3.7.2 MCP 协议与外部工具接入

MCP（Model Context Protocol，模型上下文协议）是一种开放协议，用于在 AI 应用与外部工具、数据源之间建立标准化的连接。它让大模型能够安全、可控地调用本地或远程工具，比如查询数据库、操作文件、调用 API 等，而不需要为每个工具单独编写适配代码。

为什么需要 MCP

在没有统一协议时，接入外部工具往往需要：

为每个工具编写自定义集成逻辑；
处理不同的认证方式、数据格式和错误机制；
手动管理上下文和对话中的工具调用状态。

MCP 提供了一种 客户端-服务器 架构，将工具的实现（MCP Server）与 AI 应用的调用逻辑（MCP Client）解耦，就像 USB 协议统一了外设连接一样。

MCP 的核心概念

MCP Server：以标准方式暴露一组工具（Tools）、资源（Resources）和提示（Prompts）。一个服务端可以是一个本地进程，也可以是远程服务。
MCP Client：通常是 AI 应用（如聊天界面、IDE 插件），通过 MCP 协议发现并调用服务端提供的功能。
工具（Tool）：可被模型调用的函数，有明确的输入/输出 schema。
资源（Resource）：模型可读取的上下文数据，例如文件内容、数据库记录。
传输层：支持 stdio（标准输入输出）和 HTTP+SSE 两种传输方式。本地工具常用 stdio，远程工具可用 HTTP。

快速上手：搭建一个天气查询 MCP 服务器

下面用一个简单的天气工具示例，演示如何使用 Python 编写 MCP Server，并在客户端调用它。

1. 安装 MCP SDK

pip install mcp

2. 编写 MCP Server（weather_server.py）

from mcp.server import Server, Tool
from mcp.server.stdio import stdio_server
import httpx

# 创建服务器实例
server = Server("weather-server")

# 定义一个工具：查询城市天气
@server.tool()
async def get_weather(city: str) -> str:
    """查询指定城市的天气信息"""
    # 这里用公开 API 模拟（需要替换为真实 API）
    async with httpx.AsyncClient() as client:
        resp = await client.get(f"https://wttr.in/{city}?format=3")
        return resp.text

# 启动 stdio 传输
async def main():
    async with stdio_server() as (read_stream, write_stream):
        await server.run(read_stream, write_stream)

if __name__ == "__main__":
    import asyncio
    asyncio.run(main())

3. 在客户端中接入工具（使用 Claude Desktop 或自定义 Client）

以 Claude Desktop 为例，只需在配置文件中添加：

{
  "mcpServers": {
    "weather": {
      "command": "python",
      "args": ["weather_server.py"]
    }
  }
}

重启 Claude Desktop 后，你就能在对话中直接说「查一下北京的天气」，模型会自动调用 get_weather 工具获取结果并回复。

4. 自定义 MCP Client 示例

如果你想在自己的应用里调用 MCP 工具，可以用以下代码：

from mcp.client import Client
from mcp.client.stdio import stdio_client

async def run():
    async with stdio_client("python weather_server.py") as (read, write):
        async with Client(read, write) as client:
            # 列出可用工具
            tools = await client.list_tools()
            print("可用工具:", [t.name for t in tools])

            # 调用工具
            result = await client.call_tool("get_weather", {"city": "上海"})
            print(result.content[0].text)

import asyncio
asyncio.run(run())

实际开发中的注意事项

安全性：工具调用会直接影响系统，务必验证参数、限制权限，避免注入风险。
错误处理：工具应返回明确的结构化错误信息，方便模型理解并重试。
性能：本地 stdio 传输延迟低，适合单机工具；远程 HTTP 传输适合微服务架构，但需注意网络开销。
工具描述：给工具提供清晰的 docstring 和参数说明，能显著提高模型调用准确率。
调试：可以使用 MCP Inspector（npx @modelcontextprotocol/inspector）可视化查看工具列表和调用结果，加速开发。

小结

MCP 协议将外部工具的接入从“每个工具写一份胶水代码”简化为定义标准接口。你只需实现一个 MCP Server 暴露工具，AI 应用就能自动发现并使用它们。这大大降低了智能体与现实世界交互的门槛，也让工具生态更容易复用和共享。