概念介绍
什么是模型上下文协议 （MCP）
MCP（模型上下文协议）是一种用于将 AI 应用程序连接到外部系统的开源标准。
使用 MCP，Claude 或 ChatGPT 等人工智能应用程序可以连接到数据源（例如本地文件、数据库）、工具（例如搜索引擎、计算器）和工作流程（例如专门提示），使它们能够访问关键信息并执行任务。
将 MCP 视为用于 AI 应用的 USB-C 端口。正如 USB-C 提供了连接电子设备的标准化方式一样，MCP 也提供了将 AI 应用程序连接到外部系统的标准化方式。
MCP 有哪些能力？
- 代理可以访问 Google 日历和 Notion，充当更加个性化的人工智能助手。
- Claude Code 可以使用 Figma 设计生成整个 Web 应用程序。
- 企业聊天机器人可以连接到整个组织的多个数据库，使用户能够使用聊天来分析数据。
- AI 模型可以在 Blender 上创建 3D 设计并使用 3D 打印机打印出来。
为什么 MCP 很重要？
MCP 可以带来一系列好处。
开发人员 ：MCP 在构建或集成 AI 应用程序或代理时减少了开发时间和复杂性。
AI 应用程序或代理 ：MCP 提供对数据源、工具和应用程序生态系统的访问，这将增强功能并改善最终用户体验。
最终用户 ：MCP 会产生功能更强大的 AI 应用程序或代理，它们可以访问用户的数据并在必要时代表用户采取行动。
体系结构概述
概述讨论了其范围和核心概念 ，并提供了一个示例来演示每个核心概念。
由于 MCP SDK 抽象化了许多问题，因此大多数开发人员可能会发现数据层协议部分是最有用的。它讨论了 MCP 服务器如何为 AI 应用程序提供上下文。
范围
- MCP 规范 ：MCP 规范，概述了客户端和服务器的实现要求。
- MCP SDK：用于实现 MCP 的不同编程语言的 SDK。
- MCP 开发工具 ：用于开发 MCP 服务器和客户端的工具，包括 MCP Inspector
- MCP 参考服务器实现：MCP 服务器的参考实现。
MCP 成员
MCP 遵循客户端-服务器架构，其中 MCP 主机（如 Claude Code 或 Claude Desktop 等 AI 应用程序）建立与一个或多个 MCP 服务器的连接。MCP 主机通过为每个 MCP 服务器创建一个 MCP 客户端来实现这一点。每个 MCP 客户端都与其相应的 MCP 服务器保持专用的一对一连接。
MCP 架构的主要成员是：
- MCP 主机 ：协调和管理一个或多个 MCP 客户端的 AI 应用程序
- MCP 客户端 ：维护与 MCP 服务器的连接并从 MCP 服务器获取上下文供 MCP 主机使用的组件
- MCP 服务器 ：向 MCP 客户端提供上下文的程序
例如 ：Visual Studio Code 充当 MCP 主机。当 Visual Studio Code 建立与 MCP 服务器（如 Sentry MCP 服务器 ）的连接时，Visual Studio Code 运行时会实例化一个 MCP 客户端对象，该对象用于维护与 Sentry MCP 服务器的连接。当 Visual Studio Code 随后连接到另一个 MCP 服务器（例如本地文件系统服务器 ）时，Visual Studio Code 运行时会实例化一个额外的 MCP 客户端对象来维护此连接，从而保持 MCP 客户端与 MCP 服务器的一对一关系。
请注意，MCP 服务器是指提供上下文数据的程序，无论它在哪里运行。MCP 服务器可以在本地或远程执行。例如，当 Claude Desktop 启动文件系统服务器时， 服务器在同一台机器上本地运行，因为它使用 STDIO 运输。这通常称为“本地”MCP 服务器。官方 Sentry MCP 服务器在 Sentry 平台上运行，并使用 Streamable HTTP 传输。这通常称为“远程”MCP 服务器。
MCP层
MCP 由两层组成：
- 数据层 ：定义基于 JSON-RPC 的客户端-服务器通信协议，包括生命周期管理和核心原语，例如工具、资源、提示和通知。
- 传输层 ：定义支持客户端和服务器之间数据交换的通信机制和通道，包括特定于传输的连接建立、消息成帧和授权。
从概念上讲，数据层是内层，而传输层是外层。
数据层
数据层实现了基于 JSON-RPC 2.0 的交换协议，该协议定义了消息结构和语义。该层包括：
- 生命周期管理 ：处理客户端和服务器之间的连接初始化、功能协商和连接终止
- 服务器功能 ：使服务器能够提供核心功能，包括 AI 作工具、上下文数据资源以及与客户端之间的交互模板提示
- 客户端功能 ：使服务器能够要求客户端从主机 LLM 中采样，从用户中获取输入，并将消息记录到客户端
- 实用程序功能 ：支持附加功能，例如实时更新通知和长时间运行作的进度跟踪
传输层
传输层管理客户端和服务器之间的通信通道和身份验证。它处理 MCP 参与者之间的连接建立、消息成帧和安全通信
MCP 支持两种传输机制：
- 标准传输 ：使用标准输入/输出流在同一台机器上的本地进程之间进行直接进程通信，提供最佳性能，没有网络开销。
- 可流式传输 HTTP 传输 ：将 HTTP POST 用于客户端到服务器消息，并使用可选的服务器发送事件来实现流式处理功能。此传输支持远程服务器通信，并支持标准 HTTP 身份验证方法，包括持有者令牌、API 密钥和自定义标头。MCP 建议使用 OAuth 获取身份验证令牌。
传输层从协议层抽象出通信细节，从而在所有传输机制中实现相同的 JSON-RPC 2.0 消息格式。
