MCP协议
1 什么是 MCP？
MCP（Model Context Protocol，模型上下文协议） 是由 Anthropic 推出的一种开放标准，旨在统一大型语言模型（LLM）与外部数据源和工具之间的通信协议。
MCP 的主要目的在于解决当前 AI 模型因数据孤岛限制而无法充分发挥潜力的难题，MCP 使得 AI 应用能够安全地访问和操作本地及远程数据，为 AI 应用提供了连接万物的接口。
1.1 MCP 与functioncall
MCP是在OpenAI的Function call和GPTs之后出现的，那么它一定是看到了Function call的开发和使用的复杂性，而且看到了GPTs的封闭和不开放性。
Function call可以说是MCP的灵感的来源和基础功能，可以理解Function call等同于工具（tools）。大模型（LLM）能够理解工具的描述和参数的规定，然后，会从一堆工具中去选择一个和几个工具来解决用户提出的问题。没有LLM能自动选择和调用工具的能力，也没有MCP这个概念的可能。这是MCP的源头和基础，不得不说，这是OpenAI的巨大原始贡献。
但是，Function call，或者 Tools 使用，对很多开发者，就不用说一般用户了，尽管能用大模型来copilot，还是很不方便，网络访问，权限控制，流程控制，错误处理，可靠性，版本维护，升级改动，等等，一大堆事情都要去编程处理。而且，对不同的应用场景，可能还需要定制化。
既然Function call这么复杂不好用，那么OpenAI提出了GPTs的概念，说白的，GPTs就类似于微信的小程序，它的底层实现，依然是基于Function call，做好的一个一个GPTs，用户可以选择使用哪一个。这儿的问题是，GPTs相当于是已经包装好的闭源应用，只能在OpenAI平台上使用，不开放，不是生态玩法（可能只是OpenAI生态）。你给OpenAI做了个GPT，对别的平台，你还得做一个，这样，对服务商，开发者，依然不方便，不利于市场拓展。
由此看到，Function call太底层，GPTs太高层，这时，就有了MCP这样处于中间层的协议或产品出来了。
2 MCP 架构
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）：发起请求的 LLM 应用程序（例如 Claude Desktop、IDE 或 AI 工具）。
- MCP 客户端（MCP Clients）：在主机程序内部，与 MCP server 保持 1:1 的连接。
- MCP 服务器（MCP Servers）：为 MCP client 提供上下文、工具和 prompt 信息。
- 本地资源（Local Resources）：本地计算机中可供 MCP server 安全访问的资源（例如文件、数据库）。
- 远程资源（Remote Resources）：MCP server 可以连接到的远程资源（例如通过 API）。
3 MCP Server
MCP server 是 MCP 架构中的关键组件，它可以提供 3 种主要类型的功能：
- 资源（Resources）：类似文件的数据，可以被客户端读取，如 API 响应或文件内容。
- 工具（Tools）：可以被 LLM 调用的函数（需要用户批准）。
- 提示（Prompts）：预先编写的模板，帮助用户完成特定任务。
这些功能使 MCP server 能够为 AI 应用提供丰富的上下文信息和操作能力，从而增强 LLM 的实用性和灵活性。
你可以在 MCP Servers Repository 和 Awesome MCP Servers 这两个 repo 中找到许多由社区实现的 MCP server。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。
3.1 Resources
3.1.1 resource类型
Resource可以是如下类型：
文件内容
数据库记录
API响应结果
图片等多媒体内容
…
Resources更多的是用于固定的资源获取，如果是一些更复杂的动态数据获取，还是需要使用Tools来实现。
协议内容
每个对象都有唯一的URI标识：[protocol]/[host]/[path]，例如
file:///home/user/documents/report.pdf
postgres://database/customers/schema
3.1.2 客户端获取资源
客户端获取所有资源，共有两种方式：
- 获取direct resources
- 获取资源模板，一些动态资源可以通过这种方式返回
1. 获取direct resources
// Request
{
method: "resources/list"
}
// Response
{
uri: string; // 唯一标识
name: string; // 资源名称
description?: string; // 描述
mimeType?: string; // 资源类型
}
2. 获取资源模板，一些动态资源可以通过这种方式返回
// Request
{
method: "resources/templates/list"
}
// Response
{
uriTemplate: string; // RFC 6570 格式的uri，例如：/users/{userId}
name: string; // 资源名称
description?: string; // 描述
mimeType?: string; // 资源类型
}
客户端读取指定资源，返回文本或base64后的内容
// Request
{
method: "resources/get",
params: {
uri: uri
}
}
// Response
{
contents: [
{
uri: string; // 资源uri
mimeType?: string; // 资源类型
// 下面二选一:
text?: string; // 文本内容
