实操干货！MCP 全解析，手把手教你基于 MCP 开发 Agent

最新推荐文章于 2025-04-19 16:26:18 发布
最新推荐文章于 2025-04-19 16:26:18 发布
阅读量944 收藏 9
点赞数 11
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/musicml/article/details/146518206

大家好，我是玄姐。

随着 Manus 推动 Agent 应用的火爆，MCP（模型上下文协议）成为众多社区热议的焦点。今天，我们将深入解析 MCP 并提供实操应用指南。相信读完这篇文章，你就能立刻上手 MCP。

图片

—1—

MCP 架构设计全剖析

第一、为什么会出现 MCP？

如果你开发了一个 AI 应用，无论是 ChatBot 还是复杂的 Agent，都不会仅限于简单的 LLM 对话。很多时候，你需要与外部世界连接，以访问数据源或使用工具。例如：

  • 操控浏览器实现自动化；

  • 访问本地文件；

  • 访问数据库结构，以便更好地让 AI 参与编程；

  • 调用 CRM 的 API 以驱动智能客服流程。

在这种情况下，你需要连接不同的对象，使用不同的接口协议。你可能需要熟悉 SQL、HTTP 调用、Playwright 等接口，甚至还需要使用搜索引擎、访问云存储、调用第三方开放API等。这些都涉及大量的“粘合”工作。

图片

MCP（模型上下文协议）正是为了解决这一问题。它允许 LLM 应用通过统一的协议连接外部资源，而无需逐个适配。MCP 通过增加一个中间层来实现这一点：LLM 应用通过统一的 MCP 协议连接到中间层（称为 MCP Server），而中间层则负责处理与外部资源的对接。

图片

那么，为什么在 Agent 应用火热之后，大家才开始关注 MCP 呢？原因很简单：Agent 是最需要对接外部资源和工具的 LLM 应用类型。

第二、MCP 有哪些好处？

这种设计范式在软件系统中其实很常见，比如：一些大模型 API 网关会将不同厂家的大模型协议转化为统一的 OpenAI 兼容协议，方便应用接入。它的具体意义主要体现在以下几点：

  • 简化 LLM 应用：无需适配各种私有协议，只需学会连接 MCP Server 即可。

  • 快速扩展 LLM 应用：随时可以“插拔”新的 MCP Server，需要更多功能时，简单添加即可。

  • 快速适应变化：如果外部资源的接口发生变化，只需在对应的 MCP Server 上进行修改，所有连接的 LLM 应用都能无缝适应。

  • 构建新的 AI 能力共享生态：通过共享 MCP Server，新的 LLM 应用能够快速获得各种工具，形成一种新的合作体系，从而提升整体的效用。

图片

例如，MCP 的提出者 Anthropic 旗下的 Claude Desktop，就可以通过这种方式轻松扩充自身的能力。

第三、基于 MCP 的 Agent 架构设计

以下是基于 MCP 将 LLM 应用（Agent）与外部资源集成的架构设计图：

图片

与 LLM 应用直接连接外部资源的方式相比，这里主要增加了一个中间层（MCP Server）以及用于连接该中间层的（MCP Client）。理解了这两个组件，你就基本掌握了 MCP 的核心。

1、MCP Server

这里的 “Server” 并非传统意义上的集中式服务器，更像是一个服务插件。

  • MCP Server 部署位置

MCP Server可以部署在 LLM 应用所在的本机上，也可以远程部署（Remote）。不过目前远程部署方式尚未完善，暂时不考虑。以下内容仅针对本地部署模式。

  • MCP Server 提供的“服务”

