一个互联网技术玩家，一个爱聊技术的家伙。在工作和学习中不断思考，把这些思考总结出来，并分享，和大家一起交流进步。
一、MCP 介绍
1. 基本介绍
MCP（Model Context Protocol，模型上下文协议）是由 Anthropic 公司（Claude 大模型的创造者）于 2024 年 11 月推出的一种开放标准协议，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方式。MCP 的核心目标是解决当前 AI 应用开发中的数据孤岛和碎片化集成问题。
2. 协议特点
MCP 可以被理解为 AI 大模型的"万能接口"，类似于 USB-C 接口在硬件领域的作用，它提供了一种标准化的方法，使 AI 模型能够与不同的数据源和工具进行无缝交互。通过 MCP，开发者可以更轻松地构建复杂的 AI 应用，而无需为每个工具或数据源编写专门的集成代码。
MCP 是一个标准协议，如同电子设备的 Type C 协议(可以充电也可以传输数据)，使 AI 模型能够与不同的 API 和数据源无缝交互。
MCP 旨在替换碎片化的 Agent 代码集成，从而使 AI 系统更可靠，更有效。通过建立通用标准，服务商可以基于协议来推出它们自己服务的 AI 能力，从而支持开发者更快的构建更强大的 AI 应用。开发者也不需要重复造轮子，通过开源项目可以建立强大的 AI Agent 生态。
MCP 可以在不同的应用/服务之间保持上下文，从而增强整体自主执行任务的能力。
可以理解为 MCP 是将不同任务进行分层处理，每一层都提供特定的能力、描述和限制。而 MCP Client 端根据不同的任务判断，选择是否需要调用某个能力，然后通过每层的输入和输出，构建一个可以处理复杂、多步对话和统一上下文的 Agent。
3. AI Agent 和 MCP 间的关系
AI Agent 是一个智能系统，它可以自主运行以实现特定目标。传统的 AI 聊天仅提供建议或者需要手动执行任务，AI Agent 则可以分析具体情况，做出决策，并自行采取行动。
AI Agent 可以利用 MCP 提供的功能描述来理解更多的上下文，并在各种平台/服务自动执行任务。
4. MCP 如何工作
MCP 采用客户端-服务器架构，MCP 架构主要包含以下核心组件：
MCP 的基本工作流程如下：
用户向 AI 模型（MCP 客户端）发送请求
AI 模型分析请求，确定需要调用的外部工具或数据
AI 模型通过 MCP 协议向相应的 MCP 服务器发送请求
MCP 服务器处理请求并返回结果
AI 模型整合结果，生成最终回复给用户
二、cline 配置本地模型
我做测试使用的客户端是 vscode+cline，cline 在 vscode 的插件市场中直接安装即可。cline 对 MCP 的支持也是非常好的。因为要使用到大模型，所以这里还要给 cline 配置一个大模型。
外网开放的免费模型一般都不太好用，所以我一般都是配置本地模型来测试，这里也介绍一下 cline 如何配置本地模型。
我这里配置了 ollama 启动的 qwen2.5:14b 模型。如下图配置即可，这个配置过程比较简单。
三、MCP 服务开发
1. 典型应用场景
实时数据分析：LLM 通过 MCP 直接查询数据库生成动态报告（如销售数据可视化）。
跨平台自动化：结合本地文件读写和 API 调用，实现“读取文档 → 生成会议摘要 → 发送邮件”全流程自动化。
隐私敏感任务：医疗数据存储在本地 Server，模型处理时不外传，符合 GDPR 合规要求。
工具增强生成：例如代码编辑器中集成 MCP Server，根据用户需求调用图像生成工具自动插入图片。
2. 案例开发
这部分代码参考了这篇文章：https://mp.weixin.qq.com/s/JmPxMBRZa8UhsIOQVgupLw ，这篇文章主要是一个按照时区获取时间的工具，我在测试 ok 之后扩展了一个天气获取的工具。
天气接口使用的是腾讯云的接口，大家可以直接使用免费额度，代码也是直接从腾讯云 api 的介绍中拷贝过来的，这里做了简单的封装调用。
下面的代码直接拷贝过去就可以使用，不过天气 api 的 key要替换成你自己的。
package main
import ( "context" "crypto/hmac" "crypto/sha1" "encoding/base64" "fmt" "io" "io/ioutil" "net/http" gourl "net/url" "strings" "time""github.com/mark3labs/mcp-go/mcp" "github.com/mark3labs/mcp-go/server")
func main() { // GetWeaher("北京") // Create MCP server s := server.NewMCPServer("MCPDemo", "1.0.0") // Add Get time tool timetool := mcp.NewTool("current_time", mcp.WithDescription("Get current time with timezone, Asia/Shanghai is default"), mcp.WithString("timezone", mcp.Required(), mcp.Description("current time timezone"))) // Add tool handler s.AddTool(timetool, currentTimeHandler)// add weather tool weathertool := mcp.NewTool("current_weather", mcp.WithDescription("Get current weather with city name, 北京 is default, 需要输入中文"), mcp.WithString("city", mcp.Required(), mcp.Description("city name"))) // Add tool handler s.AddTool(weathertool, weatherHandler) // Start the stdio server if err := server.ServeStdio(s); err != nil { fmt.Printf("Server error: %v\n", err) }}