blob?: string; // base64后的二进制内容
}
]
}
3.2 Prompts
创建一个全局可复用的提示词模板，来标准化与LLM的交互，服务端只暴露这些prompts，供用户端选择使用。
3.1.1 协议内容
prompt的定义结构为：
客户端获取prompts列表, 只会包含prompt的唯一标识以及生成提示词需要的参数
客户端请求从服务端获取生成的prompt，需要传入要求的参数
{
name: string; // 唯一标识
description?: string; // 描述
arguments?: [ // 参数列表
{
name: string; // 参数唯一标识
description?: string; // 参数描述
required?: boolean; // 是否必填
}
]
}
客户端获取prompts列表, 只会包含prompt的唯一标识以及生成提示词需要的参数
// Request
{
method: "prompts/list"
}
// Response
{
prompts: [
{
name: "analyze-code",
description: "Analyze code for potential improvements",
arguments: [ // 这里表示prompt需要一个language参数ss
{
name: "language",
description: "Programming language",
required: true
}
]
}
]
}
客户端请求从服务端获取生成的prompt，需要传入要求的参数
// Request
{
method: "prompts/get",
params: {
name: "analyze-code",
arguments: {
language: "python"
}
}
}
// Response
{
description: "Analyze Python code for potential improvements",
messages: [
{
role: "user",
content: {
type: "text",
text: "Please analyze the following Python code for potential improvements:\n\n```python\ndef calculate_sum(numbers):\n total = 0\n for num in numbers:\n total = total + num\n return total\n\nresult = calculate_sum([1, 2, 3, 4, 5])\nprint(result)\n```"
}
}
]
}
这种设计的好处就是：prompt的生成可以由MCP服务端根据不同入参去做不同返回，而不仅仅只是字符串占位而已。
3.1.2 SDK注册tool示例
使用装饰器mcp.prompt可以自动生成prompts协议格式：
基于python的类型注解生成出prompt入参的schema
基于inspect工具提取函数描述作为prompt的描述
@mcp.prompt()
def echo_prompt(message: str) -> str:
“”“测试prompt”“”
return f"Please process this message: {message}"
3.3 tools
工具在MCP中被设计成通过模型来操控，是得LLM能与外部系统交互，能在现实世界执行动作。MCP Server需要将工具暴露给客户端，并由LLM决定如何执行，同时每个工具需要有一个唯一标识
3.3.1 协议内容
客户端获取服务端所有工具列表
// Request
{
method: “tools/list”
}
// Response
{
“tools”: [
{
“name”: “get_alerts”,
“description”: "获取天气预警信息\n Args:\n state: 州名\n ",
“inputSchema”: {
“properties”: {
“state”: {
“title”: “State”,
“type”: “string”
}
},
“required”: [
“state”
],
“title”: “get_alertsArguments”,
“type”: “object”
}
}
]
}
这里的schema协议用的json schema，openai的chat api中参数response_format也是支持使用该协议来规范大模型输出。
客户端调用tool执行
// Request
{
method: “tools/call”
}
// Response
{
“content”: “”
}
3.3.2 SDK注册tool示例
mcp协议规定工具定义的规范，是用实现的sdk的mcp.tool装饰器，不需要再额外去编写规范文档，能够自动生成工具定义：
基于python的类型注解生成出入参的schema
基于inspect工具提取函数描述
@mcp.tool()
async def tool_a(state: str) -> str:
“”“获取天气预警信息
Args:
state: 州名
“””
…
参考文档：https://zhuanlan.zhihu.com/p/19707405738
4 MCP Client
MCP client 充当 LLM 和 MCP server 之间的桥梁，MCP client 的工作流程如下：
- MCP client 首先从 MCP server 获取可用的工具列表。
- 将用户的查询连同工具描述通过 function calling 一起发送给 LLM。
- LLM 决定是否需要使用工具以及使用哪些工具。
- 如果需要使用工具，MCP client 会通过 MCP server 执行相应的工具调用。
