登录
快速掌握MCP精髓，让AI为我们提效
2025年11月3日 10:47
作者：庞立冬
一、前言
首先我们需要了解MCP是什么？需要了解大模型LLM是什么？通过LLM能计算数学表达式嘛？例如： 3+4的结果吗？
官网解释大模型LLM （Large Language Model）中文名为大语言模型或大型语言型，是一种相较传统语言模型参数量更多、在更大规模语料上进行预训练的语言模型（产物）。所以LLM的特点：海量的数据、预训练的产物（数据缺乏实时性）、文本数据（缺少真逻辑）；所以后续相继出现了很多补充LLM大模型的工具和技术，例如：Function Calling 、 MCP 、 AI Agent等概览。
官网解释MCP（Model Context Protocol） 是一个开放协议，它为应用程序向 LLM 提供上下文的方式进行了标准化。你可以将 MCP 想象成 AI 应用程序的USB-C接口。USB-C : 为设备连接各种外设和配件提供了标准化的方式一样，MCP 为 AI 模型连接各种数据源和工具提供了标准化的接口安全，可以做到即插即用。
二、核心概念
MCP 主要是通过C/S架构；通过Client和Server服务进行通信；Server和我们理解的运行的云端的服务不一样。MCP Server主要是运行在本地电脑
LLM
技术名词
- MCP Hosts: 如 Claude Desktop、IDE、Curson 或 AI 工具，希望通过 MCP 访问数据的程序
- MCP Clients: 维护与服务器一对一连接的协议客户端
- MCP Servers: 轻量级程序，通过标准的 Model Context Protocol 提供特定能力
- 本地数据源: MCP 服务器可安全访问的计算机文件、数据库和服务
- 远程服务: MCP 服务器可连接的互联网上的外部系统（如通过 APIs）
- MCP协议：传输都使用 JSON-RPC(www.jsonrpc.org/) 2.0 进行消息交换
传输机制
- Stdio 传输
- 使用标准输入/输出进行通信
- 适用于本地进程
- 通过 HTTP
- SSE 传输
- 使用服务器发送事件进行服务器到客户端的消息传递
- 使用 HTTP POST 进行客户端到服务器的消息传递
生命周期
- Client 发送包含协议版本和能力的
initialize请求 - Server 以其协议版本和能力响应
- Client 发送
initialized通知作为确认 - 开始正常消息交换
- 请求-响应：客户端或服务器发送请求，另一方响应
- 通知：任一方发送单向消息
MCP核心模块
- Resource：提供给 clients 的任何类型的数据，通过[protocol]://[host]/[path]
- Prompts：允许 servers 定义可复用的提示模板和工作流，clients 可以轻松地将它们呈现给用户和 LLMs。它们提供了一种强大的方式来标准化和共享常见的 LLM 交互。
-
Tools：servers 能够向 clients 暴露可执行功能。通过 tools，LLMs 可以与外部系统交互、执行计算并在现实世界中采取行动。最重要的工具，辅助AI我们可以自定义完成很
LLM不能完成的能力 - Sampling（采样）：它允许 servers 通过 client 请求 LLM 补全，从而实现复杂的 agentic 行为，同时保持安全性和隐私性
- Roots：定义了 servers 可以操作的边界。当 client 连接到 server 时，它声明 server 应该使用哪些 roots（URI,HTTP URL）
三、示例代码
创建MCP Sever
通过FastMcp快速创建 MCP Server服务，具体示例代码如下：
import axios from "axios";
import * as cheerio from 'cheerio';
import { FastMCP } from "fastmcp";
import { z } from "zod";
// 创建FastMCP服务器实例
const mcp = new FastMCP({
name: "示例MCP服务器",
version: "1.0.0",
logger: {
debug: (...args) => console.error('[DEBUG]', ...args),
info: (...args) => console.error('[INFO]', ...args),
warn: (...args) => console.error('[WARN]', ...args),
error: (...args) => console.error('[ERROR]', ...args),
log: (...args) => console.error('[LOG]', ...args)
}
});
Tools
通过addTools快速完成添加工具，例如实现一个通过MCP获取任意网页的内容，将我们远程网页的内容喂给LLM大模型，让大模型可以为我们做更多事情，具有上网能力。具体示例代码如下：
const get_article = async (link: string) => {
try {
console.log(`Fetching web content: ${link}`);
// 发送HTTP请求获取网页内容
const response = await axios.get(link, {
timeout: 10000, // 10秒超时
headers: {
'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36'
