MCP协议详解：连接AI Agent与执行工具的关键机制

时间：2026-08-17 11:55

MCP作为AI模型与数据源及工具交互的标准化接口，通过统一协议解决接口碎片化问题，提升开发效率，支持动态工具加载和跨平台兼容。其工作流程包括连接、请求、处理、返回和生成响应。MCP在TAPD、飞书文档、自动化测试、代码管理等场景有应用，但存在对话前消耗token的局限性。

AI Agent MCP 概念

Model Context Protocol，简称MCP，简单来说，它就是给AI大模型装了一个“万能接口”——让AI模型能够与不同的数据源和工具进行无缝交互。这就好比USB-C接口，提供了一种标准化的方法，把AI模型连接到各种数据源和工具上，不用再为每个设备单独配一根线。

MCP的目标很明确：替换掉那些碎片化的Agent代码集成，让AI系统更可靠、更高效。通过建立通用标准，服务商可以基于这个协议释放自己的AI能力，开发者也能更快地构建强大的AI应用，而不用重复造轮子。借助开源项目，一个强大的AI Agent生态正在快速成形。

更重要的是，MCP可以在不同的应用或服务之间保持上下文，从而增强整体自主执行任务的能力。它的工作流程可以概括为五个步骤：

连接：MCP主机连接到一个或多个MCP服务器。
请求：主机发送请求，获取数据或执行工具。
处理：服务器处理请求，访问相关数据源或外部服务。
返回：服务器将结果返回给主机。
生成响应：主机将信息提供给AI模型，用于生成用户响应。

MCP 存在的合理性

为什么AI会需要MCP这样的东西？答案其实很直白：

统一工具调用协议：MCP通过标准化的通信格式（如JSON-RPC），彻底解决了AI工具调用中的接口碎片化问题。开发者只需实现一次MCP接口，AI模型就能与所有支持该协议的工具交互。
提升开发效率：传统模式下，每个工具都需要单独编写连接代码，而MCP通过统一的协议，大幅降低了开发成本和复杂性。
支持动态工具加载：MCP允许AI动态发现和调用工具，扩展了AI的能力边界。比如，AI可以通过MCP调用实时天气API或企业内部数据库，完成复杂任务。
跨平台兼容性：MCP兼容多种主流大模型（如GPT、Claude等），被称为AI领域的“USB-C接口”，实现了“一次开发，全平台通用”的目标。

MCP 的时代局限性

虽然MCP的出现定义了一个应用开放给AI Agent链接的接口标准，但技术迭代总是很快，这套方案也逐渐暴露了一些不足。

问题出在每次对话开始前，MCP会把所有API方法的结构定义声明一股脑提供给Agent读取。也就是说，还没正式聊天，就已经消耗了一部分token和上下文。而且，随着安装和启用的MCP工具越来越多，这种消耗还会逐步加重。

正因为如此，现在已经有了一种新的AI Agent调用API的方式：CLI + Skill 的组合。关于这部分内容，下一篇AI提效系列文章会详细展开。

AI Agent MCP 的应用

TAPD 的应用

现代化的迭代项目，大多会使用TAPD来管理需求、缺陷等。如果能接入TAPD的MCP，让Agent接管手动操作，效率会提升不少。

从TAPD官方MCP的使用文档来看，它支持两种授权登录形式：用户密码登录和TOKEN授权。这里直接使用token授权的方式接入。

TAPD的个人Token获取路径：www.tapd.cn/personal_se…（注意：保存好个人token，刷新后就不会再明文显示，丢失只能重新创建）。

TAPD MCP配置参考：cloud.tencent.com/developer/m…。如果前面已经获取了TAPD的个人token，这里只需要填写TAPD_ACCESS_TOKEN这个配置项。

"mcp-server-tapd": {
    "command": "uvx",
    "args": ["mcp-server-tapd"],
    "env": {
        "TAPD_ACCESS_TOKEN": "TAPD 个人 Token",
        "TAPD_API_USER": "",
        "TAPD_API_PASSWORD": "",
        "TAPD_API_BASE_URL": "https://api.tapd.cn",
        "TAPD_BASE_URL": "https://www.tapd.cn",
        "BOT_URL": ""
    }
}

配置好之后，就可以通过AI直接进行TAPD需求的读写、迭代和开发任务的编排，甚至还能实现缺陷的流转和测试甩锅操作。

文档的读取与编写

开发迭代中，文档打交道是家常便饭——整理知识、写需求文档、方案文档……如果能通过AI Agent直接读取和编辑文档，那就能解放双手，加快输出速度，甚至加大输出量。

