文章

MCP协议学习总结：从架构到实现原理

发表于
作者 Jasonbourne 15 分钟阅读

一、MCP是什么？

MCP（Model Context Protocol，模型上下文协议）是由Anthropic在2024年发布的一个开放标准协议，旨在标准化和统一大语言模型（LLM）与外部数据源、工具之间的通信方式。

核心价值

  • 统一标准：类似于USB-C接口，为不同的数据源、工具和应用提供统一的连接方式
  • 解决问题：克服了传统AI系统因缺乏标准化接口而导致的集成困难、信息孤岛问题
  • 简化开发：开发者无需为每个工具开发单独的适配代码，实现动态发现和集成

二、MCP架构设计

2.1 三层架构模型

MCP采用三层架构设计，实现了LLM与外部资源的有效解耦：

1
2
3
4
5
6
7
8
9
10

┌─────────────────────────────────────┐
│    MCP Host                          │
│  (AI应用环境，如Claude Desktop)      │
├─────────────────────────────────────┤
│    MCP Client                        │
│  (集成在Host内，负责与Server通信)     │
├─────────────────────────────────────┤
│    MCP Server                        │
│  (轻量级服务端，提供Tools/Resources) │
└─────────────────────────────────────┘

核心组件说明：

  1. MCP Host
    • 运行AI模型的宿主环境（如Claude Desktop、DeepSeek应用）
    • 管理客户端实例，控制连接权限
    • 执行安全策略，聚合上下文信息
  2. MCP Client
    • 集成在Host内部的客户端组件
    • 负责与MCP Server通信
    • 处理协议协商和消息路由
    • 维持与Server的1:1隔离连接
  3. MCP Server
    • 轻量级服务端，可本地或远程部署
    • 提供三类核心功能：
      • Tools：可执行函数（数据库查询、API调用等）
      • Resources：只读数据源（文件、日志、数据库记录等）
      • Prompts：预定义的任务模板

2.2 架构设计原则

  1. 简单性：Server设计简化，复杂协调由Host处理
  2. 可组合性：多个Server可无缝组合，支持模块化设计
  3. 隔离性：Server无法访问整个会话历史或其他Server的数据，由Host控制交互
  4. 可扩展性：功能可增量添加，保证向后兼容性

三、通信机制详解

3.1 JSON-RPC 2.0协议

MCP所有消息交互都遵循JSON-RPC 2.0规范，这是一个轻量级的远程过程调用协议。

基本消息结构：

1
2
3
4
5
6
7
8
9
10
11

{
  "jsonrpc": "2.0",
  "id": 1,
  "method": "call_tool",
  "params": {
    "tool_name": "sql_query",
    "arguments": {
      "query": "SELECT * FROM users WHERE age > 18"
    }
  }
}

四大消息类型：

消息类型作用示例
Request发起请求，期望获得响应调用工具请求
Result成功响应请求工具执行结果
Error请求执行失败错误码和错误描述
Notification单向消息，不期望响应工具列表更新通知

3.2 传输方式

本地通信

  • 使用方式：通过stdio（标准输入输出）传输
  • 适用场景：本地工具调用，同一机器上的进程通信
  • 优势：低延迟，安全性高
1

应用进程 <--stdin/stdout--> MCP Server

远程通信

  • 使用方式：基于SSE（Server-Sent Events）的HTTP长连接
  • 组成：
    • Client → Server：HTTP POST请求
    • Server → Client：HTTP SSE长连接
  • 适用场景：跨网络、远程服务调用
  • 优势：支持异步数据流，适合高延迟网络
1
2

应用 --HTTP POST--> 远程Server
      <-HTTP SSE-- 远程Server

四、核心功能模块

4.1 Tools（工具）

工具是MCP最常用的功能，允许LLM调用外部可执行函数。

实现方式：

1
2
3
4
5
6
7
8
9
10
11
12

import mcp

@mcp.tool()
def write_to_database(data: dict) -> dict:
    """将数据写入数据库"""
    db.insert(data)
    return {"status": "success", "id": data.get("id")}