  • Tools：为 LLM 应用，尤其是 Agent 提供各种工具。

  • Resources：为 LLM 应用提供额外的结构化数据。

  • Prompts：为 LLM 应用提供 Prompt模板。例如，如果你的应用是一个Chatbot，可以从 MCP Server 中获取这些模板供用户选择使用。

  • 获取 MCP Server 的方式

  • 自己使用 MCP SDK 创建后，供个人或企业内部共享使用。

  • 从他人创建的 MCP Servers 中“挑选”，然后下载使用。例如，可以从以下链接获取。

图片

  • MCP Server 的启动方式

  • 在本地模式下，通过在 LLM 应用中配置启动命令后，MCP Server 会自动启动。

  • 需要注意的是，不同的 MCP Server 可能有不同的启动命令，具体请查看 MCP Server 的说明书。

  • 部分 MCP Server 可能需要先安装依赖项；而对于通过 npx 或 uvx 运行的 MCP Server，则会自动下载缓存并临时运行。

  • 启动后，MCP Server 在物理形式上是一个独立的进程。

  • MCP Server 与 Client 应用的通信方式

在本地模式下，MCP Server 与客户端应用之间通过 stdio/stdout（标准输入输出）进行进程间通信，交换消息。这种通信方式你可能已经很熟悉了，例如：

cat file.txt | grep "error" | sort > result.txt

  • 创建 MCP Server 的编程语言

目前支持使用 TS（TypeScript）、Python、Java SDK 来编写 MCP Server。

2、MCP Client

MCP Client 是由客户端 LLM 应用使用 Client SDK 创建并维护的一个 Server 会话，就像你在程序中维护一个数据库的 Connection 一样。一般长这样：

async with stdio_client(server_params) as (read, write):        async with ClientSession(            read, write, sampling_callback=None        ) as session:、......

借助 Client SDK 你可以与 MCP Server 通信。比如查看 Server 的 Tools：

tools = await session.list_tools()

本地模式下，Client 与 Server 是一对一的关系。如果需要连接多个MCP Server，需要自行维护多个 Session。

—2—

动手做一个 MCP

让我们通过一个简单的 Client + Server 的完整案例来加深对 MCP 的理解。

首先，使用以下命令安装 SDK：

pip install mcp

安装完成后，按照以下步骤进行操作：

第一、创建 MCP Server

这个 MCP Server 仅具备一个功能：提供一个计算器工具。具体实现如下：

#server_demo.pyfrom mcp.server.fastmcp import FastMCP# 创建一个MCP服务器mcp = FastMCP("演示")# 添加一个工具@mcp.tool()def calculate(expression: str) -> float:    """计算四则运算表达式        参数:              expression: 数学表达式字符串，如 "1 + 2 * 3"        返回:              计算结果        """     ...省略计算器代码...    if __name__ == "__main__":      mcp.run(transport='stdio')

注意这里必须要有启动代码，但现在你不需要启动它。

第二、创建 MCP Client

接下来，创建一个客户端应用，用于连接上述 MCP Server 并调用其中的计算器功能：

#client_demo.pyfrom mcp.client.stdio import stdio_clientfrom mcp import ClientSession, StdioServerParameters, typesimport asyncio#Client会使用这里的配置来启动本地 MCP Serverserver_params = StdioServerParameters(      command="python",       args=["./server_demo.py"],      env=None  )  async def main():             async with stdio_client(server_params) as (read, write):            async with ClientSession(                  read, write, sampling_callback=None        )     )as session:                                  await session.initialize()                      print('\n正在调用工具...')                result = await session.call_tool("calculate",{ "expression": "188*23-34" })                print(result.content)      asyncio.run(main())

现在直接运行这个 Client，就可以看到如下输出：

图片

第三、如何调试 MCP Server

如果只是单纯开发 MCP Server，如何快速进行测试呢？对于用 Python 编写的 Server，可以通过 MCP Inspector 来进行调试。运行以下命令：

mcp dev server_demo.py

随后，访问 http://localhost:5173，即可进入可视化调试界面，在这里可以直观地测试刚才的计算器工具。

图片

PS：

推荐大家加入《3天 基于 MCP 的 Agent 项目实战直播训练营》，为了帮助大家快速和低成本掌握 AI Agent 智能体技术，我和团队落地大模型项目3年，帮助60多家企业落地近100个项目，根据我们企业级实战的项目经验，打造基于 MCP、Manus、DeepSeek 的 AI Agent 项目实战直播训练营，截至今天已经报名2万名学员，如此火爆！原价199元，为了回馈粉丝的支持，价格直接降到 19元，点击以下报名。