为什么选用飞书？原因很简单：免费，而且社区已经有现成的解决方案。语雀和腾讯文档理论上也可行，但它们的开放API需要充值账户。

飞书API的前置准备工作比较复杂，但飞书开放API能做的事情非常多，值得研究：

进入飞书开放平台 open.feishu.cn/ 注册登录。
创建企业应用（可以不用发布）。
点击进入创建的企业应用，拷贝AppID和AppSecret两个信息。
获取应用的token。有两种token：t类型的（使用企业应用权限）和u类型的（使用当前授权用户权限）。推荐使用u类型的token接入MCP，因为它的权限更贴近实际用户。

飞书lark MCP配置参考：open.feishu.cn/document/mc…。配置示例如下：

"lark-mcp-server": {
    "command": "npx",
    "args": ["-y", "@larksuiteoapi/lark-mcp", "mcp", "-a", "", "-s", "", "-u", ""]
}

接入飞书MCP后，能玩的操作就非常多了。比如，通过AI Agent的Plan模式构思好需求开发逻辑后，直接输出到飞书文档上形成需求开发方案（至于要不要拿这个方案去糊弄上级，就自己决定了）。还能直接丢一个飞书文档，让AI Agent通过飞书MCP读取内容，然后根据内容进行各种操作。

自动化测试

作为开发，即使有专门的测试人员，每次迭代开发完成后也得进行自测（冒烟测试）。那么，能不能让AI操作浏览器，通过自然语言描述下达指令，让AI操纵浏览器完成测试？甚至让测试人员直接写自然语言描述的测试路径，实现AI自动化测试？答案是肯定的——chrome-devtools这个MCP就是谷歌浏览器专门提供给AI使用的。

关于使用浏览器MCP实现AI自动化测试，实际体验下来，优缺点都很明显：

优点：如果已经有描述比较完善的测试路径，可以解放双手，交给AI Agent执行。一个非常重要的点是——可以完成上级派发的技术KPI，落地AI自动化测试，听起来就很能吹。

缺点：开发自己点击几下，可能比慢慢敲一大堆文字再交给AI Agent执行快多了。时间紧迫的时候，你会嫌弃一个点击只需要一两秒，而AI需要慢悠悠地扫页面、找点击位置、再触发操作。

首先需要启动debug模式的Chrome，在命令行执行对应的命令：

/Applications/Google Chrome.app/Contents/MacOS/Google Chrome --remote-debugging-port=9222 --user-data-dir=/tmp/chrome-mcp

Chrome DevTools MCP配置参考：github.com/ChromeDevTo…。配置如下：

"chrome-devtools-mcp-server": {
    "command": "npx",
    "args": ["-y", "chrome-devtools-mcp@latest"]
}

之后，就可以通过自然语言描述让AI Agent操作浏览器进行网页点击等操作，从而根据文档中预设的测试用例来验证开发质量。

代码管理

开发完代码，自然要提交。这里有一个git MCP，可以让AI Agent对代码进行操作。

git-mcp配置参考：github.com/github/gith…。配置示例：

"git-mcp-server": {
    "command": "npx",
    "args": ["@cyanheads/git-mcp-server"],
    "env": {
        "GIT_SIGN_COMMITS": "false",
        "MCP_LOG_LEVEL": "info"
    }
}

配置后，在AI Agent模式下输入指令：“通过文件的修改来生成符合commitlint格式的提交信息，并且自动进行提交和推送远程仓库”，AI就会自行通过MCP自动操作。

推送到远程库之后，就可以进行代码的create merge request操作。这里使用第三方MCP库（github.com/zereight/gi…），如果自己搭建了GitLab服务，GITLAB_API_URL参数要填自己的部署地址。

"gitlab-mcp-server": {
    "command": "npx",
    "args": ["-y", "@zereight/mcp-gitlab"],
    "env": {
        "GITLAB_API_URL": "https:///api/v4/mcp",
        "GITLAB_PERSONAL_ACCESS_TOKEN": "your_gitlab_token",
        "GITLAB_READ_ONLY_MODE": "false",
        "USE_GITLAB_WIKI": "false",
        "USE_MILESTONE": "false",
        "USE_PIPELINE": "false"
    }
}

配置后，在AI Agent模式下可以下达指令让它自动创建MR，甚至进行合并操作。

以上这些，是作为前端开发者在日常工作中比较常用的MCP服务，能有效优化开发工作流。不过要注意，MCP的接入和使用会加速消耗AI模型的token，需要留意账号的token消耗量。

AI Agent MCP 的自定义编写

MCP可以使用各种编程语言编写，作为前端开发者，自然优先选择Node.js。

官方MCP文档：github.com/modelcontex…
TypeScript语言版本：ts.sdk.modelcontextprotocol.io/

基础概念

先来了解一些MCP的基础概念。

@modelcontextprotocol/sdk

这是官方提供的MCP Server SDK，用于管理和操作模型上下文。它提供API和工具，帮助开发者处理模型的状态、参数和输入输出，支持模型的初始化、配置和状态管理。

