MCP（Model Context Protocol）是由Anthropic提出的开放标准协议，旨在标准化应用程序如何为LLM提供上下文，解决LLM与外部数据、工具的连接问题。它就像AI领域的“USB-C”，通过客户端-服务器架构，为AI应用提供统一、标准化的方式访问和处理数据，解决数据孤岛问题。文章介绍了MCP的核心概念、架构、通信机制，并对比了Function Calling，最后通过一个实战案例，演示了如何使用MCP调用高德API，实现交通态势实时查询。

💡 MCP的核心价值在于标准化LLM与外部资源的连接，解决了传统AI模型在数据访问、集成成本上的难题，为AI应用提供了连接万物的接口。

⚙️ MCP采用客户端-服务器架构，包括MCP主机、客户端、服务器、本地资源和远程资源。其中，MCP Client充当LLM和MCP Server之间的桥梁，负责获取工具、调用工具并返回结果。

📡 MCP支持两种通信机制：基于Stdio的本地通信和基于SSE的远程通信。两种机制均使用JSON-RPC 2.0格式进行消息传输，确保通信的标准化和可扩展性。

🆚 MCP与Function Calling的主要区别在于，MCP提供统一接口，实现互操作，并具备上下文管理能力，而Function Calling功能相对单一，且生态相对封闭。 MCP更像是一条“高速公路”，而Function Calling更像是一辆“汽车”。

🚦文章通过一个实战案例，演示了如何使用MCP调用高德API，实现交通态势实时查询。展示了MCP在实际应用中的可行性，以及如何通过MCP构建更灵活、更强大的AI应用。

一、MCP 基础概念

1.1 什么是 MCP？

定义：MCP（Model Context Protocol，模型上下文协议）是由Anthropic公司于2024年底提出的一种开放标准协议，它标准化了应用程序如何为 LLM 提供上下文，旨在解决大型语言模型（LLM）与外部数据、工具之间的连接交互问题。它为AI应用提供了一种统一的、标准化的方式来访问和处理数据（实时数据、本地数据），解决了AI模型的数据孤岛问题，为 AI 应用提供了连接万物的接口，被誉为 "AI 领域的 USB-C"。

核心价值：

传统的AI模型面临几个关键挑战：

知识时效性限制：模型只了解训练截止日期前的信息专有数据访问困难：无法直接访问企业内部系统的数据集成成本高昂：每接入一种新数据源，都需要定制专门的集成方案。传统上，将 AI 系统连接到外部工具涉及集成多个 API。每个 API 集成都意味着单独的代码、文档、身份验证方法、错误处理和维护。

MCP的核心优势：

生态：MCP 提供很多现成的插件，你的 AI 可以直接使用。统一性：不限制于特定的 AI 模型，任何支持 MCP 的模型都可以灵活切换。数据安全：你的敏感数据留在自己的电脑上，自行决定上传那些数据。

MCP 是 AI大模型 与数据（包括本地数据和互联网数据）之间的一座桥梁，通过 MCP 服务器和 MCP 客户端，大家只要都遵循这套协议，就能实现“万物互联”。比如，可以和数据和文件系统、开发工具、Web 和浏览器自动化、生产力和通信、各种社区生态能力全部集成，实现强大的协作工作能力。

1.2 核心架构

MCP 遵循客户端-服务器架构（client-server），其中包含以下几个核心概念：

MCP 主机（MCP Hosts）：发起请求的 LLM 应用程序（例如 Claude Desktop、IDE 或 AI 工具）。MCP 客户端（MCP Clients）：在主机程序内部，与 MCP server 保持 1:1 的连接。MCP 服务器（MCP Servers）：为 MCP client 提供上下文、工具和 prompt 信息。本地资源（Local Resources）：本地计算机中可供 MCP server 安全访问的资源（例如文件、数据库）。远程资源（Remote Resources）：MCP server 可以连接到的远程资源（例如通过 API）。

其中，重点关注MCP Client和MCP Server。

MCP Client：

MCP client 充当 LLM 和 MCP server 之间的桥梁，MCP client 的工作流程如下：

❶ MCP client 首先从 MCP server 获取可用的工具列表。❷ 将用户的查询连同工具描述通过 function calling 一起发送给 LLM。❸ LLM 决定是否需要使用工具以及使用哪些工具。❹ 如果需要使用工具，大模型向MCP client发出请求，MCP client 会通过 MCP server 执行相应的工具调用。❺ MCP server处理请求，处理结果返回给MCP client❺ MCP client将结果发送回 LLM。❻ LLM 基于所有信息生成自然语言响应。❼ MCP Hosts将响应展示给用户。