—3—

3天 Agent 智能体项目实战直播课

3天的直播课，带你快速掌握基于  MCP、Manus、DeepSeek  的AI Agent 智能体核心技术和企业级项目实践经验。

模块一：AI Agent 智能体技术原理篇

全面拆解 AI Agent 智能体技术原理，深度掌握基于 MCP、Manus、DeepSeek 的 AI Agent 智能体三大能力及其运行机制。

模块二：AI Agent 智能体应用开发实战篇

深度讲解基于 MCP、Manus、DeepSeek 的 AI Agent 智能体技术选型及开发实践，学会开发 AI Agent 智能体核心技术能力。

模块三：AI Agent 智能体企业级案例实战篇

基于 MCP、Manus、DeepSeek，从需求分析、架构设计、架构技术选型、硬件资料规划、核心代码落地、服务治理等全流程实践，深度学习企业级 AI Agent 智能体项目全流程重点难点问题解决。

图片

3天时间，你能学会什么？

在真实项目实践中，你会获得4项硬核能力：

第一、全面了解 DeepSeek 大模型、MCP、Manus、AI Agent 智能体的原理、架构和实现方法，掌握核心技术精髓。

第二、熟练使用 Dify/Coze 平台、MCP、Manus、DeepSeek、LangChain、AutoGen 等开发框架，为企业级技术实践打下坚实基础。

第三、通过企业级项目实战演练，能够独立完成基于 MCP、Manus、DeepSeek 的 AI Agent 智能体的设计开发和维护，学会解决企业级实际问题的能力。

