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。

阅读视图