前言：从 LLM + Tools = Agent 说起
先聊聊这个公式。如果你用过AI编程助手，比如Cursor、Trae这类工具，或者自己搭建过LLM Agent，对这个公式肯定不陌生：
LLM + Tools = Agent
大模型本质上只会“对话”，但一旦配上读文件、写文件、执行命令等工具，就能转变为一个真正能干活的Agent。
问题也随之而来：
- 工具被硬编码在Agent里，每新增一个工具都得改代码、重新部署，十分繁琐。
- 外部团队或第三方服务想开放给AI使用，却缺乏统一标准，对接成本极高。
- 不同语言编写的工具——Node调用Python、调用Java、调用Rust——彼此割裂。
- 本地工具与远程工具的通信方式各异，适配过程相当痛苦。
MCP正是为了解决这种“碎片化”问题而生的。
一、MCP 是什么？
MCP，全称Model Context Protocol，即模型上下文协议。它由Anthropic在2024年底提出，并于2025年贡献给开源社区，是一套开放协议。简单说，它是为AI大模型量身定制的通用接口标准。
如何理解呢？打个比方：
MCP的核心思想，是将具体的工具以及“如何调用工具”的规则，打包成一个独立的服务器进程。MCP与Tool不是并列关系，而是“容器”与“内容”的关系：
- 没有MCP之前：AI调用工具是硬编码的，每添加一个工具就需要编写大量胶水代码。
- 有了MCP之后：变为动态发现，Host启动时自动扫描Server暴露了哪些工具，运行时按需调用。
二、MCP 的架构：Host / Client / Server 三者关系
MCP采用经典的客户端-服务器架构，包含三个核心角色：
| 角色 | 说明 | 举例 |
|---|---|---|
| MCP Host（主机） | 需要连接外部世界的AI应用程序，是发起请求的“大脑” | Cursor、Claude Desktop、Trae |
| MCP Client（客户端） | 在Host内部运行，负责与MCP Server建立一对一连接 | Cursor内置的MCP Client，读取mcp.json并建立通信 |
| MCP Server（服务器） | 轻量级程序，通过标准协议对外暴露能力 | 你自己编写的my-mcp-server.mjs |
每一个MCP Server可以对外暴露三种核心能力：
| 能力 | 说明 | 示例 |
|---|---|---|
| Tools（工具） | AI可以执行的函数 | 查询用户、发送邮件、读取文件 |
| Resources（资源） | AI可以引用的上下文数据 | 数据库记录、本地文件、API返回内容 |
| Prompts（提示） | 可复用的预定义交互模板 | 引导AI完成特定任务的对话模板 |
三、MCP 的调用流程（7 个步骤）
当你在Cursor里说了一句“帮我查一下用户002的信息”，背后究竟发生了什么？
用户输入 prompt↓① Host 配置 mcp.json → 声明要连接哪些 Server↓② Client 发送 initialize 请求 → Server 返回所有 tools 列表（动态发现）↓③ 用户输入任务 prompt → Host 接收↓④ Host 分析 prompt → 从已发现的 tools 中检索匹配项↓⑤ Client 发起 tool 调用 → 通过 stdio / HTTP 传到 MCP Server↓⑥ Server 执行 tool 逻辑 → 返回结果↓⑦ 结果注入 LLM 上下文（ToolMessage） → LLM 继续推理 → 生成最终回复
关键一步：第②步的“动态发现”
这是MCP最大的亮点。Host无需在代码中写死“有哪些工具可用”，而是在启动时主动询问Server：“你能提供什么能力？”Server返回自己注册的所有工具的名称、描述、参数schema。随后当用户下达任务时，Host就能自动匹配合适的工具去执行。
配置示例（mcp.json）
{"mcpServers": {"my-mcp-server": {"command": "node","args": ["my-mcp-server.mjs"]}}}
四、MCP 的通信方式
MCP支持两种通信传输方式，覆盖本地和远程场景：
| 传输方式 | 适用场景 | 实现类 |
|---|---|---|
| stdio（标准输入输出流） | 本地子进程调用 | StdioServerTransport |
| HTTP（Streamable HTTP） | 远程服务器调用 | HttpServerTransport / Streamable HTTP |
这意味着你可以：
- 本地：通过子进程调用一个MCP Server——无论它是用Node、Python、Java还是Rust编写的。
- 远程：通过HTTP调用部署在云端的MCP Server，享受第三方服务。
五、手写一个 MCP Server（代码实战）
下面我们手写一个完整的MCP Server，代码不长，但功能齐全，用于“查询用户”。
5.1 依赖安装
pnpm add @modelcontextprotocol/sdk zod
5.2 完整代码：my-mcp-server.mjs
import { McpServer } from '@modelcontextprotocol/sdk/server/mcp.js';import { StdioServerTransport } from '@modelcontextprotocol/sdk/server/stdio.js';import { z } from 'zod';// 模拟数据库const database = {users: {"001": { id: "001", name: "张三", email: "zhangsan@example.com", role: "admin" },"002": { id: "002", name: "李四", email: "lisi@example.com", role: "user" },"003": { id: "003", name: "王五", email: "wangwu@example.com", role: "user" },}};// ① 创建 MCP Server 实例const server = new McpServer({name: 'my-mcp-server',version: '1.0.0',});// ② 注册 Tool：查询用户server.registerTool('query-user', {description: '查询数据库中的用户信息。输入用户ID，返回该用户的详细信息（姓名、邮箱、角色）。',inputSchema: {userId: z.string().describe("用户 ID，例如：001, 002, 003"),},}, async ({ userId }) => {const user = database.users[userId];if (!user) {return {content: [{type: 'text',text: `用户ID ${userId} 不存在。