Claude Desktop 和Cursor都支持了MCP Server接入能力，它们就是作为 MCP client来连接某个MCP Server感知和实现调用。

MCP Server：

MCP server 是 MCP 架构中的关键组件，它可以提供 3 种主要类型的功能：

○ 资源（Resources）：将 Server 上的数据和内容开放给大语言模型，可以是文本或二进制数据。如 API 响应、文件内容、图像等。○ 工具（Tools）：可以被调用的函数，这些函数可由客户端调用，并由 LLM 使用来执行操作。○ 提示（Prompts）：预先编写的可复用的提示词模板和工作流程。

这些功能使 MCP server 能够为 AI 应用提供丰富的上下文信息和操作能力，从而增强 LLM 的实用性和灵活性。

一个形象的比喻

我在网上看到了一个比较形象的比喻，感觉还不错，摘录到这里，如果需要查看原文请点这里首先，用户让 LLM 调用工具，就好比我（特工少女，即 User）让男朋友（LLM）去小店（软件服务提供商）买东西（Data & Tool）并使用。如果模型接到的任务则可能需要多个工具调用（Tool Use），这就好比我跟男朋友讲的需求比较复杂，比如做从零做一道番茄炒蛋。

然后男朋友通过规划（Planning）决定去苏泊尔买个锅和铲，去菜场买个西红柿和鸡蛋，再去便利店买个糖和盐，以此来完成番茄炒蛋这道菜。但是在传统的 AI 应用开发过程中，男朋友（LLM）能去的小店（能使用的工具）都需要开发者预先定义线路（编写代码）。

但是，男朋友（LLM）每去一个新地方，都要造一条新路（编写代码），似乎不太方便。于是后来字节扣子、百度千帆、阿里云百炼等平台出现了，他们就好比是开了一个商超。商超跟各种小店说，我这里人气旺，你们直接按我们的要求来货架上架你们的商品就行，再跟我（User）说我这现成的商品多，以后让男朋友（LLM）来这买就行。

小店们觉得这事不错，便遵守平台一定的上架规范，开始把他们的商品（Tool）变成了插件（Plugin），我（User）提的好多需求，男朋友（LLM）在这些平台上就能一站式满足了，选几个插件直接用就行，方便了挺多。

但是，Anthropic 干了一个什么事情呢？他想搞电商！

他跟小店们说，不同平台的插件规范不太一样，你们去各个平台上架插件也挺累的。咱们搞个新玩法，能让天下的男朋友（LLM）都很容易的用到更多商品（调用更多工具）。你们呢按照我这个标准，把你们的商品都做一个数字化的标准信息处理（即变成了 MCP Server），我们再定义一个叫电商组件的东西（即 MCP Client），你们的 MCP Server 要跟电商组件有互动，只要遵守一个开放的规则，这部分就是 MCP 协议，即 Server 和 Client 的通信协议。

此外，Anthropic 基于这个电商平台（Client）的理念做了一个淘宝的外壳，这个淘宝就好比没有包含 LLM 的 Claude Desktop。在这基础上，如果再加上 Claude 的模型，就相当于让“男朋友刷淘宝”，这一整体就构成了 MCP Host。

MCP Server 只管提供各种工具，MCP Host 只管通过 MCP Client 获取并使用这些工具。然后淘宝上玲琅满目的商品很多，就形成了 MCP Market。

1.3 通信机制

关于Client和Server之间的通信方式，MCP 协议支持两种主要的通信机制：基于Stdio（标准输入输出）的本地通信和基于SSE（Server-Sent Events）的远程通信。

这两种机制都使用 JSON-RPC 2.0 格式进行消息传输，确保了通信的标准化和可扩展性。

**本地通信：**通过 stdio 传输数据，适用于在同一台机器上运行的客户端和服务器之间的通信。**远程通信：**利用 SSE 与 HTTP 结合，实现跨网络的实时数据传输，适用于需要访问远程资源或分布式部署的场景。

连接过程：

客户端发送包含协议版本和功能的请求initializeServer 使用其协议版本和功能进行响应客户端发送通知作为确认initialized正常消息交换开始

二、MCP与其他技术的比较

2.1 与Function Calling对比

Function Calling，最初是由OpenAI在2023年6月作为其API的一部分提出的，是一种函数调用机制，允许LLM通在生成内容的过程中调用外部函数或服务，从而获取更多能力。现在，很多其他大模型也借鉴了这种概念，纷纷推出了自己的function calling 。借助这个功能，可以调用外网检索引擎、天气查询、图片生成服务、音乐生成服务调用等。

