MCP简介
MCP，全称是Model Context Protocol，模型上下文协议，由Claude母公司Anthropic于去年11月正式提出。MCP解决的最大痛点就是Agent开发中调用外部工具的技术门槛过高的问题。
能调用外部工具，是大模型进化为智能体Agent的关键，如果不能调用外部工具，那么大模型仅仅只是聊天机器人。由于底层技术限制，大模型本身是无法和外部工具直接通信的，因此Function calling的思路就此诞生，即创建一个外部函数（function）作为中介，一边传递大模型的请求，另一边调用外部工具，最终让大模型能够间接的调用外部工具。如下图所示：
Function Calling 的核心思想是： 将大语言模型的语言理解能力与外部工具的功能结合起来，让大语言模型能够理解用户的意图，并调用合适的工具来完成任务。唯一的问题就是，编写这个外部函数的工作量太大了，一个简单的外部函数往往就得上百行代码。
MCP目标，就是能在Agent开发过程中，让大模型更加便捷的调用外部工具, 统一Function calling的运行规范。
首先是先统一名称，MCP把大模型运行环境称作 MCP Client，也就是MCP客户端，同时，把外部函数运行环境称作MCP Server，也就是MCP服务器，然后，统一MCP客户端和服务器的运行规范，并且要求MCP客户端和服务器之间，也统一按照某个既定的提示词模板进行通信。如下图所示：
这种设计的好处就是可以避免MCP服务器的重复开发，即避免外部函数重复编写，大家有一个人开发了一个服务器就好，开发完大家都能复制到自己的项目里来使用，不用每个人每次都单独写一套。目前GitHub上就出现了海量的已经开发好的MCP 服务器，从SQL数据库检索、到网页浏览信息爬取，从命令行操作电脑、到数据分析机器学习建模等。
下面摘取两张MCP官网的图形象的说明MCP。
MPC出现之前：
MPC出现之后：
MCP 有以下几个核心功能：
- Resources 资源
- Prompts 提示词
- Tools 工具
- Sampling 采样
- Roots 根目录
- Transports 传输层
其中 MCP 的传输层支持了 2 种协议的实现：stdio（标准输入/输出）和 SSE（服务器发送事件），因为 stdio 更为常用，所以本文会以 stdio 为例。
开发一个简单的MPC Server
MCP 采用 客户端-服务器（Client-Server）架构，其中主机应用可以连接多个 MCP 服务器：
设置开发环境
安装 uv
Linux / Mac 安装uc
curl -LsSf https://astral.sh/uv/install.sh | shWindows 安装 uv（建议使用 WSL）
wsl curl -LsSf https://astral.sh/uv/install.sh | sh或者
pip3 install uv创建项目目录并设置环境
# 初始化项目
uv init mympc
cd mympc# 创建虚拟环境并进入虚拟环境
uv venv
source .venv/bin/activate# 安装基本依赖
uv add "mcp[cli]"# 创建server文件
touch mympc.py编写代码
#mymcp.py
from mcp.server.fastmcp import FastMCPmcp = FastMCP("Demo")# 这个Demo就是MCP Server的名字@mcp.tool()
def add(a: int, b: int) -> int:"""Add two numbers"""# print('...', file=sys.stderr)return a+bif __name__ == "__main__":print("Starting MCP server...")mcp.run(transport='stdio')调试服务
mcp dev mymcp.py运行后，如果如下图所示，则表明成功。
在浏览器中输入：http://localhost:5173，按下面步骤:
运行结果如下：
注意：一些图片来源与网络！