模型上下文协议 (MCP)：AI 与外部世界的标准化连接框架
模型上下文协议 (Model Context Protocol，简称 MCP) 是由 「Anthropic 公司（Claude AI 的创造者）于 2023 年底推出的一项开放协议」。其核心目标是「为 AI 模型与外部数据源、工具和服务之间的连接建立统一、安全、高效的标准」，解决当前 AI 生态中集成碎片化、开发重复和安全隐患等挑战。
一、MCP 核心概念：AI 的“万能适配器”
简单而言，你可以将 MCP 理解为一个 「“万能适配器”」 或 「“AI 的连接总线”」。它使得任何兼容的 AI 模型都能够以一种安全、标准化且无需重复开发的方式，灵活接入并利用丰富的外部资源（如数据库、API、文件系统、专业工具等）。
1. 核心特性与价值
标准化接口：
- 统一资源定义：以一致的描述方式声明外部数据（资源）。
- 统一工具调用：通过标准化的方式来定义和调用功能（工具）。
- 价值：极大降低了开发者集成新工具或数据的成本，实现了“一次开发，多处使用”。
安全性：
- 精细权限控制：服务端明确定义模型访问资源范围和可执行的操作。
- 沙箱环境：工具执行通常在受控环境中进行，隔离潜在风险。
- 价值：为企业和开发者提供了可控、可信的 AI 扩展能力，保障系统和数据安全。
模块化：
- 功能通过独立的 “服务器 (Server)” 模块提供，每个服务器专注于特定领域（如文件操作、数据库查询、天气查询等）。
- 价值：生态易于扩展和维护，开发者可以按需组合或开发专属的服务器。
模型无关性：
- 协议设计独立于具体的 AI 模型。理论上，任何支持 MCP 客户端协议的模型（如 Claude、GPT 等）都可以利用相同的 MCP 服务器。
- 价值：打破了模型与工具之间的绑定，促进了开放生态的形成。
二、MCP 生态资源
MCP 的活力依赖于其蓬勃发展的社区和丰富的可用资源。以下是一些关键的资源导航：
1. 官方与社区服务器列表 (awesome-mcp-servers)
链接：https://github.com/punkpeye/awesome-mcp-servers
描述：这是一个社区维护的精选列表，收录了各类高质量的 MCP 服务器项目，是寻找现成集成方案的首选入口。
2. PyPI 安装包
链接：https://pypi.org/search/?q=mcp
描述：Python 包索引中包含了官方的 mcp SDK 以及众多第三方开发的 MCP 服务器包，方便通过 pip 或 uv 快速安装。
3. MCP 服务平台与社区
- MCP.so：一个在线的 MCP 服务器探索与测试平台。
- ModelScope MCP 社区 (https://www.modelscope.cn/mcp)：阿里云 ModelScope 平台下的中文 MCP 生态社区。
- 智谱 MCP 市场 (https://bigmodel.cn/marketplace/index/mcp)：智谱 AI 推出的 MCP 服务器市场。
- Smithery.ai：一个用于构建、部署和管理 MCP 服务器的专业平台。
三、MCP 开发入门：构建你的第一个服务器
下面将引导你逐步创建一个具备基础功能的 MCP 服务器。
1. 项目初始化
# 使用 uv 创建并初始化项目（uv 是一个快速的 Python 包管理器和解析器） uv init mcp_base_server cd mcp_base_server # 测试运行主脚本并创建虚拟环境 uv run python main.py2. 安装核心依赖
# 安装 MCP SDK 及其命令行工具 pip install mcp[cli] # 或使用 uv uv add mcp[cli]3. 项目结构
创建以下基础模块结构：
mcp_base_server/ ├── __init__.py └── main.py # 服务器主入口文件4. 编写服务器入口 (main.py)
#!/usr/bin/env python3 """ MCP 基础服务器示例 - 主入口文件 """ import sys import argparse # 导入mcp库 try: from mcp.server.fastmcp import FastMCP except ImportError: print("错误: 未安装MCP SDK。请使用 ‘uv add mcp[cli]‘ 或 ‘pip install mcp[cli]‘ 安装。") sys.exit(1) # 导入自定义的注册函数（将在后面定义） from .registrations import register_tools, register_resources, register_prompts # 默认配置 DEFAULT_HOST = "0.0.0.0" DEFAULT_PORT = 8000 def parse_arguments(): """解析命令行参数""" parser = argparse.ArgumentParser(descriptinotallow="MCP 基础功能示例服务器") # 传输协议选择 parser.add_argument( "--transport", choices=["stdio", "sse", "streamable-http"], default="stdio", help="选择传输协议: stdio(标准输入输出，适用于本地CLI集成), sse(服务器发送事件), streamable-http(流式HTTP)" ) # HTTP相关参数 parser.add_argument( "--host", default=DEFAULT_HOST, help=f"HTTP服务器监听主机地址（默认：{DEFAULT_HOST}）", ) parser.add_argument( "--port", type=int, default=DEFAULT_PORT, help=f"HTTP服务器监听端口（默认：{DEFAULT_PORT}）", ) return parser.parse_args() def main(): """服务器主函数""" args = parse_arguments() transport = args.transport host = args.host port = args.port # 根据传输协议创建和配置MCP server实例 if transport == "stdio": # 创建MCP server实例 mcp = FastMCP("BaseExampleServer") # 注册工具、资源和提示词到实例 register_tools(mcp) register_resources(mcp) register_prompts(mcp) print("启动 MCP 基础示例服务器，传输协议: stdio") mcp.run(transport="stdio") else: # 对于HTTP-based协议，创建时指定host和port mcp = FastMCP("BaseExampleServer", host=host, port=port) # 注册工具、资源和提示词到实例 register_tools(mcp) register_resources(mcp) register_prompts(mcp) if transport == "streamable-http": print(f"启动服务器 (streamable-http)，监听地址: http://{host}:{port}") mcp.run(transport="streamable-http") elif transport == "sse": print(f"启动服务器 (SSE)，监听地址: http://{host}:{port}/sse") mcp.run(transport="sse") if __name__ == "__main__": main()5. 定义功能：工具、资源与提示词 (registrations.py)
创建一个新文件 registrations.py 来存放功能注册逻辑。
""" MCP 功能注册模块 集中定义工具(Tools)、资源(Resources)和提示词(Prompts) """ import sys from mcp.server.fastmcp import FastMCP # ---------- 工具 (Tools) 注册 ---------- def register_tools(mcp: FastMCP) -> None: """注册所有工具函数到MCP实例""" @mcp.tool() def calc_sum(x: int, y: int) -> str: """ 计算两个整数的和。 参数: x (int): 第一个加数 y (int): 第二个加数 返回: str: 包含计算结果的格式化字符串 """ try: result = x + y returnf"计算结果: {x} + {y} = {result}" except Exception as e: returnf"计算过程中发生错误: {str(e)}" # ---------- 资源 (Resources) 注册 ---------- def register_resources(mcp: FastMCP) -> None: """注册所有资源到MCP实例""" @mcp.resource("system://python/version") def get_python_version() -> str: """ 提供当前运行环境的 Python 版本信息。 返回: str: 格式化的版本信息字符串 """ try: returnf"Python 版本信息:\n{sys.version}" except Exception as e: returnf"获取系统信息时发生错误: {str(e)}" # ---------- 提示词 (Prompts) 注册 ---------- def register_prompts(mcp: FastMCP) -> None: """注册所有提示词模板到MCP实例""" @mcp.prompt() def get_calc_prompt(x: int, y: int) -> str: """ 生成一个请求计算两数之和的提示词。 参数: x (int): 第一个整数 y (int): 第二个整数 返回: str: 构造好的提示词 """ returnf"请帮我计算两个整数的和。这两个数分别是 {x} 和 {y}。请确保输出最终结果。"「别忘了在主文件 main.py 顶部导入这些注册函数」：from .registrations import register_tools, register_resources, register_prompts
6. 配置与安装为全局工具
在项目根目录的 pyproject.toml 文件中，添加入口点配置：
[project.scripts] mcp-base-server = "mcp_base_server.main:main"然后，将你的服务器安装到系统环境中，使其成为一个全局可用的命令：
# 在项目根目录执行 uv tool install . --force安装后，你可以通过以下命令验证：
uv tool list # 输出应包含类似内容： # mcp-base-server v0.1.0 # - mcp-base-server现在，你可以在任何地方直接使用 mcp-base-server 命令来启动你的服务器了。
四、MCP 服务器使用示例（以 Cherry Studio 为例）
MCP 服务器需要在一个兼容的客户端中运行和使用。以下以 Cherry Studio 为例展示连接流程。
1. 配置 MCP 服务器
在 Cherry Studio 的设置中，找到 MCP 服务器配置区域。
2. 使用已注册的功能
服务器成功连接后，你可以在客户端中直接调用已注册的功能：
(1) 调用工具
在聊天界面，模型现在可以调用 calc_sum 工具来进行计算。
(2) 使用提示词
你可以直接插入或让模型使用我们注册的 get_calc_prompt 提示词模板。
(3) 访问资源
模型可以读取 system://python/version 资源来获取环境信息。
3. 启动与管理服务器连接
在客户端配置中，你可以设置服务器启动命令为 mcp-base-server（因为我们已将其安装为全局工具），并选择传输协议（如 stdio）。
并再AI会话中使用`mcp`服务。 如下：
此外针对`sse`和streamable-http协议，可以把安装的工具放到含有外网`ip`的服务器上。
输入外网ip:端口的url地址即可。
五、总结
通过以上步骤，你完成了一个功能完整的 MCP 服务器的开发、安装与基础使用流程。MCP 通过其「标准化、安全性和模块化」的设计，正在成为连接 AI 模型与广阔数字世界的核心桥梁。无论是集成外部 API、查询数据库，还是连接内部业务系统，MCP 都提供了一条高效、统一的路径。