数据层协议
MCP 的核心部分是定义 MCP 客户端和 MCP 服务器之间的模式和语义。开发人员可能会发现数据层——尤其是原语集——是 MCP 中最有趣的部分。它是 MCP 的一部分，定义了开发人员将上下文从 MCP 服务器共享到 MCP 客户端的方式。
MCP 使用 JSON-RPC 2.0 作为其底层 RPC 协议。客户端和服务器相互发送请求并做出相应的响应。当不需要响应时，可以使用通知。
生命周期管理
MCP是一种有状态协议，需要实现生命周期管理。生命周期管理的目的是协调客户端与服务器双方支持的运行能力。具体规范可参阅技术说明书，示例代码展示了初始化序列的实现。
原语
MCP 原语是 MCP 中最重要的概念。它们定义了客户端和服务器可以相互提供什么。这些基元指定了可以与 AI 应用程序共享的上下文信息类型以及可以执行的作范围。
MCP 定义了服务器可以公开的三个核心原语：
- 工具 ：AI 应用程序可以调用来执行作的可执行函数（例如，文件作、API 调用、数据库查询）
- 资源 ：向 AI 应用程序提供上下文信息的数据源（例如，文件内容、数据库记录、API 响应）
- 提示 ：可重用的模板，有助于构建与语言模型的交互（例如，系统提示、少量示例）
每个原始类型都有相关的发现 （/list）、检索 （/get） 方法，在某些情况下还用于执行 （tools/call） 的方法。MCP 客户端将使用 */list 方法来发现可用的原语。例如，客户端可以首先列出所有可用的工具（tools/list），然后执行它们。这种设计允许列表是动态的。
作为一个具体的例子，考虑一个提供有关数据库的上下文的 MCP 服务器。它可以公开用于查询数据库的工具、包含数据库架构的资源以及包含用于与工具交互的少量示例的提示。
有关服务器基元的更多详细信息，请参阅服务器概念 。
MCP 还定义了客户端可以公开的原语。这些基元允许 MCP 服务器作者构建更丰富的交互。
- 采样 ：允许服务器从客户端的 AI 应用程序请求语言模型完成。当服务器的作者想要访问语言模型，但希望保持模型独立性并且不在其 MCP 服务器中包含语言模型 SDK 时，这非常有用。他们可以使用采样/完成方法从客户端的 AI 应用程序请求语言模型完成。
- 引出 ：允许服务器向用户请求其他信息。当服务器的作者想要从用户那里获取更多信息或要求确认作时，这非常有用。他们可以使用引出/请求方法向用户请求其他信息。
- 日志记录 ：使服务器能够向客户端发送日志消息以进行调试和监控。
实例
数据层
本节提供了 MCP 客户端-服务器交互的分步演练，重点关注数据层协议。我们将演示使用 JSON-RPC 2.0 消息的生命周期序列、工具作和通知。
1. 初始化（生命周期管理）
MCP 通过功能协商握手从生命周期管理开始。如生命周期管理部分所述，客户端发送初始化请求以建立连接并协商支持的功能。
初始化请求：
{
"jsonrpc": "2.0",
"id": 1,
"method": "initialize",
"params": {
"protocolVersion": "2025-06-18",
"capabilities": {
"elicitation": {}
},
"clientInfo": {
"name": "example-client",
"version": "1.0.0"
}
}
}
初始化响应：
{
"jsonrpc": "2.0",
"id": 1,
"result": {
"protocolVersion": "2025-06-18",
"capabilities": {
"tools": {
"listChanged": true
},
"resources": {}
},
"serverInfo": {
"name": "example-server",
"version": "1.0.0"
}
}
}
了解初始化交互
初始化过程是 MCP 生命周期管理的关键部分，具有几个关键目的：
- 协议版本协商 ：protocolVersion 字段（例如“2025-06-18”）确保客户端和服务器都使用兼容的协议版本。这可以防止不同版本尝试交互时可能发生的通信错误。如果未协商相互兼容的版本，则应终止连接。
- 功能发现 ：capabilities 对象允许各方声明他们支持哪些功能，包括他们可以处理哪些基元 （工具、资源、提示）以及它们是否支持通知等功能。这通过避免不受支持的作来实现高效通信。
- 身份交换 ：clientInfo 和 serverInfo 对象提供标识和版本控制信息，用于调试和兼容性目的。
客户端能力 ：
“elicitation”： {} - 客户端声明它可以处理用户交互请求（可以接收 elicitation/create method calls）
服务器功能 ：
“tools”: {“listChanged”: true} - 服务器支持工具原语，并且可以在其工具列表更改时发送工具/list_changed 通知
“resources”： {} - 服务器还支持 resources 原语（可以处理 resources/list 和 resources/read 方法）
初始化成功后，客户端会发送通知以指示其已准备就绪：
{
"jsonrpc": "2.0",
"method": "notifications/initialized"
}
这在人工智能应用程序中的工作原理