@mcp.tool()
def query_database(query: str) -> list:
    """查询数据库"""
    return db.execute(query).fetchall()

工具调用流程：

  1. 发现阶段：Client通过list_tools()方法获取Server支持的工具列表
  2. 执行阶段：LLM选择合适的工具，发送调用请求
  3. 返回阶段：Server执行工具，返回结果给LLM

4.2 Resources（资源）

资源提供只读的数据源访问，用于向LLM暴露结构化数据。

实现方式：

1
2
3
4
5
6
7
8
9
10
11
12
13

@mcp.resource("file://config.json")
def read_config() -> str:
    """读取配置文件"""
    with open("config.json", "r") as f:
        return f.read()

@mcp.resource("db://users")
def get_users_schema() -> dict:
    """获取用户表结构"""
    return {
        "columns": ["id", "name", "email"],
        "types": ["int", "string", "string"]
    }

特点：

  • 由URI标识（如file://path、db://table）
  • 只读性质，防止意外修改
  • 支持流式返回大型资源

4.3 Prompts（提示）

预定义的对话模板，指导LLM完成特定任务。

实现方式：

1
2
3
4
5
6
7
8
9
10

@mcp.prompt(
    name="sql_generator",
    description="根据自然语言生成SQL语句"
)
def sql_prompt(table_name: str, condition: str) -> str:
    return f"""You are a SQL expert. Generate a SQL query for:
    Table: {table_name}
    Condition: {condition}
    
    Return only the SQL query without explanation."""

优势：

  • 提高LLM完成特定任务的准确率
  • 减少prompt工程的重复工作
  • 支持参数化，提供灵活的模板

五、动态发现机制

5.1 工具级动态发现

这是MCP的核心创新之一，允许AI模型实时发现并集成新工具。

工作流程：

1
2
3
4

1. Client启动 --> list_tools() 
2. Server返回 --> [{name: "tool1"}, {name: "tool2"}]
3. 新增工具 --> Server发送 notifications/tools/list_changed
4. Client刷新 --> 重新获取工具列表

代码示例：

1
2
3
4
5
6

# 客户端获取工具列表
tools = await session.list_tools()
# 输出：["sql_query", "read_file", "send_email"]

# Server新增工具时，自动通知Client
await session.notify_tools_changed()

5.2 服务级动态发现（2025年新增特性）

URI驱动发现：

1
2
3
4
5
6
7
8
9

用户输入 URI: mcp://api.service.com
      ↓
Client 解析 URI
      ↓
访问元数据端点: https://api.service.com/llms.txt
      ↓
服务端返回 JSON 描述文件（功能列表、API文档、认证方式）
      ↓
Client 自动配置工具调用权限

应用场景：

  • 用户粘贴一个MCP URI到聊天窗口
  • LLM自动识别并集成该服务（如股票API、天气服务）
  • 无需手动配置，真正的即插即用

六、安全与权限控制

6.1 安全设计原则

  1. 本地化执行
    • MCP Server默认运行在本地，避免敏感数据外泄
    • 用户完全控制数据流向
  2. 操作确认机制
    • 高风险操作（删除文件、修改数据库）需用户手动授权
    • 避免LLM误操作造成的数据损失
  3. 企业级安全扩展
    • JWT令牌认证
    • RBAC权限模型
    • IPsec隧道加密
    • 满足金融、医疗等严格合规需求

6.2 权限控制示例：

1
2
3
4
5
6
7
8
9
10
11

@mcp.tool(requires_confirmation=True)
def delete_database_record(record_id: int) -> dict:
    """删除数据库记录（需要用户确认）"""
    # 此操作会在执行前弹出确认对话框
    db.delete(record_id)
    return {"status": "deleted"}

@mcp.tool(roles=["admin", "data_manager"])
def export_data(format: str) -> bytes:
    """导出数据（仅admin和data_manager角色可用）"""
    return db.export(format)

