7c75b971-95ef-4f06-926b-471003ec96af.jpeg

统一 AI 工具调用的“通信语言” 关键词：工具调用标准化、Client/Server 架构、上下文传递、SSE 流式响应

一、MCP 解决了什么痛点？

在 MCP 出现之前，AI 应用调用外部工具（如数据库、API）存在三大问题：

  1. 碎片化：每个模型需单独适配工具（如 OpenAI Function Calling vs Claude Tool Use）
  2. 高耦合：工具逻辑与模型代码深度绑定，难以复用
  3. 上下文丢失：多轮调用时状态管理复杂

MCP 的核心目标：

定义一套与模型无关的标准化协议，让任意 AI 模型通过统一接口调用任意工具。

二、协议架构：Client/Server 解耦设计

0812企业微信截图_协议架构.png

核心角色定义 0812企业微信截图_角色定义.png

三、协议通信流程拆解

步骤 1：Client 发起请求（Request） Client 发送 结构化 JSON 到 MCP Server，包含：

context：历史对话/当前状态（协议核心！） tool_name：目标工具标识符 parameters：工具调用参数

{"context": {"user_id": "u123","session_id": "s456","history": [{"role": "user", "content": "查询北京天气"}]},"tool_name": "get_weather","parameters": {"city": "北京", "unit": "celsius"}
}

步骤 2：Server 调用工具（Execution） Server 根据 tool_name 路由到注册的工具函数，注入上下文并执行：

# MCP 工具注册示例（Python）
@mcp_tool(name="get_weather")
defweather_api(city: str, unit: str, context: dict) -> dict:# 可访问 context["user_id"] 做权限校验return fetch_weather(city, unit)  # 调用真实 API

步骤 3：流式返回结果（Response） 通过 Server-Sent Events（SSE） 流式返回，支持大结果分块传输：

HTTP/1.1 200 OK
Content-Type: text/event-streamevent: result_chunk
data: {"progress": 30, "text": "正在获取数据..."}event: final_result
data: {"temp": 25, "humidity": 60}

四、关键技术特性解析

1. 上下文传递（Context Propagation） 核心价值：在多轮交互中保持状态连续性

  • 客户端在每次请求中携带完整上下文（如用户 ID、对话历史）
  • 服务端可在响应中修改上下文（实现状态机）
// Server 可返回新上下文
{"result": "...", "updated_context": {"selected_city": "北京"}}

2. 工具动态发现（Tool Discovery） Client 启动时通过 /registry 接口拉取 Server 的工具清单：

// GET http://mcp-server/registry
{"tools": [{"name": "get_weather","description": "查询城市天气","parameters": {"city": {"type": "string", "required": true},"unit": {"type": "string", "enum": ["celsius", "fahrenheit"]}}}]
}

3. 安全控制（OAuth2 集成） 在工具执行前进行权限校验：

defweather_api(city: str, context: dict):user_token = context.get("user_token")ifnot validate_token(user_token, scope="weather:read"):raise MCPError(code=403, message="无权访问天气服务")

五、对比传统方案：为什么选择 MCP？

0812企业微信截图_对比方案.png

六、实战：快速验证 MCP 流程

1. 启动 Mock 服务

pip install fast-mcp
fast-mcp --tools demo_tools.py

2. 发起请求（cURL 示例）

curl -X POST http://localhost:8000/execute \-H "Content-Type: application/json" \-d '{"tool_name": "get_weather","parameters": {"city": "上海"},"context": {"user_id": "test"}}'

3. 观察响应

{"result": {"temp": 28, "condition": "sunny"},"updated_context": {"last_city": "上海"}
}

七、协议演进方向（2025+）

  1. 多模态扩展：支持图像/音频作为工具输入输出
  2. 智能体协作：MCP Server 可嵌套调用其他 MCP Server
  3. 边缘计算：轻量化客户端运行在 IoT 设备

结语：MCP 不是简单的 RPC 协议，而是为 AI Agent 设计的 “工具协作语言”。其通过上下文传递、流式响应、动态注册等机制，为构建复杂智能应用提供了基础设施。

下一篇预告：《零基础 MCP 开发环境配置》

将手把手配置 Python/Node.js 双环境，集成 Claude 与 Cursor 实战演示！

推荐阅读： Playwright初学指南 (1)：环境配置与第一个自动化脚本 AI测试平台实战：深入解析自动化评分和多模型对比评测 大模型性能测试实战指南：从原理到落地的全链路解析 国产大模型本地应用实战：LangChain 和 vLLM 打造企业级智能体核心引擎