通过该SDK提供的Server和StdioServerTransport启动服务。模型通过stdio通信通道与这个服务交互，这是AI模型与MCP的其中一种通讯方式。

const { Server } = require('@modelcontextprotocol/sdk/server/index.js');
const { StdioServerTransport } = require('@modelcontextprotocol/sdk/server/stdio.js');

const server = new Server({
    name: 'mcp-server',
    version: '1.0.0',
}, {
    capabilities: {
        tools: {},
    },
});

const transport = new StdioServerTransport();
server.connect(transport);

ListToolsRequestSchema

当AI模型与MCP建立连接时，会请求询问这个MCP能提供什么工具或方法调用。此时就会调用ListToolsRequestSchema，获取对应的MCP Server中定义的可用工具列表。

TOOLS是一个数组，包含所有工具方法的定义，每个工具方法的结构如下：

字段	类型	说明
`name`	`string`	工具名称
`description`	`string`	工具描述
`inputSchema`	`object`	JSON Schema 格式的参数定义

inputSchema是对方法参数的描述，具体结构如下：

字段	类型	必填	说明
`type`	`string`	是	固定值为字符串 'object'
`properties`	`Record`	是	调用方法时传入的参数数据结构描述
`required`	`Array`	否	调用方法时必传的 properties 中的参数

properties内的对象是调用方法时传入的参数数据结构描述，结构如下：

字段	类型	必填	说明
`type`	`string`	是	参数类型字符串描述
`description`	`string`	否	参数描述

const { ListToolsRequestSchema } = require('@modelcontextprotocol/sdk/types.js');

const TOOLS = [
    {
        name: 'get_current_user',
        description: '获取当前 GitLab 用户信息',
        inputSchema: {
            type: 'object',
            properties: {}
        }
    },
    {
        name: 'get_project_ids',
        description: '搜索项目并获取项目 ID 映射',
        inputSchema: {
            type: 'object',
            properties: {
                projectName: {
                    type: 'string',
                    description: '项目名称'
                }
            },
            required: ['projectName']
        }
    },
    // ...
];

server.setRequestHandler(ListToolsRequestSchema, async () => {
    return { tools: TOOLS };
});

CallToolRequestSchema

当AI模型触发MCP工具的调用时，会触发CallToolRequestSchema，传递一个结构化的调用参数。MCP Server需要根据这个参数进行相应的处理。

const { CallToolRequestSchema } = require('@modelcontextprotocol/sdk/types.js');

server.setRequestHandler(CallToolRequestSchema, async (request) => {
    const { name, arguments: args } = request.params;
    // 根据 name 调用对应的业务逻辑
});

实战例子：gitlab-mcp-server

有了上面的基础知识，现在尝试写一个操作GitLab的MCP。可能有人会问：前面不是已经有GitLab的MCP服务了吗（官方或第三方）？但公司使用的GitLab版本过于落后，API与现网的MCP不兼容，所以需要自己写一个。这里就进行一次真正的实战开发。

注意：这里不会实现最完整的GitLab所有操作，主要实现创建MR、合并MR以及一些必要的配套操作。文章重点在MCP服务的编写，不会详细解释GitLab MR操作的具体实现逻辑。

初始化配置项目

MCP Server的package.json文件：注意bin配置是关键，只有配置了这个，使用npx命令时才知道执行什么命令和文件。如果开发过npm包，应该不陌生。

{
    "name": "@jesbrian/gitlab-mcp-server",
    "version": "0.2.1",
    "description": "GitLab MCP Server with Modular Configuration",
    "license": "ISC",
    "author": "JesBrian",
    "type": "commonjs",
    "main": "index.js",
    "bin": {
        "gitlab-mcp-server": "index.js"
    },
    "scripts": {
        "start": "node index.js"
    },
    "dependencies": {
        "@modelcontextprotocol/sdk": "^1.27.1",
        "axios": "^1.6.0"
    }
}

定义相关API方法

封装配置文件Config.js，主要功能包括：服务器地址路由、授权token、超时等基本配置，以及最重要的——提供给AI Agent接入后使用的Tools信息定义。

// GitLab MCP Server 配置
const env = process.env;

const DEFAULT_CONFIG = {
    gitlab: {
        url: env.GITLAB_URL || env.gitlab_url,
        privateToken: env.GITLAB_PRIVATE_TOKEN || env.gitlab_private_token,
    },
    client: {
        timeout: parseInt(env.TIMEOUT) || 10000,
        waitInterval: parseInt(env.WAIT_INTERVAL) || 2000,
    },
    server: {
        name: 'gitlab-mcp-server',
        version: '1.0.0',
    },
};

const TOOLS = [
    // ...（此处省略具体工具定义，详见完整代码）
];

module.exports = { DEFAULT_CONFIG, TOOLS };