- 工具调用的结果会被发送回 LLM。
- LLM 基于所有信息生成自然语言响应。
- 最后将响应展示给用户。
你可以在 Example Clients 找到当前支持 MCP 协议的客户端程序。
本文将会使用 Claude Desktop 作为 MCP client，你可以在此页面下载安装：https://claude.ai/download
5 使用 Claude Desktop 通过 PostgreSQL MCP Server 查询数据库信息
接下来演示通过 PostgreSQL MCP Server 使 LLM 能够基于 PostgreSQL 中的数据来回答问题。
5.1 准备 PostgreSQL 数据
首先使用 Docker 启动 PostgreSQL 服务。
docker run -d --name postgres \
-e POSTGRES_PASSWORD=postgres -p 5432:5432 \
postgres
在 PostgreSQL 中创建数据库和表，并插入数据。
-- 登录 PostgreSQL
docker exec -it postgres psql -U postgres
-- 创建数据库
CREATE DATABASE shopdb;
-- 连接到新创建的数据库
\c shopdb;
-- 创建 users 表
CREATE TABLE users (
user_id SERIAL PRIMARY KEY,
first_name VARCHAR(50) NOT NULL,
last_name VARCHAR(50) NOT NULL,
email VARCHAR(100) UNIQUE NOT NULL
);
-- 创建 orders 表
CREATE TABLE orders (
order_id SERIAL PRIMARY KEY,
order_date TIMESTAMP NOT NULL,
total_amount DECIMAL(10, 2) NOT NULL,
user_id INT REFERENCES users(user_id)
);
-- 插入示例数据
INSERT INTO users (first_name, last_name, email) VALUES
('John', 'Doe', '[email protected]'),
('Jane', 'Smith', '[email protected]'),
('Alice', 'Johnson', '[email protected]');
INSERT INTO orders (order_date, total_amount, user_id) VALUES
('2025-01-05 10:30:00', 150.75, 1),
('2025-01-06 11:00:00', 200.50, 2),
('2025-01-07 12:45:00', 120.25, 1);
5.2 配置连接 PostgreSQL MCP Server
在 Claude Desktop 中配置 PostgreSQL MCP Server 的连接信息，具体内容可以参考：For Claude Desktop Users。最终是在 claude_desktop_config.json 文件中添加如下内容：
{
"mcpServers": {
"postgres": {
"command": "npx",
"args": [
"-y",
"@modelcontextprotocol/server-postgres",
"postgresql://postgres:[email protected]/shopdb"
]
}
}
}
配置完毕后，重启 Claude Desktop。一切正常的话，你应该能在输入框的右下角看到一个锤子图标。点击锤子图标，可以看到 PostgreSQL MCP Server 提供的工具信息。
5.3 根据 PostgreSQL 的数据进行提问
首先来问一个简短的问题：数据库中有哪些表？ Claude 会判断出需要调用 MCP server 来查询 PostgreSQL 中的数据。这里会弹出一个窗口，需要用户授权。
点击 Allow 后，Claude 成功返回了结果。
接下来我们可以增加一点难度：查询金额最高的订单信息。在数据库中有两张表 users 和 orders，要想得到完整的订单信息，需要先去查询 orders 表中金额最高的一条记录，然后根据 user_id 这个外键再去查询 users 表中对应的用户信息。
从下面的输出可以发现 Claude 一开始是不知道数据库中的表结构的，因此先发送请求分别确定 orders 表和 users 表中相应的字段，然后再对两张表进行 join 查询。
点击 View Result from query from postgres 可以看到 Claude Desktop 向 MCP server 发送的请求以及得到的响应，说明这个结果确实是从 PostgreSQL 数据库中查询得到的。
你也可以复制这条 SQL 语句到数据库中查询进行确认。
总结
本文带领读者快速入门了 MCP（模型上下文协议），介绍了其架构、核心概念以及实际应用场景。通过演示 Claude Desktop 结合 PostgreSQL MCP Server 查询数据库的场景，展示了 MCP 如何增强 LLM 与外部数据源的交互能力。后续文章还会继续分享 MCP server 和 MCP client 开发的相关内容，欢迎持续关注。
参考资料
Model Context Protocol 官方文档：https://modelcontextprotocol.io/introduction
深度解析：Anthropic MCP 协议：https://mp.weixin.qq.com/s/ASmcjW53HKokdYt1m-xyXA
欢迎关注
http://weixin.qq.com/r/_hKehkDEUR0urQTl90fo (二维码自动识别)