可用的ID: 001, 002, 003`,}],};}return {content: [{type: 'text',text: `用户信息：n- ID: ${user.id}n- 姓名: ${user.name}n- 邮箱: ${user.email}n- 角色: ${user.role}`,}],};});// ③ 注册 Resource：使用指南server.registerResource('使用指南', 'docs://guide', {description: 'MCP Server 使用文档',mimeType: 'text/plain',}, async () => {return {contents: [{uri: 'docs://guide',mimeType: 'text/plain',text: 'MCP Server 使用指南n功能：提供用户查询等工具。',}],};});// ④ 选择通信方式并启动const transport = new StdioServerTransport();await server.connect(transport);
5.3 MCP 开发流程总结
new McpServer()→创建 Server 实例server.registerTool()→注册工具（名称、描述、入参 schema、执行回调）server.registerResource()→注册资源（名称、URI、描述、内容回调）server.registerPrompt()→注册提示模板（可选）new StdioServerTransport() →选择通信方式server.connect(transport)→启动 Server，等待 Host 连接
六、把 MCP 集成到自己的 Agent 程序里
MCP Server写好后，不仅能在Cursor中使用，还可以通过LangChain等框架直接嵌入到你自己的Agent程序中，实现“可插拔”的工具集成。
下面是用LangChain + MCP Adapters的示例：
import { MultiServerMCPClient } from '@langchain/mcp-adapters';import { ChatOpenAI } from '@langchain/openai';import { HumanMessage, ToolMessage } from '@langchain/core/messages';const model = new ChatOpenAI({modelName: process.env.MODEL_NAME,apiKey: process.env.OPENAI_API_KEY,configuration: { baseURL: process.env.OPENAI_BASE_URL },});// ① 创建 MCP Client，连接 MCP Serverconst mcpClient = new MultiServerMCPClient({mcpServers: {'my-mcp-server': {command: 'node',args: ['/path/to/my-mcp-server.mjs'],},},});// ② 动态发现 + 获取 toolsconst tools = await mcpClient.getTools();// ③ 把 tools 绑定到模型上const modelWithTools = model.bindTools(tools);// ④ Agent 循环：推理 → 调用 tool → 拿结果 → 再推理async function runAgent(query, maxIterations = 30) {const messages = [new HumanMessage(query)];for (let i = 0; i < maxIterations; i++) {const response = await modelWithTools.invoke(messages);messages.push(response);// 没有 tool_calls 说明推理结束if (!response.tool_calls || response.tool_calls.length === 0) {return response.content;}// 执行每个 tool_call，把结果注入上下文for (const toolCall of response.tool_calls) {const foundTool = tools.find(t => t.name === toolCall.name);if (foundTool) {const toolResult = await foundTool.invoke(toolCall.args);messages.push(new ToolMessage({content: toolResult,tool_call_id: toolCall.id,}));}}}return messages[messages.length - 1].content;}// ⑤ 使用const result = await runAgent("查一下用户 002 的信息");console.log(result);await mcpClient.close();
这个示例的关键点在于：
getTools()就是“动态发现”——你的程序无需硬编码有哪些工具。bindTools(tools)将这些动态发现的工具注入LLM，让模型“知道”自己能调用什么。- Agent循环中，LLM决定是否调用工具、调用哪个工具，执行后将结果以
ToolMessage的形式反馈给LLM，形成闭环。
七、MCP 的核心价值总结
| 维度 | 传统方式 | MCP 方式 |
|---|---|---|
| 工具集成 | 硬编码，一改全改 | 动态发现，即插即用 |
| 跨语言调用 | 需要自己编写IPC / RPC胶水 | 统一协议，天然跨语言 |
| 第三方接入 | 各自定义接口，对接成本高 | 一套规范，大家都遵守 |
| 本地 vs 远程 | 需要分别适配 | stdio / HTTP双模式原生支持 |
| 生态扩展 | 封闭 | 开放，大厂可将服务以MCP方式对外提供 |
八、写在最后
说到这儿，其实能看出MCP的野心远不止是“又一个工具调用协议”。它试图定义的是AI时代的“USB-C接口”——一套通用、开放的标准，让AI能够无缝连接这个世界的各种服务和数据。
理解了MCP，就能理解为什么有人说“80%的App会消失”：当AI成为超级入口，用户不再需要逐一打开独立的App，而是直接对AI说“帮我查一下快递”“帮我订一张票”，AI通过MCP在背后调用对应服务，一切都变得透明。
希望这篇文章能帮你建立起对MCP的完整认知。现在就动手写一个自己的MCP Server吧，你会发现自己动手比想象中简单得多。