在初始化期间，AI 应用程序的 MCP 客户端管理器会建立与已配置服务器的连接，并存储其功能以供以后使用。应用程序使用此信息来确定哪些服务器可以提供特定类型的功能（工具、资源、提示）以及它们是否支持实时更新。
# Pseudo Code
async with stdio_client(server_config) as (read, write):
async with ClientSession(read, write) as session:
init_response = await session.initialize()
if init_response.capabilities.tools:
app.register_mcp_server(session, supports_tools=True)
app.set_server_ready(session)
2. 工具发现（基元）
现在连接已建立，客户端可以通过发送工具/列表请求来发现可用工具。此请求是 MCP 工具发现机制的基础——它允许客户端在尝试使用它们之前了解服务器上可用的工具。
工具列表请求：
{
"jsonrpc": "2.0",
"id": 2,
"method": "tools/list"
}
工具列表响应：
{
"jsonrpc": "2.0",
"id": 2,
"result": {
"tools": [
{
"name": "calculator_arithmetic",
"title": "Calculator",
"description": "Perform mathematical calculations including basic arithmetic, trigonometric functions, and algebraic operations",
"inputSchema": {
"type": "object",
"properties": {
"expression": {
"type": "string",
"description": "Mathematical expression to evaluate (e.g., '2 + 3 * 4', 'sin(30)', 'sqrt(16)')"
}
},
"required": ["expression"]
}
},
{
"name": "weather_current",
"title": "Weather Information",
"description": "Get current weather information for any location worldwide",
"inputSchema": {
"type": "object",
"properties": {
"location": {
"type": "string",
"description": "City name, address, or coordinates (latitude,longitude)"
},
"units": {
"type": "string",
"enum": ["metric", "imperial", "kelvin"],
"description": "Temperature units to use in response",
"default": "metric"
}
},
"required": ["location"]
}
}
]
}
}
了解工具发现请求
tools/list 请求很简单，不包含任何参数。
了解工具发现响应
响应包含一个工具数组，该数组提供有关每个可用工具的全面元数据。这种基于数组的结构允许服务器同时公开多个工具，同时保持不同功能之间的清晰边界。
响应中的每个工具对象都包含几个关键字段：
- name：服务器命名空间中工具的唯一标识符。这是工具执行的主键，应遵循清晰的命名模式（例如，calculator_arithmetic 而不仅仅是计算
- title：客户端可以向用户显示的工具的人类可读显示名称
- description：详细说明该工具的作用以及何时使用它
- inputSchema：定义预期输入参数的 JSON 模式，启用类型验证并提供有关必需和可选参数的清晰文档
这在人工智能应用程序中的工作原理
AI 应用程序从所有连接的 MCP 服务器获取可用工具，并将它们组合到语言模型可以访问的统一工具注册表中。这使得 LLM 能够了解它可以执行哪些作，并在对话期间自动生成适当的工具调用。
用于 AI 应用工具发现的伪代码：
# Pseudo-code using MCP Python SDK patterns
available_tools = []
for session in app.mcp_server_sessions():
tools_response = await session.list_tools()
available_tools.extend(tools_response.tools)
conversation.register_available_tools(available_tools)
3. 工具执行（图元）
客户端现在可以使用 tools/call 方法执行工具。这演示了 MCP 原语在实践中的使用方式：在发现可用工具后，客户端可以使用适当的参数调用它们。
工具调用请求：
{
"jsonrpc": "2.0",
"id": 3,
"method": "tools/call",
"params": {