第四、为职业发展提供更多可能性，无论是晋升加薪还是转行跳槽，提升核心技术竞争力。

限时优惠：

原价199元，回馈粉丝们支持，现在报名只需19元！赶快加入把~~

—4—

添加助教直播学习

购买后，一定记得添加助理，否则无法进行直播学习👇

图片

参考来源：

https://mp.weixin.qq.com/s/QDmbNoixP4awOeZMAvxrlA

⬇戳”阅读原文“，立即报名！

END

musicml
关注
万字详解：MCP（Model Context Protocol）协议原理与代码实战史上最详细指南
AI天才研究院
03-26 823
通过本文的详细讲解，我们全面了解了MCP协议的设计原理和实现细节。渐进式采用从非关键业务开始试点逐步替换传统RPC调用建立性能基准监控与调优return {团队协作建议建立上下文Schema注册中心制定上下文版本兼容规范开发共享工具链MCP协议作为新一代模型交互标准，正在重塑AI系统的协作方式。希望本文能为您在实际项目中应用MCP协议提供全面指导，也欢迎共同推进协议生态的发展。
基于Cline和OpenRouter模型进行MCP实战
热门推荐
herosunly的博客
04-13 17万+
本文主要介绍了基于Cline和OpenRouter模型进行MCP实战，希望对学习大语言模型的同学们有所帮助。 文章目录 1. 前言 2. MCP实战 2.1 模型选型 2.2 安装环境 2.3 安装MCP服务 2.4 MCP实战 3. Bug解决方案
比扣子更简单！用 Cline + MCP 快速打造可控智能体：实战案例解析
surfirst的博客
12-30 3332
随着人工智能技术的不断进步，构建个性化智能体的需求日益增加。国内虽然已有一些智能体平台，如豆包扣子，但这些平台要求开发者将代码和数据上传到第三方服务器，对于一些商业信息敏感的客户来说，这种做法可能带来数据泄露的风险。而在国际市场上，Anthropic 开源的 **MCP 协议** 和 **Cline** 插件，则为开发者提供了一种更加简单、安全、可控的方式来创建智能体。本文将详细介绍如何使用 **Cline** 和 **MCP 协议** 来快速搭建智能体，并通过实战案例展示其强大能力。
实操干货！MCP全解析，一步步教你借助第三方MCP Server开发Agent
2401_85375151的博客
03-20 3679
随着最近Manus带动Agent应用的火热，MCP（模型上下文协议）成为很多社区热议的话题。今天为带大家带来深度的MCP解析与实操应用指南，相信看完这篇你应该可以立刻上手MCP。本文目录：MCP概念与架构全解析让我们从一个实际的开发样例开始。假如你开发了一个AI应用，无论是ChatBot还是复杂的Agent，都不会再局限于简单的LLM对话，很多时候你需要与外部世界连接，以访问数据源或使用工具。比如：操控浏览器实现自动化；访问本地文件访问数据库结构，以更好的让AI做编程。
一文掌握 MCP 上下文协议：从理论到实践
cmy_top的博客
04-03 1168
本文介绍了 模型上下文协议（Model Context Protocol，MCP），一种用于规范大型语言模型（LLM）与外部数据源及工具之间交互的开放标准。内容涵盖了 MCP 协议的整体架构（客户端与服务器的一对一连接模式）、消息传输机制（采用 JSON-RPC 2.0 格式）、以及客户端与服务器支持的核心原语。
MCP 架构设计深度剖析：使用 Spring AI + MCP 四步教你实现 Agent 智能体开发.pdf
04-11
Java MCP架构设计示例基于MCP协议，描述了如何设计一个AI Agent智能体。架构设计中包含两种传输层：Stdio Transport和HTTP SSE。MCP的工作模式将MCP Server作为工具配置在MCP Client中，通过发送执行指令、识别意图...
MCP全解析：借助第三方MCP Server开发Agent.pdf
04-06
随着AI技术的发展和应用，LLM在开发诸如ChatBot或复杂的Agent类应用时，通常需要与外部世界连接，以访问数据源、使用工具或执行其他操作。这些操作涉及到多种接口和协议，如SQL、HTTP调用、Playwright等。LLM应用...
【AI Agent开发】AI Agent 开发新范式 MCP 从入门到多场景全链路实战
最新发布
07-16
文章详细讲解了基于Python的MCP开发入门，包括搭建记忆模块、构建规划模块和整合执行闭环。最后，通过智能客服、自动驾驶和金融分析三个行业的实战案例，展示了MCP范式在多场景下的应用效果和优势，如用户满意度提升...
### 【人工智能应用开发】基于AI Agent与MCP协议的新型应用开发模式设计AI应用开发的新
06-10
内容概要：本文详细介绍了AI应用开发的新模式，涵盖从AI代理（AI Agent）到多智能体系统（Multi-Agent Systems），再到平台级代理（Platform-Level Agents）等多个方面。文中重点探讨了AI应用开发中涉及的关键技术和...
【亲测免费】 mcp-agent：构建高效Agent的简易框架
gitblog_00700的博客
03-26 866
