前言2024年底 Anthropic 发布了 MCPModel Context Protocol短短几个月内 GitHub 星标突破 8 万。这个协议解决了一个核心问题如何让大模型标准化地连接外部工具和数据源。本文将从协议设计原理出发手把手带你实现一个完整的 MCP Server并讨论生产环境中的架构选型。一、MCP 解决了什么问题1.1 背景AI 应用的最后一公里大模型的能力已经很强但实际落地时总绕不开这几个问题如何让 LLM 调用我的数据库—— 写个 API 包装层如何让 LLM 读取本地文件—— 再写个文件读取接口如何让 LLM 操作浏览器—— 又得写一套 Puppeteer 封装结果就是每个 AI 应用都在重复造轮子而且每个工具的接入方式都不一样。1.2 MCP 的核心思路MCP 的思路很简单定义一套统一的 Client-Server 通信协议类似 USB-C 的角色——只要你的设备工具支持这个接口任何主机LLM 客户端都能即插即用。二、协议详解2.1 三种传输方式传输方式协议适用场景延迟stdio标准输入输出本地工具、CLI 场景最低streamable-httpHTTP 流式响应远程服务、微服务架构中等SSEServer-Sent Events服务端推送场景中等stdio 是最常用的模式。通信过程如下Client 启动 Server 子进程 ↓ 通过 stdin/stdout 通信 Client 发送 JSON-RPC 请求 → stdin → Server 处理 → stdout → 返回 JSON-RPC 响应2.2 JSON-RPC 2.0 消息格式MCP 底层使用 JSON-RPC 2.0 作为消息编码格式// 请求{jsonrpc:2.0,id:1,method:tools/list,params:{}}// 响应{jsonrpc:2.0,id:1,result:{tools:[{name:search_files,description:在项目目录中搜索匹配的文件,inputSchema:{type:object,properties:{pattern:{type:string,description:搜索模式}},required:[pattern]}}]}}2.3 核心能力类型MCP 定义了四种核心能力Tools工具—— 最常用让 LLM 调用自定义函数Resources资源—— 结构化数据访问接口Prompts提示词模板—— 预定义模板用户快速填充使用Sampling采样—— 允许 Server 反向请求 LLM 能力如自动生成摘要三、动手实现完整 MCP Server下面实现一个项目管理 MCP Server包含任务管理、文档检索和代码分析三个模块。3.1 项目结构project-mcp/ ├── server.py # 主入口 ├── tools/ │ ├── tasks.py # 任务管理 │ ├── docs.py # 文档检索 │ └── code.py # 代码分析 └── config.json # 配置示例3.2 核心代码# server.pyfrommcp.server.fastmcpimportFastMCPfromtools.tasksimport*fromtools.docsimport*fromtools.codeimport*mcpFastMCP(project-assistant)register_task_tools(mcp)register_doc_tools(mcp)register_code_tools(mcp)if__name____main__:mcp.run(transportstdio)# tools/tasks.py — 任务管理importjsonfromdatetimeimportdatetimefrompathlibimportPath TASKS_FILEPath(.mcp_tasks.json)def_load_tasks():ifTASKS_FILE.exists():returnjson.loads(TASKS_FILE.read_text(encodingutf-8))return{tasks:[],next_id:1}def_save_tasks(data):TASKS_FILE.write_text(json.dumps(data,ensure_asciiFalse,indent2),encodingutf-8)defregister_task_tools(mcp):mcp.tool()deftask_create(title:str,priority:strmedium,tags:str)-str:创建新任务。priority: low/medium/high/criticaldata_load_tasks()task{id:data[next_id],title:title,priority:priority,tags:[t.strip()fortintags.split(,)ift.strip()],status:todo,created_at:datetime.now().isoformat()}data[tasks].append(task)data[next_id]1_save_tasks(data)returnf✅ 任务已创建 [#{task[id]}]{title}({priority})mcp.tool()deftask_list(status:str,tag:str)-str:列出任务可按状态和标签过滤。status: todo/doing/donedata_load_tasks()tasksdata[tasks]ifstatus:tasks[tfortintasksift[status]status]iftag:tasks[tfortintasksiftagint.get(tags,[])]ifnottasks:return 没有找到匹配的任务lines[f{ID:6}{状态:8}{优先级:10}{标题}]lines.append(-*50)fortintasks:lines.append(f#{t[id]:5}{t[status]:8}{t[priority]:10}{t[title]})return\n.join(lines)mcp.tool()deftask_update(task_id:int,status:strNone,title:strNone)-str:更新任务状态或标题data_load_tasks()fortindata[tasks]:ift[id]task_id:ifstatus:t[status]statusiftitle:t[title]title t[updated_at]datetime.now().isoformat()_save_tasks(data)returnf✅ 任务 #{task_id}已更新returnf❌ 未找到 ID{task_id}的任务# tools/docs.py — 文档检索frompathlibimportPathdefregister_doc_tools(mcp):mcp.tool()defdoc_search(keyword:str,directory:str.)