MCP 完全指南：协议原理、生态现状与接入实战

过去一年 AI 工具链最大的变化，不是某个模型变强了，而是模型与外部世界的接口被标准化了。这个标准叫 Model Context Protocol（MCP），由 Anthropic 在 2024 年底开源。

它解决什么问题

在 MCP 之前，每接入一个工具你都要写一套定制胶水代码：A 框架的插件不能给 B 编辑器用，C 产品的连接器换个客户端就失效。M 个 AI 应用 × N 个工具 = M×N 份适配工作。

MCP 把这个矩阵压成了一根轴：工具方发布一个 MCP Server，任何支持 MCP 的客户端都能直接用。多了一次标准化，少了一整片重复劳动。

三个核心原语

• Tools（工具）：可被模型调用的函数，带 JSON Schema 描述参数——这是用得最多的一类；
• Resources（资源）：可被读取的数据，类似文件或数据库视图，由用户或客户端决定是否加载；
• Prompts（提示模板）：服务端预置的可复用提示词模板，常被忽略但很适合标准化工作流。

传输方式

1. stdio：本地进程通过标准输入输出通信，最简单、最常用，适合本地工具；
2. HTTP + SSE / Streamable HTTP：远程服务，适合多用户共享的托管型 Server。

生态现状

目前生态已相当可观：官方参考实现覆盖文件系统、Git、数据库、搜索；社区清单 awesome-mcp-servers 收录了数百个场景化 server；GitHub、Supabase、Cloudflare 等厂商都发布了官方 MCP。客户端侧，Claude、Cursor、Cline、Continue 等都已原生支持。

五分钟接入第一个 Server

以最常用的文件系统 server 为例，在客户端配置里加一条：

{
  "mcpServers": {
    "filesystem": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-filesystem", "/path/to/data"]
    }
  }
}

重启客户端后问它「列出 /path/to/data 下的文件」，能看到工具被调用就说明通了。

自己写一个 Server

Python 生态用 FastMCP 最省事，一个装饰器就是一个工具：

from fastmcp import FastMCP

mcp = FastMCP("demo")

@mcp.tool()
def word_count(text: str) -> int:
    """统计文本的词数"""
    return len(text.split())

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

三个实践建议

1. 工具描述比实现更重要：模型靠 description 决定是否调用，写清「什么时候用、参数什么含义」比优化代码收益更大；
2. 控制工具数量：单次暴露给模型的工具超过 20 个，选择准确率会明显下降，按场景拆分 server；
3. 权限最小化：能只读就别给写权限，尤其是文件系统与数据库类 server。

协议仍在快速演进，具体字段以官方规范最新版本为准。