func currentTimeHandler(ctx context.Context, request mcp.CallToolRequest) (*mcp.CallToolResult, error) { timezone, ok := request.Params.Arguments["timezone"].(string) if !ok { return mcp.NewToolResultError("timezone must be a string"), nil } loc, err := time.LoadLocation(timezone) if err != nil { return mcp.NewToolResultError(fmt.Sprintf("parse timezone with error: %v", err)), nil } return mcp.NewToolResultText(fmt.Sprintf(`current time is %s`, time.Now().In(loc))), nil}
func weatherHandler(ctx context.Context, request mcp.CallToolRequest) (*mcp.CallToolResult, error) { city, ok := request.Params.Arguments["city"].(string) if !ok { return mcp.NewToolResultError("city must be a string"), nil } body, err := GetWeaher(city) if err != nil { return mcp.NewToolResultError(fmt.Sprintf("read response body with error: %v", err)), nil } return mcp.NewToolResultText(string(body)), nil}
func calcAuthorization(source string, secretId string, secretKey string) (auth string, datetime string, err error) { timeLocation, _ := time.LoadLocation("Etc/GMT") datetime = time.Now().In(timeLocation).Format("Mon, 02 Jan 2006 15:04:05 GMT") signStr := fmt.Sprintf("x-date: %s\nx-source: %s", datetime, source)// hmac-sha1 mac := hmac.New(sha1.New, []byte(secretKey)) mac.Write([]byte(signStr)) sign := base64.StdEncoding.EncodeToString(mac.Sum(nil))auth = fmt.Sprintf("hmac id=\"%s\", algorithm=\"hmac-sha1\", headers=\"x-date x-source\", signature=\"%s\"", secretId, sign)return auth, datetime, nil}
func urlencode(params map[string]string) string { var p = gourl.Values{} for k, v := range params { p.Add(k, v) } return p.Encode()}
func GetWeaher(city string) (ret string, err error) { // 云市场分配的密钥Id secretId := "xxx" // 云市场分配的密钥Key secretKey := "xxx" source := "usagePlan-xxx"// 签名 auth, datetime, _ := calcAuthorization(source, secretId, secretKey)// 请求方法 method := "GET" // 请求头 headers := map[string]string{"X-Source": source, "X-Date": datetime, "Authorization": auth}// 查询参数 queryParams := make(map[string]string) queryParams["areaCn"] = city queryParams["areaCode"] = "" queryParams["ip"] = "" queryParams["lat"] = "" queryParams["lng"] = "" queryParams["need1hour"] = "" queryParams["need3hour"] = "" queryParams["needIndex"] = "" queryParams["needObserve"] = "" queryParams["needalarm"] = "" // body参数 bodyParams := make(map[string]string)// url参数拼接 url := "https://service-6drgk6su-1258850945.gz.apigw.tencentcs.com/release/lundear/weather1d" if len(queryParams) > 0 { url = fmt.Sprintf("%s?