MCP（Model‑Context‑Protocol）整体架构

MCP（Model‑Context‑Protocol）整体架构

标题与核心主旨

标题：Understanding MCP Architecture（理解 MCP 架构） 总述：MCP 生态的核心作用：在 AI 智能体和外部工具之间搭建标准化桥梁。

整体架构模型

1. AI Assistant（客户端，蓝色模块）：示例采用 LangGraph，也就是你之前代码里搭建 Agent 的框架；
2. MCP‑Server（服务端，绿色模块）：封装外部工具（Your Tools，数据库、GitHub、文件系统等）；
3. 通信标准：MCP Protocol支持 3 种传输方式：
   • stdio：本地子进程调用（开发阶段最常用）
   • SSE：服务端推送
   • HTTP：远程网络调用 两端基于 JSON‑RPC 通信，彻底将 Agent 逻辑和工具代码解耦。

四个模块拆解（对应图中四块内容）

1. MCP‑Server（MCP 服务端，由社区开发者编写，用 Fast‑MCP 实现）

• Exposes tools：向外暴露可供 AI 调用的工具函数；
• Defines schemas：定义入参的数据格式（JSON Schema）；
• Handles requests：接收来自 AI 助手的调用请求，执行对应逻辑，返回结果。

对应你前面的认知：MCP 开发者只编写一次 MCP‑Server，后续使用者不用改动服务端代码。

2. Tools（实际工具函数）

• Functions with @tool：通过装饰器@tool定义工具方法（Fast‑MCP 标准写法）；
• Input parameters：声明工具接收的入参；
• Structured responses：返回结构化的数据，方便大模型解析。

3. Integration（集成层，对应langchain‑mcp‑adapters，就是你导入的MultiServerMCPClient）

• Bind to LLMs：对接大模型（GPT‑4o、Muse Spark 1.1 等）；
• Route queries：把 LLM 产生的调用指令转发给对应的 MCP‑Server；
• Handle responses：接收服务端返回的数据，转换成 LangChain 可识别的 Tool 返回值；

你的 Python 代码就是在做这一层工作：适配器充当中间翻译层。

4. Naming（命名规范，工程层面约定）

• 格式示例：mcp__server__tool；
• Consistent pattern：统一命名范式，区分不同 MCP 服务里的同名工具；
• Clear hierarchy：层级清晰，防止多个 MCP‑Server 接入后出现工具名称冲突，对应代码里prefixToolNameWithServerName配置项。

和你之前代码以及行业现状串联总结

1. 开发者（社区）：使用 Fast‑MCP 完成 MCP‑Server 和 Tools；
2. 集成层：langchain‑mcp‑adapters负责协议适配；
3. Agent 编排：LangGraph 做任务规划、状态管理；
4. 底层大模型：现在可以替换成 Meta 刚发布的 Muse Spark‑1.1，实现低成本 Agent 应用；
5. 解耦优势：MCP‑Server 可以独立部署在远程服务器；LangGraph Agent 可以单独运行；二者只依靠标准 MCP 协议通信，后期更换工具或者更换大模型互不影响。

对应代码映射

# MultiServerMCPClient 就是这里的Integration层 client = MultiServerMCPClient({ "filesystem": { # MCP‑Server "transport": "stdio", "command": "python", "args": ["filesystem_mcp.py"] # 里面包含@tool修饰的Tools } }) tools = await client.get_tools() agent = create_react_agent(llm, tools) # LangGraph作为AI‑Assistant