MCP简单研究以及介绍_mcpclient如何知道有哪些工具可用-CSDN博客

本文链接：https://blog.csdn.net/Q2024107/article/details/149514303

什么是MCP

最近在做一些AI相关的软件，正好接触到了MCP，现在包括Visual Studio Code和Cursor，以及很多编程的IDE都支持了MCP调用，这篇文章就来简单介绍一下MCP是什么以及工作原理浅析。

MCP，全称Model Context Protocol（模型上下文协议），是一种由Anthropic公司开发的开放协议。它的主要目的是让大型语言模型（LLM）能够与外部数据源（如数据库、API）、工具（如计算器、搜索引擎）和服务无缝集成。官网把MCP比作AI的USB-C接口，以一个通用的接口实现各种各样的扩展。

这里有几个重要的概念

MCP Client

这就是你本机的客户端，比如VSCode，Cursor等等，负责对MCP Server发起请求，实现对MCP Server的调用。

核心职责：

上下文管理
- 维护完整的对话历史（用户消息/模型回复/工具结果）
- 按 MCP 协议标准化组织上下文格式
大模型协作
- 将用户请求 + 上下文 + 可用工具列表发送给大模型
- 解析模型响应：判断是最终答案还是工具调用请求
工具执行引擎
- 执行模型请求的工具调用（API/数据库/计算等）
- 将工具结果标记化后注入上下文tools字段

MCP Server

MCP Server就是实现功能的服务器，可以对接不同的服务，比如Weather MCP可以对接一个天气查询服务，查询出来的结果通过MCP协议来进行发送，本机的MCP Client就可以接收到并喂给AI。MCP Server不一定要是云端远程的服务器，也可以是本地搭建的，直接连接本地数据库，只要实现MCP协议就可以调用。

核心职责：

协议适配器

接收符合 MCP 规范的请求（标准化 JSON 格式）

将tools call输出转换为 MCP 结构化响应

MCP协议

定义了所有请求和响应的标准格式，这样即使不同的客户端，不同的服务器，只要实现了MCP协议就可以实现兼容，MCP Client和MCP Server就是通过这个协议来进行通信。

关于MCP协议的详细介绍可以看Anthropic的官方文档

Specification - Model Context Protocol

MCP传输机制

简单来说，MCP服务器主要做这几件事

提供上下文和数据，告诉AI这个服务器能干什么
提供一个Function可供AI调用

MCP客户端主要做这几件事

每次获取到AI生成的结果，检查AI调用tools的请求，并进行调用，之后加入上下文返回给AI
最后将AI返回的结果展示给用户

MCP协议通信格式

MCP协议的数据传输统一使用JSON-RPC 2.0传输格式，大模型和用户进行交互时发送的请求都会使用该格式来进行传输。

MCP协议通信的通道

STDIO标准输入输出

Stdio协议使用标准输入输出流来实现通信，可以直接实现本地工具的调用并获取调用结果。写前端时Cursor的Agent模式调用命令行工具，执行npm install以及npm run dev实际上就是使用的Stdio协议来调用MCP Server，只需要在配置中将npm添加为MCP Server即可。

下方就配置了一个名为npm-install的本地MCP Server。

{
  "mcpServers": {
    "npm-install": {
      "command": "npm,
      "args": [
        "install"
      ]
    }
  }
}

HTTP SSE

sse协议全称为Server-Sent-Event，也就是通过服务器自动发送事件来获取更新消息。有了这项技术，大模型生成出一个新的token的时候就不需要MCP Client一直循环请求获取，而是直接收到服务器推送过来的消息进行显示（DeepSeek的网页展示token就是使用的这项技术）。sse和WebSocket有些类似，但是SSE只能是服务器推送消息，而ws是双向通信。

在MCP协议中，对于远程的，需要调用云端的MCP Server，就采用sse来和MCP Client进行交互。比如下方定义了一个fetch MCP Server，大模型可以调用这个MCP Server来获取网页内容。

{
  "mcpServers": {
    "fetch": {
      "type": "sse",
      "url": "https://example.fetch.com/sse"
    }
  }
}

并不是所有调用远程的API都必须使用sse，你也可以使用node.js自己实现一个Stdio协议的MCP Server，然后自己编写代码在内部使用fetch或者axios来对远程的API来进行调用。这样直接在本地配置npx启动MCP Server，大模型请求的时候就是执行本地的命令，然后使用http请求调用远程API。