MCP Server主执行文件index.js（注意首行必须设置#!/usr/bin/env node）：

#!/usr/bin/env node
// GitLab MCP Server
const { Server } = require('@modelcontextprotocol/sdk/server/index.js');
const { StdioServerTransport } = require('@modelcontextprotocol/sdk/server/stdio.js');
const { CallToolRequestSchema, ListToolsRequestSchema } = require('@modelcontextprotocol/sdk/types.js');
const GitLabClient = require('./lib/GitLabClient');
const { DEFAULT_CONFIG, TOOLS } = require('./config/Config');

const gitlabClient = new GitLabClient(
    DEFAULT_CONFIG.gitlab.url,
    DEFAULT_CONFIG.gitlab.privateToken,
    DEFAULT_CONFIG.client
);

const server = new Server(DEFAULT_CONFIG.server, {
    capabilities: { tools: {} },
});

server.setRequestHandler(ListToolsRequestSchema, async () => {
    return { tools: TOOLS };
});

server.setRequestHandler(CallToolRequestSchema, async (request) => {
    const { name, arguments: args } = request.params;
    try {
        let result;
        switch (name) {
            case 'get_current_user':
                result = await gitlabClient.getCurrentUser();
                break;
            // ... 其他 case 分支
            default:
                throw new Error(`未知的工具：${name}`);
        }
        return {
            content: [{ type: 'text', text: JSON.stringify(result, null, 2) }]
        };
    } catch (error) {
        return {
            content: [{ type: 'text', text: `错误：${error.message}` }],
            isError: true
        };
    }
});

async function main() {
    const transport = new StdioServerTransport();
    await server.connect(transport);
    console.info('GitLab MCP Server 已启动');
}

main().catch(error => {
    console.error('服务器启动失败:', error);
    process.exit(1);
});

具体操作逻辑

封装GitLab操作文件GitLabClient.js，这里不逐一展开每个方法，感兴趣的可以自行研究。

const axios = require('axios');

class GitLabClient {
    constructor(gitlabUrl, privateToken, options = {}) {
        this.gitlabUrl = gitlabUrl;
        this.privateToken = privateToken;
        this.timeout = options.timeout || 10000;
        this.waitInterval = options.waitInterval || 2000;
        this.client = axios.create({
            baseURL: this.gitlabUrl,
            headers: {
                'PRIVATE-TOKEN': this.privateToken,
                'Content-Type': 'application/json'
            },
            timeout: this.timeout
        });
        this.client.interceptors.response.use(
            response => response,
            error => {
                const message = error.response?.data?.message || error.message;
                console.error(`[GitLab API 错误] ${error.config?.method?.toUpperCase()} ${error.config?.url}: ${message}`);
                throw error;
            }
        );
    }
    // 具体方法省略，详见完整代码
}

module.exports = GitLabClient;

接入使用

完成自定义MCP Server后，可以发布到npm仓库，也可以配置本地启动。如果只是想自己使用，可以配置本地启动：

{
    "mcpServers": {
        "gitlab-mpc-server": {
            "command": "npx",
            "args": ["@jesbrian/gitlab-mcp-server"],
            "env": {
                "GITLAB_URL": "https://your-gitlab-url.com",
                "GITLAB_PRIVATE_TOKEN": "your-private-token"
            }
        }
    }
}

如果推送到npm仓库，则可以通过npx远程启动。这里回收前面的package.json中的bin命令和#!/usr/bin/env node的作用。这个MCP Server已推送到npm仓库：www.npmjs.com/package/@je…

{
    "mcpServers": {
        "gitlab-mcp-server": {
            "command": "npx",
            "args": ["@jesbrian/gitlab-mcp-server"],
            "env": {
                "GITLAB_URL": "https://your-gitlab-url.com",
                "GITLAB_PRIVATE_TOKEN": "your-private-token"
            }
        }
    }
}

参考资料

一文读懂 MCP——从起源到应用，解锁 AI 的“万能接口” ：zhuanlan.zhihu.com/p/190527200
GitHub - modelcontextprotocol/servers: Model Context Protocol Servers：github.com/modelcontex…

来源：https://juejin.cn/post/7637885957680971819

上一篇ArkUI RelativeContainer复杂布局对齐技巧无需过度嵌套 下一篇用WorkBuddy打造供应链合同初审专家：SRM痛点到AI落地实战指南

本站内容用于信息整理与展示，如有侵权或内容问题请及时联系处理。