"name": "weather_current",
"arguments": {
"location": "San Francisco",
"units": "imperial"
}
}
}
工具调用响应：
{
"jsonrpc": "2.0",
"id": 3,
"result": {
"content": [
{
"type": "text",
"text": "Current weather in San Francisco: 68°F, partly cloudy with light winds from the west at 8 mph. Humidity: 65%"
}
]
}
}
工具调用的关键要素
请求结构包括几个重要组件：
name：必须与发现响应 （weather_current） 中的工具名称完全匹配。这确保服务器可以正确识别要执行的工具。
arguments：包含工具的 inputSchema 定义的输入参数。在此示例中：
- location：“旧金山”（必填参数）
- 单位 ：“英制”（可选参数，如果未指定，则默认为“公制”）
JSON-RPC 结构： 使用标准 JSON-RPC 2.0 格式和唯一 ID 进行请求-响应关联。
了解工具执行响应
该响应展示了 MCP 灵活的内容系统：
- 内容（array） ：工具响应返回内容对象数组，允许丰富的多格式响应（文本、图像、资源等）
- 内容类型 ：每个内容对象都有一个类型字段。在此示例中，“type”： “text” 表示纯文本内容，但 MCP 支持针对不同用例的各种内容类型。
- 结构化输出 ：响应提供可作的信息，人工智能应用程序可以将其用作语言模型交互的上下文。
这种执行模式允许人工智能应用程序动态调用服务器功能并接收结构化响应，这些响应可以集成到与语言模型的对话中。
这在人工智能应用程序中的工作原理
当语言模型决定在对话期间使用工具时，AI 应用程序会拦截工具调用，将其路由到适当的 MCP 服务器，执行它，并将结果作为对话流的一部分返回给 LLM。这使得法学硕士能够访问实时数据并在外部世界中执行作。
# Pseudo-code for AI application tool execution
async def handle_tool_call(conversation, tool_name, arguments):
session = app.find_mcp_session_for_tool(tool_name)
result = await session.call_tool(tool_name, arguments)
conversation.add_tool_result(result.content)
4. 实时更新（通知）
MCP 支持实时通知，使服务器能够在不明确请求的情况下通知客户端有关更改的信息。这演示了通知系统，这是保持 MCP 连接同步和响应的关键功能。
了解工具列表更改通知
当服务器的可用工具发生变化时（例如，当新功能可用、现有工具被修改或工具暂时不可用时），服务器可以主动通知连接的客户端：
{
"jsonrpc": "2.0",
"method": "notifications/tools/list_changed"
}
MCP 通知的主要特点
- 无需响应 ：请注意，通知中没有 id 字段。这遵循 JSON-RPC 2.0 通知语义，其中不需要或发送任何响应。
- 基于功能 ：此通知仅由在初始化期间在其工具功能中声明 “listChanged”： true 的服务器发送（如步骤 1 所示）。
- 事件驱动 ：服务器根据内部状态变化决定何时发送通知，使 MCP 连接动态且响应迅速。
客户端对通知的响应
收到此通知后，客户端通常会通过请求更新的工具列表来做出反应。这将创建一个刷新周期，使客户对可用工具的理解保持最新：
{
"jsonrpc": "2.0",
"id": 4,
"method": "tools/list"
}
为什么通知很重要
出于以下几个原因，该通知系统至关重要：
- 动态环境 ：工具可能会根据服务器状态、外部依赖项或用户权限修改
- 效率： 客户端不需要轮询更改;发生更新时，他们会收到通知
- 一致性 ：确保客户端始终拥有有关可用服务器功能的准确信息
- 实时协作 ：实现响应式 AI 应用程序，能够适应不断变化的环境
这种通知模式从工具扩展到其他 MCP 原语，从而实现客户端和服务器之间的全面实时同步。
这在人工智能应用程序中的工作原理
当 AI 应用程序收到有关更改工具的通知时，它会立即刷新其工具注册表并更新 LLM 的可用功能。这确保了正在进行的对话始终可以访问最新的工具集，并且 LLM 可以在新功能可用时动态适应。
# Pseudo-code for AI application notification handling
async def handle_tools_changed_notification(session):
tools_response = await session.list_tools()
app.update_available_tools(session, tools_response.tools)
if app.conversation.is_active():
app.conversation.notify_llm_of_new_capabilities()
参考：https://modelcontextprotocol.io/docs/getting-started/intro