七、与传统API的对比

能力传统APIMCP协议
集成复杂度需为每个工具开发适配代码动态发现，无需预编码
工具扩展性需重新部署应用实时添加工具，Client自动更新
多源支持依赖定制化开发统一协议接入数据库、API、文件等
安全边界依赖网络隔离本地执行+细粒度权限控制
开发效率每个新服务需重写客户端代码一次实现，任意LLM可用
用户体验需手动配置每个工具自动发现，开箱即用

八、典型应用场景

场景1：智能客服系统

1
2
3
4
5
6
7
8
9

用户提问：我的订单号是12345，现在在哪里？
    ↓
LLM识别需要调用order_query工具
    ↓
MCP Client调用远程服务的query_tool
    ↓
Server返回订单状态信息
    ↓
LLM生成自然语言回复给用户

场景2：数据分析助手

1
2
3
4
5
6
7
8
9

LLM需要分析销售数据
    ↓
通过Resource读取数据库表结构
    ↓
LLM生成SQL查询工具调用
    ↓
获取原始数据，LLM进行分析
    ↓
生成实时报表和可视化建议

场景3：自动化运维

1
2
3
4
5
6
7
8
9

监控告警触发
    ↓
LLM通过list_tools()发现可用的修复工具
    ↓
根据服务器日志和监控数据判断问题
    ↓
自动调用修复工具（如重启服务、清理缓存）
    ↓
验证修复结果，上报处理结果

场景4：跨平台协作

1
2
3
4
5
6
7
8
9

LLM需要协调会议时间
    ↓
调用get_calendar工具查看日程
    ↓
调用list_users工具获取参与者列表
    ↓
调用send_meeting_invitation工具发送邀请
    ↓
集成Slack、邮箱、日历工具完成协调

九、连接生命周期

初始化阶段

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

Client → Server: 初始化请求
{
  "protocol": "mcp/1",
  "capabilities": {
    "sampling": {},
    "roots": {}
  }
}

Server → Client: 初始化响应
{
  "protocol": "mcp/1",
  "capabilities": {
    "tools": {},
    "resources": {},
    "prompts": {}
  }
}

消息交换阶段

  • Client发送请求（调用工具、获取资源等）
  • Server处理请求并返回结果
  • 双向支持Notification（无需响应的通知）

终止阶段

  • 优雅关闭连接
  • 清理资源
  • 记录日志

十、MCP的学习路径

初级阶段

  1. 理解MCP的基本概念和架构
  2. 学习JSON-RPC 2.0协议
  3. 尝试使用现有的MCP Server

中级阶段

  1. 开发简单的MCP Server（提供单个Tool）
  2. 理解Tools、Resources、Prompts三大功能
  3. 实现本地通信（stdio方式）

高级阶段

  1. 实现远程通信（HTTP SSE方式）
  2. 实现动态发现机制
  3. 添加安全认证和权限控制
  4. 优化Server性能和错误处理

十一、关键收获与总结

MCP的核心优势

  1. 灵活性
    • 工具可热插拔，服务可动态扩展
    • 无需重新部署客户端应用
  2. 安全性
    • 本地化执行保护敏感数据
    • 细粒度权限控制
    • 操作确认机制
  3. 标准化
    • 统一协议降低集成成本
    • 推动AI生态开放
    • 减少重复开发工作

为什么MCP很重要

  • 标准化大模型与外部系统的交互，就像USB-C统一了设备接口
  • 动态发现机制使得即插即用成为可能，大幅降低集成复杂度
  • 开放生态鼓励第三方开发者贡献MCP Server，形成工具库生态

参考资源

总结

MCP协议代表了大模型应用开发的新方向。通过标准化的通信协议、灵活的功能模块和动态发现机制，MCP使得大模型应用可以像搭积木一样组合各种功能，真正实现了”工具民主化”。

掌握MCP不仅能加深对AI应用架构的理解，还能帮助开发者构建更灵活、更安全、更易维护的AI系统。

AI
MCP 模型上下文协议 大模型 架构设计
本文由作者按照 CC BY 4.0 进行授权