mcp-agent：构建高效Agent的简易框架 项目介绍 mcp-agent 是一个简单、可组合的框架，用于使用 Model Context Protocol（MCP）构建 Agent。它基于两个核心概念：MCP 标准化接口和构建高效 Agent 的简单模式。mcp-agent 让开发者能够轻松地构建出可在生产环境中使用的 AI Agent。 项目技术分析 mcp-agent 的设计理念是简化 ...
借助MCP尝试创建自己的Agent（一）
m0_47211450的博客
01-20 2341
Anthropic开源了模型上下文协议，通过配置claude客户端可以发挥agent的作用，本文展示了该功能在文件管理方面的能力。
借助MCP尝试创建自己的Agent（三）
m0_47211450的博客
01-23 1606
本文介绍了如何将已有工具融合到claude客户端中，结合之前的内容基本涵盖了LLMs扩展server的所有方法，可以按照这个思路来构建适合自己的agent。
借助MCP尝试创建自己的Agent（二）
m0_47211450的博客
01-22 2842
本文根据MCP官网给出的文档，实现了一个采用Python SDK实现个性化天气查询服务的例子，为我的Claude桌面应用添加了天气查询功能！
AI王炸：MCP服务端客户端的完整实现
2401_85375151的博客
04-19 958
试想一下，如果要想在现有应用上构建，让AI读取引用我们功能和数据，该怎么办，比如询问某个城市的天气，我们希望AI能调用天气函数返回相应结果，这时(Model Context Protocol)就可以派上用场了，它相当于我们电脑的USB-C接口，提供了一个标准方式让AI模型连接不同的应用和工具。我们可以建一个MUP Server来处理这类业务，比如市面上已有各类MUP Server，比较典型的高德地图MCP，除此之外，还有旅行交通的，提供房源问询，版本控制的，工具类mcp-openai，开发类等。
Agent 小白教程，用高德地图 MCP 做了个旅行攻略网页
Z987421的博客
04-04 1361
紧随百度地图mcp的发布，高德地图也发布了mcp服务。这次我们用高德地图mcp做一个旅行攻略。据高德官网介绍，高德地图MCP Server覆盖12大核心接口，提供全场景覆盖的地理信息服务，包括地理编码、逆地理编码、IP定位、天气查询、骑行路径规划、步行路径规划、驾车路径规划、公交路径规划、距离测量、关键词搜索、周边搜索、详情搜索等。
MCP全解析：手把手教你利用第三方MCP Server打造高效Agent
2401_84204413的博客
03-24 2495
随着最近Manus带动Agent应用的火热，MCP（模型上下文协议）成为很多社区热议的话题。今天为带大家带来深度的MCP解析与实操应用指南，相信看完这篇你应该可以立刻上手MCP。本文目录：MCP概念与架构全解析让我们从一个实际的开发样例开始。假如你开发了一个AI应用，无论是ChatBot还是复杂的Agent，都不会再局限于简单的LLM对话，很多时候你需要与外部世界连接，以访问数据源或使用工具。比如：操控浏览器实现自动化；访问本地文件访问数据库结构，以更好的让AI做编程。
从入门到精通：大模型Agent核心框架MCP实战解析
2401_85373691的博客
03-22 1592
大模型MCP（Model Context Protocol，模型上下文协议）是一种由Claude母公司Anthropic于2024年11月底推出的开放标准，旨在统一大型语言模型（LLM）与外部数据源和工具之间的通信协议。它可以被视为AI应用程序的“USB-C接口”，为应用程序向大语言模型提供上下文的方式提供了标准化方案。（图：Norah Sakal）MCP的核心目标是解决LLM应用与数据源连接的难题，支持通过统一的客户端-服务器架构访问本地资源（如浏览器、数据库、文件系统、API等）或远程资源。
基于 MCP 的 AI Agent 应用开发实践 —— 以 Agent TARS 为例
06-06
<think>嗯，用户这次的问题很聚焦，要求具体说明基于MCP开发AIAgent的最佳实践，并以AgentTARS为案例。结合历史对话，用户显然是个技术决策者或开发者，想了解MCP协议如何落地。用户提供的三个引用中，[1]最关键，详细说明了MCP的核心价值是研发范式转移，类似前后端分离；[2]提到行业可能出现协议碎片化风险；[3]则补充了多模态开发场景。但用户最关心的显然是TARS这个实施案例。我需要重点拆解MCP开发范式的三层结构（感知层、协议层、工具层），这个框架在引用[1]里虽然没明说但隐含了。用户问“最佳实践”，说明需要可操作的方法论，而不仅是概念。考虑到ta提了两次“AgentTARS示例”，应该对具体代码实现感兴趣。安全方面要注意：引用[3]提到企业数据训练，需提醒用户数据合规问题；引用[2]的协议碎片化警告也得包含在挑战部分。技术细节上，MCP的上下文组装机制（token压缩、异步调度）是难点，但用户没明确问底层原理，先放在技术挑战里简要说。突然想到用户可能混淆了MCP和LangChain的区别，需要强调：LangChain是开发框架，MCP是协议标准，这点在扩展实践里用脚手架工具说明会更清晰。