%s", url, urlencode(queryParams)) }bodyMethods := map[string]bool{"POST": true, "PUT": true, "PATCH": true} var body io.Reader = nil if bodyMethods[method] { body = strings.NewReader(urlencode(bodyParams)) headers["Content-Type"] = "application/x-www-form-urlencoded" }client := &http.Client{ Timeout: 5 * time.Second, } request, err := http.NewRequest(method, url, body) if err != nil { panic(err) } for k, v := range headers { request.Header.Set(k, v) } response, err := client.Do(request) if err != nil { panic(err) } defer response.Body.Close()bodyBytes, err := ioutil.ReadAll(response.Body) if err != nil { panic(err) } fmt.Println(string(bodyBytes)) return string(bodyBytes), nil}四、Cline 上配置自己开发的 MCP 服务
在 Cline 上添加 MCP 服务点击右上角“+”号旁边的 4 个小方块按钮即可进入。
里面有默认的服务市场和已经安装，我们在已经安装这个 tab 中选择 “Configure MCP Servers”，打开配置文件编辑，填写以下内容：
{ "mcpServers": { "helight-mcpServers": { "command": "/Users/helightxu/aillm/mcpgolangtest/mcp-server", "args": [], "env": {}, "disabled": false, "autoApprove": [ "current_weather", "current_time" ] } }}主要就是MCP 服务的名称，里面服务二进制地址等配置。这里还有一个“autoApprove”配置项，这个是在执行命令的时候是否需要人工二次确认还是自动确认。配置之后就可以看到下图的内容了。
这里还可以点击下面的“Restart Server”，对服务进行重启，重启之后也会获取最新的服务工具信息。在你重新编译 MCP 服务之后，这里一般需要点击重启一下。
五、案例测试
1. 时间获取案例
这里输入“当前东京的时间是多少”，执行过程如下，就会在大模型解析之后去调用我们的工具进行执行获取结果，并且会对工具返回的结果使用大模型进行再次组织。
2. 天气获取案例
天气这里也是，提问：“深圳的天气怎么样”，在大模型分析之后就会调用我们的天气获取工具进行天气信息获取，获取之后再使用大模型进行信息组织和展示。
这里是对信息的再次组织
五、MCP 的优势和典型应用场景
1. MCP 的核心优势
从系统集成和开放集成的角度来看，我认为 MCP会带来以下的突破。
打破数据孤岛：通过统一协议连接异构系统（如本地文档、云服务），减少大量的适配代码开发量。
双向动态交互：支持实时请求-响应和主动通知（如 WebSocket），相比传统 API 的静态交互更灵活。
隐私与安全:
数据隔离：敏感操作（如医疗数据处理）在本地 Server 完成，无需向 LLM 提供商暴露密钥。
权限控制：Server 可自主定义访问范围，防止越权操作。
开发效率提升: 开发者只需关注业务逻辑，无需重复实现通信层，例如通过 Python SDK 快速构建天气查询服务。
2. MCP 目前比较典型的应用场景
我认为目前 MCP 的一些典型应用场景会在以下几个方面，不过这个应该发展会很快，未来也许会有更为复杂的应用场景出现。
智能助手增强
MCP 可以显著增强智能助手的能力，使其能够：
访问实时信息（如天气、新闻、股票价格等）
执行复杂计算
查询和操作数据库
控制外部设备和系统
2. 企业知识管理
在企业环境中，MCP 可以帮助：
构建智能知识库
实现跨部门数据共享
自动化文档处理和分析
提供个性化的员工支持
六、总结
我认为这种模式应该是 AI 应用的趋势，不做大模型，而是做大模型、内容信息和工具之间的一种胶水层，是一种思考模式的实现。感觉未来大厂的这些工具都会向这个方向发展。在特定的领域之内，结合大模型、具体场景信息和相关工具，思考组织执行方式和流程，最终完成一个自动化大规模计算的复杂任务。比如复杂的 k8s 集群运维，复杂大规模的数据分析。
多智能体协作系统应该是未来的大趋势。而 MCP 在多智能体系统中的应用是其最强大的特性之一。通过 MCP，多个 AI 智能体可以协同工作，各自负责不同的任务，并通过标准化的接口进行通信。
多智能体可能的一个架构：
多智能体系统多智能体系统├── 协调者智能体（Coordinator Agent）├── 专家智能体 1（Expert Agent 1）├── 专家智能体 2（Expert Agent 2）├── ...└── 专家智能体 N（Expert Agent N）六、参考
- https://mp.weixin.qq.com/s/JmPxMBRZa8UhsIOQVgupLw
https://guangzhengli.com/blog/zh/model-context-protocol/
![RAG优化：python从零实现[吃一堑长一智]循环反馈Feedback](https://i-blog.csdnimg.cn/direct/88f4ba2808124d05ae52c8f3692ad5a2.png)
![[AI建模] 使用Pinokio本地化部署混元2D到3D AI建模服务](https://i-blog.csdnimg.cn/direct/0bc2626ebd854df2994026ed7febe690.png)