}
});
// 使用cheerio解析HTML
const $ = cheerio.load(response.data);
// 移除不需要的标签
$('script, style, nav, header, footer, aside, .advertisement, .ads').remove();
// 尝试提取主要内容
let content = '';
// 常见的文章内容选择器
const contentSelectors = [
'article',
'.article-content',
'.post-content',
'.entry-content',
'.content',
'main',
'.main-content',
'[role="main"]'
];
for (const selector of contentSelectors) {
const element = $(selector);
if (element.length > 0) {
content = element.text().trim();
if (content.length > 100) { // 如果内容足够长，就使用它
break;
}
}
}
// 如果没有找到特定的内容区域，使用body
if (!content || content.length < 100) {
content = $('body').text().trim();
}
// 清理文本内容
content = content
.replace(/\s+/g, ' ') // 将多个空白字符替换为单个空格
.replace(/\n\s*\n/g, '\n') // 移除多余的空行
.trim();
// 限制内容长度（避免过长）
if (content.length > 5000) {
content = content.substring(0, 5000) + '...';
}
console.log(`Successfully fetched content, length: ${content.length} characters`);
return content;
} catch (error) {
console.error(`Failed to fetch web content: ${error instanceof Error ? error.message : String(error)}`);
return `Failed to fetch web content: ${error instanceof Error ? error.message : String(error)}`;
}
}
mcp.addTool({
name: "get_article_by_link",
description: "获取网页内容",
parameters: z.object({
expression: z.string().describe("要获取的网页内容")
}),
execute: async ({ expression }) => {
try {
console.log(`Fetching web content: ${expression}`);
const result = await get_article(expression); // 注意：这里需要await
return {
content: [
{
type: "text",
text: `Web content from ${expression}:\n\n${result}`
}
]
};
} catch (error) {
return {
content: [
{
type: "text",
text: `Error fetching web content: ${error instanceof Error ? error.message : 'Unknown error'}`
}
],
isError: true
};
}
}
});
// 添加计算工具
mcp.addTool({
name: "calculate",
description: "执行数学计算",
parameters: z.object({
expression: z.string().describe("要计算的数学表达式")
}),
execute: async ({ expression }) => {
try {
// 简单的数学计算（仅支持基本运算）
const result = eval(expression);
return {
content: [
{
type: "text",
text: `计算结果: ${expression} = ${result}`
}
]
};
} catch (error) {
return {
content: [
{
type: "text",
text: `计算错误: ${error instanceof Error ? error.message : '未知错误'}`
}
],
isError: true
};
}
}
});
Resource
通过addResource快速完成添加资源等能力，例如实现获取系统信息或让 LLM可以读取本地文件，将本地文件喂给 LLM大模型，让大模型具有本地文件推断能力。具体示例代码如下：
// 添加系统信息资源
mcp.addResource({
uri: "system://info",
name: "系统信息",
description: "当前系统的信息",
mimeType: "application/json",