TARS的RESTful对接示例选得不错，但JSON参数要简化，实际开发时用户会更关心工具描述字段。相关问题的设计要引导用户深化场景：性能工程和异构部署是进阶需求，而工具开发是生态建设关键。最后补上协议选型建议，毕竟引用[2]显示行业有多个竞争标准。</think> 基于 MCP 协议开发 AI Agent 应用的核心在于**协议解耦**与**标准化工具集成**，以下结合 Agent TARS 案例详解最佳实践： --- ### **一、MCP 开发范式关键步骤** 1. **分层架构解耦** - **感知层（Perception）**：Agent 接收多模态输入（文本/图像）并理解用户意图 - **协议层（MCP Bridge）**：通过 MCP 标准协议将需求转化为结构化工具调用请求 - **工具层（Tool Ecosystem）**：对接第三方工具（如日历/支付API），无需绑定特定供应商 ```python # MCP 工具调用示例（伪代码） def mcp_tool_invoke(tool_name: str, params: dict): payload = { "@context": "https://mcp.ai/context/v1", "action": tool_name, "input": params } return requests.post(MCP_GATEWAY, json=payload) # 通过标准化网关路由 ``` 2. **动态上下文组装** - MCP 自动聚合工具返回的**结构化数据**（如 JSON/CSV） - 通过 Token 压缩算法（如 GIST 压缩）减少上下文长度 - 例：调用天气工具后自动注入 `{"location": "北京", "temp": 22℃}` 到 LLM 上下文 --- ### **二、Agent TARS 开发实践详解** 1. **工具集成标准化** - **统一描述规范**：所有工具通过 `tool_name.mcp.json` 声明功能 ```json // 支付工具描述文件 { "name": "stripe_payment", "description": "处理信用卡支付", "parameters": { "amount": {"type": "number", "required": true}, "currency": {"type": "string", "default": "USD"} } } ``` - **RESTful 兼容**：传统 API 通过 [MCP-Adapter](https://github.com/tars-agent/mcp-adapter) 转换协议 ``` POST /mcp/tools/stripe_payment Content-Type: application/json {"amount": 99.99} ``` 2. **执行流程优化** ```mermaid graph TD A[用户语音输入] --> B(TARS 意图识别) B --> C{MCP 路由查询} C -->|天气查询| D[调用 Weather.com] C -->|支付| E[调用 Stripe API] D & E --> F[结果标准化封装] F --> G[自然语言生成响应] ``` 3. **工具热插拔实践** - 新增翻译工具时： 1. 部署 `translate.mcp.json` 到工具仓库 2. Agent 自动发现并更新能力目录 ``` > TARS.get_tools() ["weather", "payment", "translate"] # 动态扩展 ``` --- ### **三、关键技术挑战与解决方案** | 挑战 | MCP 方案 | |---------------------|-----------------------------| | 工具响应延迟 | 异步流式传输（SSE） | | 多工具协作 | DAG 工作流引擎 | | 权限控制 | OAuth2.0 + 工具级策略标签 | | 协议版本碎片化 | 强制 SemVer 版本校验 [^2] | --- ### **四、扩展实践建议** 1. **混合编排框架** ```python from langchain.agents import AgentExecutor from mcp_integration import MCPToolkit toolkit = MCPToolkit() # 自动加载 MCP 注册中心所有工具 agent = AgentExecutor.from_agent_and_tools( llm=ChatGPT(), tools=toolkit.get_tools(), verbose=True ) ``` 2. **调试监控闭环** - 使用 MCP 的 `X-MCP-Trace-Id` 头实现全链路追踪 - 工具执行统计看板： ![MCP 监控面板](https://tars.dev/mcp-dashboard.png) --- **
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值