实操干货！MCP全解析，一步步教你借助第三方MCP Server开发Agent

• MCP概念与架构全解析
  

• 动手做一个MCP的Demo

• MCP Server + LlamaIndex/LangGraph：快速构建Agent

• 推荐资源

  
  

让我们从一个实际的开发样例开始。

【为什么出现MCP】

假如你开发了一个AI应用，无论是ChatBot还是复杂的Agent，都不会再局限于简单的LLM对话，很多时候你需要与外部世界连接，以访问数据源或使用工具。比如：

• 操控浏览器实现自动化；访问本地文件

• 访问数据库结构，以更好的让AI做编程
  

• 调用CRM的API以驱动智能客服流程

  
  

那么，你需要连接不同的对象，使用不同的接口协议；你需要熟悉SQL、HTTP调用、Playwright等接口；可能你还需要使用搜索引擎、访问云存储、调用第三方开放API...这都需要做大量的“粘合”工作：

MCP就是用来帮助简化LLM应用与这些外部资源间的集成。它允许LLM应用使用统一的协议来连接到这些外部资源，而不必逐个适配：

MCP的做法是增加了一个中间层：LLM应用通过统一的MCP协议连接中间层（称为MCP Server），而这个中间层会处理与外部资源的对接。

那为什么Agent火热以后大家才注意到MCP呢？很简单，因为Agent是最需要对接外部资源/工具的LLM应用。

【MCP有哪些好处】

其实在软件系统中这是一种常见设计范式（比如一些大模型API网关把不同厂家的大模型协议转化成统一的OpenAI兼容协议，以方便应用接入）。它的具体意义体现在：

• LLM应用的简化：不用适配各种私有协议，你只需要知道怎么连接MCP server
  

• LLM应用的快速扩展：随时“插拔”新的MCP Server即可，一个不够就再来一个

    MCP的提出者Anthropic旗下的Claude Desktop就可以通过这种方式扩充能力。

• 快速的适应变化：想象下，如果一个外部资源的接口发生变化，只需要访问它的MCP Server做修改，所有的LLM应用就可无缝适应。

• 新的AI能力共享生态：通过MCP Server的共享，新的LLM应用可以快速获得各种工具，形成了一种新的合作体系，提高整体效用。

  
  

【基于MCP的集成架构】

基于MCP将你的LLM应用与外部资源集成的架构用下图表示：

相对于LLM应用直连外部资源，这里主要多了一个中间层（MCP Server），以及连接这个中间层的（MCP Client），理解了这两个，你就理解了MCP。

MCP Server

 这里的Server不是传统意义上集中式的Server，你可以理解成一个服务插件。

• MCP Server部署在哪里？

MCP Server可以部署在LLM应用本机，也可以远程部署（Remote），不过目前Remote方式还未完善，暂时不考虑。以下仅考虑本地模式。

• MCP Server有哪些“服务”？

• Tools：提供给LLM应用特别是Agent使用的工具。

• Resoures：提供给LLM应用一些额外的结构化数据。

• Prompts：提供给LLM应用的一些Prompt模板。比如你的应用是一个Chatbot，可以从MCP Server中取出这些模板，让使用者选择使用。

  
  

• MCP Server从哪里获取？

• 自己使用MCP SDK创建后供自己或企业内共享使用。

• 从他人创建的MCP Servers中“挑选”，然后下载使用。比如从这里：

• MCP Server如何启动？
  

• 本地模式下，在LLM应用中配置启动命令后，会自动启动MCP Server

• 不同的MCP Server可能有不同的启动命令，注意查看MCP Server说明书

• 有的MCP Server需要先安装依赖；有的通过npx/uvx运行的MCP server，则会自动下载缓存并临时运行。

• MCP Server启动后的物理形式是一个独立的进程。

  
  

• MCP Server怎么与Client应用通信？
  

本地模式下MCP Server与客户端应用间通过stdio/stdout（标准输入输出）的进程间通信进行消息交换。这种方式你肯定见过，比如：

cat file.txt | grep "error" | sort > result.txt




• MCP Server使用什么语言创建？
  

  目前支持TS/Python/Java SDK来编写MCP Server。

  
  

MCP Client

• MCP Client是由客户端LLM应用使用Client SDK创建并维护的一个Server会话，就像你在程序中维护一个数据库的Connection一样。一般长这样：

  
  

async with stdio_client(server_params) as (read, write):
        async with ClientSession(
            read, write, sampling_callback=None
        ) as session:......