在MCP Client启动时，就会获取所有MCP Server的信息，之后你每次和大模型聊天时，MCP Server的信息将会被加在模型的上下文中一起发送给大模型，大模型就可以知道有哪些工具可以调用并发起调用请求了。

下面是一次对话的简单介绍。

比如我们在MCP Client软件中问大模型今天上海天气怎么样。

那么我们将会发送一个请求给大模型，messages中为用户发送的信息，还会带上一个tools字段，告诉大模型它有哪些工具可供调用，比如下方我们就告诉了大模型有一个weather工具可以调用。

{
  "model": "gpt-4o",
  "messages": [
    {
      "role": "user",
      "content": "今天上海天气怎么样？"
    }
  ],
  "temperature": 0.7,
  "max_tokens": 2000,
  "stream": true,
  "tools": [
    {
      "type": "function",
      "function": {
        "name": "weather",
        "description": "获取国内的天气预报",
        "parameters": {
          "type": "object",
          "properties": {
            "location": {
              "type": "string",
              "description": "需要查询的地区"
            }
          }
        }
      }
    }
  ]
}

接下来大模型进行响应，模型会进行判断是否需要执行tools

{
  "model": "gpt-4o",
  "messages": [
    {
      "role": "user",
      "content": "今天上海天气怎么样？"
    },
    {
      "role": "assistant",
      "tool_calls": [
        {
          "id": "call_M4eYNv6oPaLunpZLe1iWdfiK",
          "function": {
            "name": "weather",
            "arguments": "{\"location\":\"上海\"}"
          },
          "type": "function"
        }
      ]
    },
    {
      "role": "tool",
      "content": "[{\"type\":\"text\",\"text\":\"地点: 121,31\\n观测时间: 2025-03-27T16:51+08:00\\n天气: 阴\\n温度: 13°C\\n体感温度: 12°C\\n风向: 东北风\\n风力: 1级\"}]",
      "tool_call_id": "call_M4eYNv6oPaLunpZLe1iWdfiK"
    }
  ],
  "temperature": 0.7,
  "max_tokens": 2000,
  "stream": true,
  "tools": [
    {
      "type": "function",
      "function": {
        "name": "fd71edc4f65924613b9fd8330e78eb243",
        "description": "获取中国国内的天气预报",
        "parameters": {
          "type": "object",
          "properties": {
            "location": {
              "type": "string",
              "description": "需要查询的地区"
            }
          }
        }
      }
    }
  ]
}

大模型会判断出用户想要查询天气，于是会生成一个调用weather tool的请求，下方就是大模型返回的结果。

{
      "role": "assistant",
      "tool_calls": [
        {
          "id": "call_M4eYNv6oPaLunpZLe1iWdfiK",
          "function": {
            "name": "weather",
            "arguments": "{\"location\":\"上海\"}"
          },
          "type": "function"
        }
      ]
}

然后MCP Client获取到大模型的响应之后，发现有调用tools的请求，就会去调用对应的MCP Server，再将调用的结果也添加到上下文中。

{
      "role": "tool",
      "content": "[{\"type\":\"text\",\"text\":\"地点: 121,31\\n观测时间: 2025-03-27T16:51+08:00\\n天气: 阴\\n温度: 13°C\\n体感温度: 12°C\\n风向: 东北风\\n风力: 1级\"}]",
      "tool_call_id": "call_M4eYNv6oPaLunpZLe1iWdfiK"
}

最后将调用完tool汇总的上下文一起再发回给大模型，大模型就可以进行总结然后生成结果返回给用户了。

总结

MCP调用过程

MCP协议调用通信过程中，严格遵循角色 (role): system, user, assistant, tool，所有交互历史（用户输入、LLM响应、工具请求、工具结果）都按顺序追加到这个列表中。每次调用LLM都传入整个 messages 列表。 LLM 通过它理解整个对话历史和状态。

当 LLM 决定调用工具时，它不会在普通文本 content 中描述请求。相反，它会在在响应消息 (role='assistant') 中包含一个特殊的 tool_calls 属性 (MCP 核心约定)。

客户端执行工具并返回结果：

客户端解析 tool_calls，执行对应的工具函数。
对于每个完成的工具调用，客户端构造一个 role='tool' 的消息。
这个消息必须包含：
- content: 工具执行的结果（文本或可序列化数据）。
- tool_call_id: 必须与请求中的 id 精确匹配 (MCP 核心机制，确保结果关联到正确的请求)。