深度解析：AI Agent 应用开发中 MCP 入门要点

推荐语

深入探索AI Agent开发中MCP协议的核心要点，掌握大模型与外部世界交互的新标准。

核心内容：
1. AI Agent交互面临的两大挑战及MCP的解决方案
2. MCP定义与核心价值：统一连接标准，突破AI集成架构局限
3. MCP的支持平台及资源汇总，助力开发者快速上手

杨芳贤

53A创始人/腾讯云(TVP)最具价值专家

一、背景

1、大模型应用中两个互联领域的重大挑战

（1）Agent 与 Tools（工具）的交互

Agent 需要调用外部工具和API、访问数据库、执行代码等。

（2）Agent 与 Agent（其他智能体或用户）的交互 

Agent 需要理解其他 Agent 的意图、协同完成任务、与用户进行自然的对话。

二、核心概念

MCP 定义：MCP（Model Context Protocol，模型上下文协议）是 Anthropic 于 2024 年 11 月推出的开放标准，旨在为大语言模型（LLM）提供统一、标准化的方式与外部数据源和工具通信，解决传统 AI 集成架构碎片化、扩展困难的问题。

1、核心价值

• 统一连接标准，使 LLM 能便捷调用数据库、API、文件系统等工具，突破 “只能对话” 的局限。

• 类比 “AI 的 USB-C 端口”，通过标准化协议打通 LLM 与外部世界的交互壁垒。

官网：

https://modelcontextprotocol.io/introduction

github：

https://github.com/modelcontextprotocol

2、如何理解LLM与MCP？

看到这张图，大概可以联想到前段时间特别火的Manus智能体，掌握了MCP，感觉自己也可以轻松做出一个Manus了。

借助 MCP，只要支持了该协议，就能轻松将各种数据源和工具连接到 LLM。

3、 MCP的理解

传统AI集成的问题：这种为每个数据源构建独立连接的方式，可以被视为一个M*N问题。

问题：架构碎片化，难以扩展，限制了AI获取必要上下文信息的能力

MCP解决方案：提供统一且可靠的方式来访问所需数据，克服了以往集成方法的局限性。

MCP 作为一种标准化协议，极大地简化了大语言模型与外部世界的交互方式，使开发者能够以统一的方式为 AI 应用添加各种能力。 

4、哪些平台支持MCP查询（MCP Server）

github查看：

• MCP官方资源：

  https://github.com/modelcontextprotocol/servers

• MCP热门资源：

  https://github.com/punkpeye/awesome-mcp-servers

各种平台：

• Glama：https://glama.ai/mcp/servers

• Smithery：https://smithery.ai

• cursor：https://cursor.directory

• MCP.so：https://mcp.so/zh

• 阿里云百炼：

  https://bailian.console.aliyun.com/?tab=mcp#/mcp-market 

注意：

• 第1，随着越来越多的Server接入MCP协议，未来AI能够直接调用的工具将呈现指数级增长，这能从根源上打开Agent能力的天花板。未来 AI 生态系统将变得更加开放和强大。

• 第2，目前社区的 MCP Server 还是比较混乱，有很多缺少教程和文档，很多的代码功能也有问题，大家只能凭经验和参考官方文档了。

5、MCP应用场景

三、MCP的通信机制 

根据 MCP 的规范，当前支持两种通信机制（传输方式）：

• Stdio(标准输入输出)：主要用在本地服务上，操作你本地的软件或者本地的文件。比如 Blender 这种就只能用 Stdio 因为他没有在线服务。 MCP默认通信方式。

• SSE(Server-Sent Events)：主要用在远程通信服务上，这个服务本身就有在线的 API，比如访问你的谷歌邮件，天气情况等。

1、Stdio方式

优点

• 这种方式适用于客户端和服务器在同一台机器上运行的场景，简单。

• stdio模式无需外部网络依赖，通信速度快，适合快速响应的本地应用。

• 可靠性高，且易于调试。

缺点

• Stdio 的配置比较复杂，我们需要做些准备工作，你需要提前安装需要的命令行工具。

• stdio模式为单进程通信，无法并行处理多个客户端请求，同时由于进程资源开销较大，不适合

• 在本地运行大量服务。（限制了其在更复杂分布式场景中的使用）。

可能大家还有一个疑问，Stdio方式是一种典型的C/S架构， 我们使用大模型基本都是直接使用在线（API）方式，为啥还需要用到Stdio方式呢？这种方式重要吗？

答：联想上面的一个机器人的图，MCP的Server端就是机器人的 机械臂、眼睛等设备，Client在机器人的大脑里靠近LLM大模型，Server与Client必须在一个设备里（机器人）。