-str:在目录中搜索包含关键词的 Markdown 文档results[]dir_pathPath(directory)formd_fileindir_path.rglob(*.md):try:contentmd_file.read_text(encodingutf-8)matches[(i1,line.rstrip())fori,lineinenumerate(content.split(\n))ifkeyword.lower()inline.lower()]ifmatches:results.append(f\n{md_file.relative_to(dir_path)})forline_no,line_textinmatches[:3]:results.append(f L{line_no}:{line_text[:100]})exceptException:continueifnotresults:returnf未找到包含 {keyword} 的文档return找到相关文件\n.join(results[:20])mcp.resource(docs://readme)defget_readme()-str:返回项目的 README 文档readmePath(README.md)returnreadme.read_text(encodingutf-8)ifreadme.exists()elseREADME.md 不存在# tools/code.py — 代码分析importsubprocessfrompathlibimportPathdefregister_code_tools(mcp):mcp.tool()defcode_stats(directory:str.,language:str)-str:统计目录下的代码行数可按语言过滤ext_map{python:[.py],javascript:[.js,.jsx,.ts,.tsx],go:[.go],rust:[.rs],java:[.java]}dir_pathPath(directory)stats{files:0,total_lines:0,by_ext:{}}target_extsext_map.get(language.lower(),[extforextsinext_map.values()forextinexts])forextintarget_exts:count0;lines0forfindir_path.rglob(f*{ext}):try:cf.read_text(encodingutf-8)count1;lineslen(c.splitlines())except:passifcount0:stats[by_ext][ext]{files:count,lines:lines}stats[files]count;stats[total_lines]lines result[f 代码统计 ({directory})]result.append(f总文件数:{stats[files]}, 总行数:{stats[total_lines]})forext,infoinsorted(stats[by_ext].items(),keylambdax:-x[1][lines]):result.append(f{ext}:{info[files]}文件,{info[lines]}行)return\n.join(result)mcp.tool()defgit_log(count:int5)-str:查看最近的 Git 提交记录try:rsubprocess.run([git,log,f-{count},--prettyformat:%h %s (%an, %ar)],capture_outputTrue,textTrue,encodingutf-8)returnr.stdoutifr.returncode0else当前目录不是 Git 仓库exceptFileNotFoundError:returnGit 未安装3.3 配置与运行{mcpServers:{project-assistant:{command:python,args:[server.py],cwd:/your/project/path}}}四、架构设计与生产实践4.1 什么时候该用 MCP适合多客户端复用工具集工具逻辑复杂需独立维护团队共享工具能力不适合一次性简单脚本直接 Function Calling对延迟极敏感需要复杂双向流式交互4.2 多 Server 架构按职责拆分 Server文件操作走 stdio、数据库查询走 HTTP、浏览器控制走 SSE。每个 Server 职责单一Server 之间不直接通信都通过 Client 中转。4.3 错误处理要点生产环境必须做好输入校验防止注入攻击SQL 注入、命令注入、路径穿越异常捕获区分不同错误类型返回友好提示权限控制危险操作需要额外确认机制日志记录完整的操作链路用于审计和调试4.4 性能优化问题方案冷启动慢常驻进程 / preload大数据传输分页 流式返回频繁重复调用结果缓存TTL工具列表过长按需加载 / 分类注册五、与其他方案对比特性MCPLangChain ToolsFunction Calling标准化程度开放规范框架内部标准各家自实现跨客户端兼容✅ 多客户端通用❌ 仅 LangChain❌ 单一 API独立部署✅ 独立进程❌ 同进程❌ 内嵌选择建议快速原型 → Function Calling需要 Agent 编排 → LangChain Tools跨平台复用 / 长期维护 →MCP六、常见问题 FAQQ: MCP 和 RAG 是什么关系互补关系。RAG 解决给 LLM 提供知识MCP 解决给 LLM 提供能力。可以用 MCP Server 封装 RAG 检索逻辑。Q: 一个 Client 能连多少个 Server理论上无上限建议控制在 10 个以内。Server 过多会增加 token 开销和管理复杂度。Q: 如何调试 MCP Server大多数 SDK 支持--log-level debug模式查看完整 JSON-RPC 消息流。官方提供mcp-inspector可视化调试工具。Q: 支持流式输出吗streamable-http 和 stdio 都支持增量输出适合长时间运行的工具编译、大数据查询。总结MCP 的价值不在于技术有多复杂而在于它提供了一个简单但足够好的标准。当整个社区遵循同一套协议时生态的力量就会显现——你写的工具可以被任何兼容的 LLM 客户端使用别人写的工具你也可以直接拿来用。对于开发者来说现在投入时间学习 MCP 是高性价比的选择协议不难掌握但先发优势会让你在 AI 应用开发领域占据有利位置。本文基于 MCP 协议规范编写代码示例经过实测可用。如有问题欢迎评论区讨论。