• 借助Client SDK你可以与MCP Server通信。比如查看Server的Tools：

  
  

tools = await session.list_tools()

• 本地模式下，Client与Server是一对一的关系。如果需要连接多个MCP Server，需要自行维护多个Session

  
  

  
  

我们用一个简单的Client+Server的完整Demo来加强理解。

使用pip install mcp安装SDK后，开始下列步骤。

【创建MCP Server】

这个MCP Server只有一个能力：提供一个计算器工具。实现如下：

#server_demo.py
from mcp.server.fastmcp import FastMCP

# 创建一个MCP服务器
mcp = FastMCP("演示")

# 添加一个加法工具
@mcp.tool()
def calculate(expression: str) -> float:
    """计算四则运算表达式
    参数:
        expression: 数学表达式字符串，如 "1 + 2 * 3"
    返回:
        计算结果
    """
    ...省略计算器代码...

if __name__ == "__main__":
    mcp.run(transport='stdio')

注意这里必须要有启动代码，但现在你无需启动它。

【创建MCP Client】

现在创建一个客户端应用，来连接上面的MCP Server，并调用其中的计算器：

#client_demo.pyfrom mcp.client.stdio import stdio_client
from mcp import ClientSession, StdioServerParameters, types
import asyncio

#Client会使用这里的配置来启动本地MCP Server
server_params = StdioServerParameters(
    command="python", 
    args=["./server_demo.py"],
    env=None
)

async def main():       
    async with stdio_client(server_params) as (read, write):
        async with ClientSession(
            read, write, sampling_callback=None
        ) as session:
            
            await session.initialize()

            print('\n正在调用工具...')
            result =await session.call_tool("calculate",{ "expression": "188*23-34" })
            print(result.content)

asyncio.run(main())

现在直接运行这个客户端，就可以看到如下输出：

我们在客户端加一行等待代码，让程序暂时挂起，来观察下面两个命令的结果：

发现了什么？MCP Server这里被自动启动了，而且它是客户端应用的子进程！

【如何调试MCP Server】

这里还有个问题，如果我只是纯粹的MCP Server开发者，如何快速测试这个Server？对于这里的Python编写的server，可以使用MCP inspector来调试，运行命令：

mcp dev server_demo.py

现在访问http://localhost:5173，就进入可视化的调试界面，可以在这里直观的测试刚才的计算器工具：

相对上面的例子，你可能更关心的是能否借助第三方MCP Server，来让自己的Agent快速使用工具，以连接外部资源？

现在一起来完成一个真正的Agent，这个Agent会使用第三方MCP Server中的工具来扩展自身能力，为了方便，这里借助LlamaIndex的FunctionCallingAgent来快速实现这个Agent（LangGraph请使用create_react_agent）。

【找到MCP Server并安装】

我们先来挑选一个MCP Server。比如这一个：

这是一个用来访问ArXiv上论文的MCP Server，提供了搜索、下载等工具。根据它的说明，先安装（注意不同MCP Server安装命令不一样）：

uv tool install arxiv-mcp-server

【创建Agent，使用这个MCP Server】

现在我们创建Agent以连接并使用这个MCP Server。在MCP Server的说明中找到其使用的配置方法（其实就是运行命令与命令行参数），添加到Agent代码中：

...
server_params_axiv = StdioServerParameters(
    command="uv", # Executable
    args= [
            "tool",
            "run",
            "arxiv-mcp-server",
            "--storage-path", "./storage"
        ],
    env={**os.environ}
)

接下来借助LlamaIndex中的McpToolSpec直接把MCP server中的Tools转化为Agent用的Tools（langGraph请使用langchain-mcp-adapters），然后创建Agent即可：

async def main():
    # 连接MCP Server
    async with stdio_client(server_params_axiv) as (read, write):
        async with ClientSession(read, write, sampling_callback=None) as session:
            await session.initialize()
        
            # 查看下MCP server的工具
            print('\n正在列出服务器工具...')
            tools1 = await session.list_tools()
            for tool in tools1.tools:
                print('可用工具:', tool.name)
                
            # 获得MCP server的tools
            mcpToolSpec = McpToolSpec(session)
            tools_list = await mcpToolSpec.to_tool_list_async()

            #一个简单的FunctionCallingAgent
            agent = FunctionCallingAgent.from_tools(
                tools_list,
                llm=llm,
                verbose=True,
                system_prompt="你是一个问题回答专家。请使用工具回答问题。")

            #测试
            while True:
                question = input("\n请输入问题(输入q退出):")
                if question.lower() == 'q':
                    break
                response = await agent.achat(question)
                print(response)

asyncio.run(main())

【测试】

这样就借助一个已有的MCP Server来让我们的Agent获得了Arxiv访问的能力，比如你可以让Agent帮下载一个论文：