load: async () => {
const os = await import('os');
return {
uri: "system://info",
mimeType: "application/json",
text: JSON.stringify({
platform: os.platform(),
arch: os.arch(),
nodeVersion: process.version,
uptime: os.uptime(),
totalMemory: os.totalmem(),
freeMemory: os.freemem(),
cpus: os.cpus().length
}, null, 2)
};
}
});
Prompt
通过addPrompt快速完成定义大模型Prompt的能力，让 LLM可以选择 MCP提供的Prompt角色切换。具体示例代码如下：
// 修复后的prompt定义
mcp.addPrompt({
name: "analyze-code",
description: "分析代码以获得潜在改进",
arguments: [
{
name: "language",
description: "编程语言",
required: true
},
{
name: "code",
description: "要分析的代码",
required: true
}
],
load: async ({ language, code }) => {
// 返回prompt内容，不是prompt对象
return {
messages: [
{
role: "user",
content: {
type: "text",
text: `请分析以下${language}代码，并提供改进建议：\n\n\`\`\`${language}\n${code}\n\`\`\`\n\n请从以下几个方面分析：\n1. 代码质量和可读性\n2. 性能优化建议\n3. 最佳实践建议\n4. 潜在的安全问题\n5. 代码结构改进建议`
}
}
]
};
}
});
Debug调试
MCP Inspector是一个交互式开发者工具，用于测试和调试 MCP 服务器。
npx @modelcontextprotocol/inspector <command> <arg1> <arg2>
// 案例
npx -y @modelcontextprotocol/inspector npx server-postgres postgres://127.0.0.1/testdb
运行启动后，会在那浏览器打开一个本地服务连接http://localhost:6274/，如下图：
http://localhost:6274/本地服务的页面，可以通过 页面 common 和 args配置启动服务的命令。例如
yarn --cwd "D:\\code\\个人项目\\mcp\\gpt-demo" mcp 指定目录下执行 yarn mcp 启动服务
在Claude Desktop、IDE、Cursor等开发者工具中配置类似的服务，也可以完成MCP服务的集成。具体配置实例如下：
const mcpConfig = new MCPConfiguration({
servers: {
deepWiki: {
type: "sse",
url: "https://mcp.deepwiki.com/sse",
timeout: 25000,
},
"mcp-test": {
"type": "stdio",
"command": "yarn",
"args": [
"--cwd",
"D:\\code\\个人项目\\mcp\\gpt-demo",
"mcp"
]
}
});
通过切换tab到tools可以看到我们开发的 tools 工具函数，选择对应调试的函数进行调试：
通过上面的配置看我们 MCP服务在 Claude Desktop、IDE、Cursor这些开发者工具中Agent 价值配置后结构，如下图示例（包含外部deepwiki MCP Server 和我们开发的 MCP Server）：
通过Agent 进行测试我们开发的MCP Server可以看到调用了calculate这个工具函数，具体执行步骤示例如下：
四、总结
通过这篇文章我们可以快速完成 MCP的概念和基础知识的了解，也可以通过实例代码5分钟内完成MCP Server的开发。方便我们在研发后续的场景中尝试提效研发效率：
- 简化工具集成流程： MCP 通过定义统一的接口规范，使 AI 模型能够直接感知环境、操作工具、处理数据，无需为每个工具单独开发适配层。阿里云百炼平台展示，开发者只需 5 分钟即可搭建专属 MCP 智能体，极大提升了开发效率。
- 优化测试流程： 在软件测试领域，MCP 可让 AI 代理自动创建、执行并维护测试用例，覆盖更多边缘场景。还能动态调整测试策略，适应复杂分布式系统。同时，AI 代理可检测 UI/API 的变化并自动修复损坏的定位器或测试脚本，降低测试维护成本，加速 CI/CD 流程。
- 提升任务规划与协作效率： 以 Gitee 发布的企业版 MCP Server 为例，它能让 AI 助手深度参与企业研发管理，辅助需求拆解、完善需求内容、创建和审查 PR 等，减少人工沟通成本，提升团队协作效率，助力企业实现更高效、更规范的研发流程。
- 促进跨生态服务整合： MCP 协议可实现多 MCP 服务串联，如阿里云百炼平台中，高德地图 MCP、文本生成 MCP 和 Notion 存储 MCP 可自动生成旅行攻略。还能通过动态路由优化，确保任务精准执行，帮助开发者构建复杂任务链，加速研发成果落地。
