最近主导了一款ai agent系统的开发，在定架构的时候选择了MCP协议，在期间遇到不少坑点，记录顺分享一下相关内容。此篇是系列的第二篇：读完预计能对怎么搭建一个基于MCP协议的agent应用有初步的认知～

什么是MCP？

最简单而言：MCP提供了工具（资源和prompt用的少）的规范化协议。它的核心组件有以下几点：

1. 1. MCP主机（Host）：发起请求的应用程序（如AI编程助手、IDE插件）；
2. 2. MCP客户端（Client）：与服务器保持1:1连接的通信模块；
3. 3. MCP服务器（Server）：运行于本地或远程的轻量级程序，负责访问数据或执行工具（如读取本地文件、调用API）；提供三种标准类型能力：Resources、Tools、Prompts。
4. 4. 资源层：包括本地文件、数据库和远程服务（如云平台API）。本地资源（Local Resources）：本地计算机中可供MCP服务器安全访问的资源，如文件、数据库。远程资源（Remote Resources）：MCP服务器可以连接到的远程资源，如通过API提供的数据。

为什么选择MCP ？

MCP协议的优势主要有以下几点：

1）标准化集成：统一接口降低开发复杂度

2）动态扩展与实时交互能力【可随时增减工具】

3）生态兼容性与开发效率提升【目前已成为主流协议】

工具侧具体的实现不公开给HOST应用系统，互相独立维护。MCP协议统一，有助于优秀工具的快速集成，在实际开发HOST系统的时候就能快速使用到市面上相对较好的工具（而不需要自己再调用API维护工具函数或者去找到开源代码重新整合到系统中)。

不过实际开发的时候也发现了它的问题，工具和系统互相独立之后，如果需要调整整个系统的准确率，还是免不了可能需要调整工具层。

小白对MCP可能的误区

1）MCP出现之前是不是没有办法调度工具？

不是的。它算是一个通用管理协议，把一个个工具按照一定的规范装在一个量身定做的箱子里。之前也可以进行调度，调度工具关键的点在于大模型识别出使用什么工具以及工具相对应的参数。langchain等在MCP之前就已经支持了工具调度的能力。

2）MCP可以代替function call？

不行，他们是一起工作的关系。如上个问题所述，它只是一个通用协议层。具体函数调用还是需要大模型的支持，而这个协议并不是必须的，在它出现之前就有不少方式，可以直接把工具也放在系统层，直接在系统内调用就可以。

3）MCP能减少调用的token数么？

不行，它只是整合了工具，但实际还是需要把工具参数都发给大模型。整体tokens数消耗相比之前的方式是没有本质区别的，整体依赖于系统的实现。

4）是不是有了MCP，agent应用就能轻而易举搭建了？

不是。MCP只是把工具管理和获取调用这里规范了，但agent应用关键点还有：LLM调用（含function call、prompt工程），记忆系统（RAG，上下文管理），思考和计划系统等。如果想要做好一个agent系统应用，还需要仔细打磨前面提到的模块。

【这里的核心点和踩坑点，后续再梳理文章详细叙述】

如何搭建基于MCP协议的大模型agent应用？

基于MCP协议的大模型Agent应用的工作流程图解。流程始于用户发送请求（步骤1），Host系统将问题及工具列表传递给MCP-Client（步骤2），随后LLM生成工具调用参数（步骤3）并经审批确认（步骤4-5）。MCP-Server Tool执行具体操作（步骤6-7）后，结果通过多级传递（步骤8-10）最终由LLM生成响应（步骤11）返回给用户（步骤12）。整个架构突出了MCP协议在协调用户、主机系统、大语言模型和工具服务之间的核心枢纽作用，体现了模块化分工与安全审批机制的设计理念。

1）User→Host系统

用户向HOST系统发送一个需要处理的问题（自然语言）

2) Host系统→MCP-Client

Host系统将用户原始问题（自然语言）和可调用工具列表（如API、数据库接口等）打包发送至MCP-Client，触发工具规划流程。

3) MCP-Client→LLM

MCP-Client请求LLM分析用户问题，生成结构化工具调用方案（包括工具选择、输入参数等），例如解析"查询北京天气"为调用WeatherAPI的参数{location: “北京”}。

4-5) MCP-Client→Host系统（审批闭环）

MCP-Client提交工具调用申请至Host系统，触发安全审批（如权限校验/风险过滤），通过后返回确认执行指令，确保操作合规性。

6) Host系统→MCP-Server Tool

Host系统向MCP-Server Tool发送工具执行命令（如REST API调用指令），携带LLM生成的标准化参数。

7) MCP-Server Tool执行

工具服务执行具体操作（如调用天气API、数据库查询等），生成原始执行结果（如JSON格式的天气数据）。

8-10) 结果逆向传递链

MCP-Server Tool→Host系统→MCP-Client→LLM，逐层返回工具执行结果，数据经校验和格式化传递，保持上下文一致性。

11) LLM生成最终响应

LLM将工具返回的原始数据转化为用户友好的自然语言（如"北京今日晴，25°C"），并补充逻辑推理或多工具结果融合。

12) Host系统→User

Host系统将LLM生成的最终响应返回给用户，完成闭环。流程中MCP协议通过标准化接口和审批机制，确保多主体间安全、高效的协同。

大模型算是目前当之无愧最火的一个方向了，算是新时代的风口！有小伙伴觉得，作为新领域、新方向人才需求必然相当大，与之相应的人才缺乏、人才竞争自然也会更少，那转行去做大模型是不是一个更好的选择呢？是不是更好就业呢？是不是就暂时能抵抗35岁中年危机呢？

答案当然是这样，大模型必然是新风口！

那如何学习大模型 ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。但是具体到个人，只能说是：

最先掌握AI的人，将会比较晚掌握AI的人有竞争优势。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

但现在很多想入行大模型的人苦于现在网上的大模型老课程老教材，学也不是不学也不是，基于此我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近100余次后，终于把整个AI大模型的学习路线完善出来！

在这个版本当中：

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型路线+学习教程已经给大家整理并打包分享出来, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型学习资源包》免费分享（安全咨料，放心领取）👈

​

一、大模型经典书籍（免费分享）

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套大模型报告（免费分享）

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、大模型系列视频教程（免费分享）

四、2025最新大模型学习路线（免费分享）

我们把学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

全套的AI大模型学习资源已经整理打包，有需要的小伙伴可以微信扫描下方二维码，免费领取

👉CSDN大礼包🎁：全网最全《LLM大模型学习资源包》免费分享（安全资料，放心领取）👈

​