp import ClientSession, StdioServerParameters
import asyncio

async def run_client():
    server_params = StdioServerParameters(
        command="python",
        args=["server.py"]
    )
    async with stdio_client(server_params) as (read, write):
        async with ClientSession(read, write) as session:
            await session.initialize()
            result = await session.call_tool(
                "text_processor",
                arguments={"input_text": "hello world"}
            )
            print(result)

asyncio.run(run_client())

运行客户端，得到输出：

meta=None content=[TextContent(type='text', text='Processed: HELLO WORLD', annotations=None)] isError=False

6.4 搭建天气查询MCP

结合和风天气API搭建一个天气查询MCP服务器。

首先在和风天气控制台获取API Key：

服务端代码（server.py）：

from mcp.server.fastmcp import FastMCP
import httpx

mcp = FastMCP("QWeather Server")

async def fetch_qweather(latitude: float, longitude: float, api_key: str) -> str:
    async with httpx.AsyncClient() as client:
        location_url = f"https://geoapi.qweather.com/v2/city/lookup?location={longitude},{latitude}&key={api_key}"
        location_resp = await client.get(location_url)
        location_data = location_resp.json()
        if location_data.get("code") != "200":
            return f"Error: {location_data.get('message', 'Failed to get location ID')}"
        location_id = location_data["location"][0]["id"]
        weather_url = f"https://devapi.qweather.com/v7/weather/now?location={location_id}&key={api_key}"
        weather_resp = await client.get(weather_url)
        weather_data = weather_resp.json()
        if weather_data.get("code") != "200":
            return f"Error: {weather_data.get('message', 'Failed to get weather data')}"
        now = weather_data["now"]
        return (
            f"当前天气: {now['text']}, 温度: {now['temp']}°C, "
            f"湿度: {now['humidity']}%, 风向: {now['windDir']}, "
            f"风力: {now['windScale']}级"
        )

@mcp.tool()
async def get_forecast(latitude: float, longitude: float) -> str:
    api_key = "自己的API"  # 替换为实际API Key
    return await fetch_qweather(latitude, longitude, api_key)

if __name__ == "__main__":
    print("MCP Server (QWeather) is running...")
    mcp.run()

客户端代码（client.py）：

import asyncio
from mcp.client.stdio import stdio_client
from mcp import ClientSession, StdioServerParameters

async def run_weather_client():
    server_params = StdioServerParameters(
        command="python",
        args=["server.py"]
    )
    try:
        async with stdio_client(server_params) as (read, write):
            async with ClientSession(read, write) as session:
                await session.initialize()
                print("正在查询西安的天气预报...")
                result = await session.call_tool(
                    "get_forecast",
                    arguments={
                        "latitude": 34.3416,
                        "longitude": 108.9398
                    }
                )
                print("天气预报结果:\n", result)
    except Exception as e:
        print(f"客户端错误: {str(e)}")

if __name__ == "__main__":
    asyncio.run(run_weather_client())

输出结果：

正在查询西安的天气预报...
天气预报结果:
 meta=None content=[TextContent(type='text', text='当前天气: 多云, 温度: 27°C, 湿度: 12%, 风向: 南风, 风力: 2级', annotations=None)] isError=False

总结

本文主要强调了Agent通过MCP获取外部信息的能力。除了信息获取，MCP还能做功能拓展，比如通过日历服务器创建日程。

为什么没有过多强调功能拓展？因为MCP当前存在一个“严重问题”：MCP服务的使用选择是由大模型自主决策的。

从图中可以看出，大模型需要判断是否使用MCP工具。换句话说，如果大模型性能不够强，即使给它很多个MCP工具作为选项，它也无法正确选择该用的工具，甚至可能做出危险操作——这一点暂时无法控制。

因此，MCP只是LLM的知识拓展，生成内容的质量仍然取决于LLM本身的性能。

尽管存在这样的局限性，但MCP的潜力不容忽视。从上一节的实例可以看出，MCP能够有效整合不同API的信息，再以标准形式返回。随着LLM模型本身性能的持续提升，LLM+MCP一定会催生出更多有意思的应用，进一步碘伏我们的日常生活方式。

来源：https://www.53ai.com/news/RAG/2025042942105.html

ai 人工智能

延伸阅读

补充最近整理过的热点入口。