从零搭建你的第一个AI Agent：MCP协议实战教程（附完整代码）
前言
说实话，最近几个月 AI Agent 这个词都快被聊烂了。但你去 GitHub 上搜一下，真正把这东西跑起来的项目，其实没几个。大部分人看了几篇论文、刷了几个视频，一到动手就卡住了——API 怎么配？工具怎么注册？Agent 怎么才知道什么时候该调用什么？
我上个月接手了一个内部项目，老大说要用 Agent 做自动化运维。刚开始我也懵，但踩了一圈坑之后发现，其实核心就三件事：模型 + 工具 + 编排。而 MCP（Model Context Protocol）就是把这些串起来的那根线。
这篇文章我就用最实际的代码，带你从零搭一个能真正干活的 Agent。
什么是 MCP 协议？
MCP 全称 Model Context Protocol，是 Anthropic 提出来的一套开放协议，用来统一模型和外部工具之间的交互方式。
说白了就是：以前你写 Agent，每个工具都要自己对接——查数据库写一段，调 API 又来一段，每个接口格式都不一样。MCP 干了件事：给你定了个标准。
你只需要按 MCP 的规范把工具注册进去，Agent 自己就能知道：
- 这个工具有什么用
- 需要什么参数
- 返回什么格式
是不是很香？
环境准备
先看看我的环境：
Python3.11+ pipinstallmcp openai python-dotenv实战：搭一个能查天气 + 写文件的 Agent
第一步：定义工具
frommcpimportTool,ToolSchemaclassWeatherTool(Tool):name=get_weather description=获取指定城市的当前天气asyncdefrun(self,city):returnf{city}当前温度26°C第二步：组装 Agent
frommcpimportAgent,MCPServer server=MCPServer()server.register_tool(WeatherTool())agent=Agent(model=gpt-4o,server=server)踩坑记录
1. Tool description 要写清楚- description 写太模糊，Agent 就瞎调用
2. 参数名要和定义一致- schema 校验严格
3. token 消耗大- 复杂任务建议分步
总结
MCP 最大的价值是让 Agent 开发有了统一规范。工具和模型解耦，换模型不用改工具。有什么问题评论区聊。