再联系下，让LLM操作自己电脑里的文件（比如打开某个目录打开某个文件）、执行本机的cmd命令，连接内网的数据库等（Server端）操作，都需要Server端放在本地电脑里，Client端需要桥接LLM与Server端，所以也要放本地电脑里，LLM可以不在本地电脑里。

因此，Stdio是非常重要的MCP通信机制。本文也大都基于Stdio方式讲解。

2、SSE方式

 场景

• SSE方式适用于客户端和服务器位于不同物理位置的场景。

• 适用于实时数据更新、消息推送、轻量级监控和实时日志流等场景

•  对于分布式或远程部署的场景，基于 HTTP 和 SSE 的传输方式则更为合适。

优点

配置方式非常简单，基本上就一个链接就行，直接复制他的链接填上就行。

3、 stdio的本地环境安装

stdio的本地环境有两种：Python 编写的服务和TypeScript 编写的服务。分别对应着uvx 和npx 两种指令，这两种指令一般都需要安装。

（1）安装uvx

powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex”

验证：重启终端并运行以下命令检查是否正常：

uv --versionuvx --help

（2）安装npx

只需要安装node.js即可，安装包从官网下载。

https://nodejs.org/zh-cn

四、Stdio方式的架构

1、5个核心概念

MCP 遵循客户端-服务器架构（client-server），其中包含以下几个核心概念：

• MCP 主机(MCP Hosts)

• MCP 客户端( MCP Clients ) 

• MCP 服务器( MCP Servers ) 

• 本地资源( Local Resources ) 

• 远程资源( Remote Resources )

 （1）MCP Host

作为运行MCP 的主应用程序，例如Claude Desktop、Cursor、Cline或AI 工具。为用户提供与LLM交互的接口，同时集成MCP Client 以连接MCP Server。

（2）MCP Client

MCP client 充当 LLM 和 MCP server 之间的桥梁，嵌入在主机程序中，主要负责：

• 接收来自LLM的请求；

• 将请求转发到相应的 MCP server

• 将 MCP server 的结果返回给 LLM 

有哪些常用的Clients?

MCP 官网 列出来一些支持 MCP 的 Clients。

https://modelcontextprotocol.io/clients

分为两类：

• AI编程IDE：Cursor、Cline、Continue、Sourcegraph、Windsurf 等

• 聊天客户端：Cherry Studio、Claude、Librechat、Chatwise等

更多的Client参考这里：

MCP Clients：

https://www.pulsemcp.com/clients

Awesome MCP Clients：

https://github.com/punkpeye/awesome-mcp-clients/ 

（3）MCP Server

每个 MCP 服务器都提供了一组特定的工具，负责从本地数据或远程服务中检索信息。是 MCP 架构中的关键组件。

与传统的远程 API 服务器不同，MCP 服务器既可以作为本地应用程序在用户设备上运行（Stdio方式），也可部署至远程服务器（SSE方式）。 

比如你让助手：

• “帮我查航班信息” → 它调用航班查询 API

• “算一下 37% 折扣后多少钱” → 它运行计算器函数

MCP Server 的本质

本质是运行在电脑上的一个nodejs或python程序。可以理解为客户端用命令行调用了电脑上的nodejs或python程序。

• 使用 TypeScript 编写的 MCP server 可以通过 npx 命令来运行

• 使用 Python 编写的 MCP server 可以通过 uvx 命令来运行。

2、工作流程

API 主要有两个

• tools/list：列出 Server 支持的所有工具

• tools/call：Client 请求 Server 去执行某个工具，并将结果返回 

 数据流向图

• LlamaIndex入门指南和RAG原理

• RAG进阶：Embedding Models嵌入式模型原理和选型指南
• RAG 落地必备的 1 个开源 AI 原生向量数据库 —Chroma
• RAG落地实战之文本切分4种策略全解析
• dify 连接 Ollama 与 vLLM 全攻略" data-itemshowtype="0" linktype="text" data-linktype="2">速看！最新版 Dify 连接 Ollama 与 vLLM 全攻略
• 一文搞懂！RAGFlow 入门教程与安装部署全流程

• 聚焦！LlamaIndex 的 VectorStoreIndex 索引结构深度解析

• 深度解读：LlamaIndex 实现 RAG 重排序的关键要点

• LangGraph 入门要点深度解析