一文彻底搞懂 MCP：从协议规范到 AI Agent Server 开发实战

苏打水com

210人浏览 · 2026-07-21 16:44:03

苏打水com · 2026-07-21 16:44:03 发布

前言

2026 年 7 月 28 日，MCP（Model Context Protocol）正式规范发布，标志着 AI Agent 的工具调用进入标准化时代。

过去几个月，大模型的发展重点已经逐渐从模型能力本身转向 Agent 能力。越来越多的 AI 应用开始需要访问文件、数据库、浏览器、GitHub、企业知识库等外部资源。然而，不同工具拥有不同的 API、认证方式和调用协议，导致开发者需要为每个模型、每个平台重复适配。

MCP 的出现，正是为了统一这一切。

它希望像 HTTP 统一 Web 通信一样，为 AI 与外部工具之间建立一套标准协议，让任何支持 MCP 的模型都能够访问任何支持 MCP 的工具。

本文将结合最新版 MCP 规范，带你从零搭建一个属于自己的 AI Agent Server，并理解 MCP 在整个 Agent 架构中的定位。

什么是 MCP？

MCP（Model Context Protocol）可以理解为 AI 世界里的 USB-C 接口。

以前，如果想让大模型读取文件或调用数据库，需要针对不同模型分别编写 Function Calling、REST API 或 SDK，对接成本非常高。而 MCP 将这些能力统一抽象为标准协议，模型只需要遵循 MCP，就能够访问任意工具。

整个架构可以理解为：

                AI Client
      (ChatGPT / Claude / Gemini)

                 │
                 │ MCP
                 ▼

            MCP Server

        ┌──────────────┐
        │    Tools      │
        │   Resources   │
        │    Prompts    │
        └──────────────┘

      │        │         │
      ▼        ▼         ▼

 File System  Database  GitHub API

从此，大模型不再关心底层工具如何实现，只需要按照 MCP 协议发送请求即可。

MCP 为什么重要？

很多开发者认为 MCP 只是一个新的 RPC 框架，其实并不是。

它最大的价值在于 解耦模型与工具。

以前，如果同时支持 OpenAI、Gemini、Claude 三种模型，你可能需要维护三套工具调用逻辑。而引入 MCP 后，工具只需要实现一次 MCP Server，任何支持 MCP 的客户端都可以直接访问。

这意味着：

更低的开发成本
更好的工具复用能力
更统一的 AI 应用架构
更容易接入未来的新模型

对于企业来说，这意味着 AI 基础设施终于拥有了统一标准。

MCP 的三大核心能力

最新版 MCP 主要围绕三种能力展开。

1. Tools（工具）

Tools 是 MCP 中最常见的能力，允许模型主动执行操作。

例如：

查询天气
读取数据库
调用企业接口
创建 GitHub Issue
发送邮件
执行 Shell 命令

模型通过 Tool，可以真正完成任务，而不仅仅是生成文本。

2. Resources（资源）

Resources 更偏向于数据读取。

例如：

本地文件
PDF
Markdown
企业知识库
数据库表
图片
配置文件

模型可以把这些资源作为上下文，从而提升回答质量。

3. Prompts（提示模板）

Prompt 也是 MCP 的一部分。

开发者可以预先定义 Prompt 模板，让客户端直接复用，而无需每次重新编写复杂提示词。

例如：

代码审查
SQL 优化
文档总结
PR Review
产品分析

都可以封装成统一的 Prompt。

为什么最新版 MCP 更推荐无状态架构？

7 月 28 日正式规范发布后，一个最大的变化就是更加推荐 Stateless（无状态）Server。

传统 AI Server 通常会保存聊天历史、工具状态以及 Session 信息，随着用户数量增加，状态同步、容灾恢复和水平扩展都会变得复杂。

而无状态架构的理念是：

每一次请求都携带完整上下文，Server 不保存用户状态。

这样带来的优势非常明显：

更容易水平扩展
天然支持负载均衡
Server 崩溃后无需恢复 Session
更适合云原生部署
与 Kubernetes 等容器平台高度契合

对于企业级 AI Agent 来说，无状态架构已经逐渐成为主流选择。

从零搭建一个 MCP Server

下面我们使用 Python 快速实现一个最简单的 MCP Server。

首先安装官方 SDK：

pip install mcp

随后定义一个工具：

from mcp.server.fastmcp import FastMCP

mcp = FastMCP("Demo Server")

@mcp.tool
def add(a: int, b: int) -> int:
    return a + b

if __name__ == "__main__":
    mcp.run()

启动之后，一个符合 MCP 协议的 Tool 就已经完成。

如果继续扩展，还可以注册：

文件系统工具
数据库查询
GitHub API
企业知识库
浏览器自动化
搜索引擎

所有能力都会自动暴露给支持 MCP 的客户端。

MCP 在 AI Agent 中的位置

很多人学习 Agent 时容易混淆 Prompt、RAG、Tool Calling 和 MCP 之间的关系。

实际上，它们的职责并不相同。

          User

            │

            ▼

        AI Agent

            │

     Planner / Memory

            │

       LLM 推理决策

            │

     Tool Calling

            │

            ▼

        MCP Client

            │

            ▼

        MCP Server

     ┌─────────────┐
     │ Tools       │
     │ Resources   │
     │ Prompts     │
     └─────────────┘

            │

            ▼

   数据库 / 文件 / 浏览器 / GitHub

可以看到，MCP 并不会替代 Agent，也不会替代 RAG，而是作为 Agent 与外部世界通信的统一桥梁。