对比项目	MCP	Function Calling
定义	模型和其它设备集成的标准接口，包含：工具 Tools、资源 Resources、提示词 Prompts	将模型连接到外部数据和系统，平铺式的罗列 Tools 工具。和 MCP Tool 不同的在于：MCP Tool 的函数约定了输入输出的协议规范。
性质	协议	功能
协议	JSON-RPC，支持双向通信、可发现性、更新通知能力。	JSON-Schema，静态函数调用。
调用方式	Stdio / SSE / 同进程调用	同进程调用 / 编程语言对应的函数
范围	通用（多数据源、多功能）	特定场景（单一数据源或功能）
目标	统一接口，实现互操作	扩展模型能力
实现	基于标准协议	没有统一的标准，各个大模型提供厂商都有自己的接入方式
开发复杂度	低：通过统一协议实现多源兼容	高：需要为每个任务单独开发函数
复用性	高：一次开发，可多场景使用	低：函数通常为特定任务设计
灵活性	高：支持动态适配和扩展	低：功能扩展需要额外开发
适用场景	动态、复杂场景，如跨平台数据访问和整合	简单任务。如天气查询、翻译等

Function calling 功能单一，不具备上下文管理能力，一次只执行一个任务，一般是同步进行调用。没有特定的标准，需要厂商或者我们自己去开发实现。生态相对封闭，没有多少开源项目，定制化比较多。MCP 功能复杂，可以支持多轮对话，一次能调用多个任务，也可以异步执行。有统一的标准，只要是适配了 MCP 的 Server 都可以用统一的代码去调用，而且除了工具调用，还提供了提示词和上下文资源。

2.2 举例

如果你的 function 最初需要两个参数（例如，天气服务的 location 参数和 date 参数，用户需严格按此参数结构构建应用。

之后，如果你决定为该 function 添加第三个必选参数（例如，unit参数（温度单位）），将“契约”进行变更。

这意味着该 function 的所有用户都必须更新代码，增加对新参数的支持，如果未及时更新，他们的请求可能会失败、报错或提供不完整的结果。

MCP 的设计解决了这个问题，具体方法如下：

MCP 引入了一种动态、灵活的方法。

当 Client（例如 Claude Desktop 这类 AI 应用）连接 MCP Server（例如天气服务）时，会发送初始请求，以便了解 Server 的能力。

Server 的响应包含可用的 tools、resources、prompts 以及相关参数的详细信息。例如，若天气 API 最初仅支持 location 和 date 参数，服务器会通过能力交换告知这些信息。

当新增 unit 参数时，MCP Server 可在下次进行能力交换时动态更新能力描述。Client 无需硬编码或预定义参数，只需查询 Server 的最新能力并自动适配。

这样，Client 就能使用更新后的新功能（例如在其请求中包含 unit 参数），实时调整行为，而无需重写或重新部署代码。

当然，mcp协议和function call两者并不直接对立的，反而是进行相互补充：

mcp协议工作在应用与外部工具对接的阶段，标准化这些工具的开发，以及在应用层接入、执行等过程，更多指的是整个让模型调用工具的整体手段。function call 则工作在应用与大模型交互之间，标准化如何让大模型理解、调用外部工具。如Host 里的 LLM 向 Client 调用工具时，大多仍然使用 Function Calling。

三、实战案例：交通态势实时查询

3.1 需求

开发一个支持自然语言查询的某市某条道路的实时交通态势，通过 MCP 调用高德 API。

3.2 实现MCP Server

准备：高德ApiKey、安装@modelcontextprotocol/sdk

代码如下：

import { McpServer } from "@modelcontextprotocol/sdk/server/mcp.js";import { StdioServerTransport } from "@modelcontextprotocol/sdk/server/stdio.js";import { z } from "zod";// 通过命令行获取keyconst API_KEY = process.argv[2];/** * @description 创建服务器实例 */const server = new McpServer(  {    name: "amap-traffic-mcp-server",    version: "1.0.0",  },  {    capabilities: {      resources: {},      tools: {},      prompts: {},    },    instructions: "交通态势查询服务，使用高德API",  });// 注册交通态势查询工具server.tool(  "get_traffic",  "线路交通态势查询",  {    city: z.string().describe("城市名称"),    name: z.string().describe("道路名，街道名字"),  },  async ({ city, name }) => {    try {      // URL 编码参数      const encodedCity = encodeURIComponent(city);      const encodedName = encodeURIComponent(name);      // https://lbs.amap.com/api/webservice/guide/api-advanced/traffic-situation-inquiry      // 调用高德地图 API      const response = await fetch(        `https://restapi.amap.com/v3/traffic/status/road?key=${API_KEY}&level=5&name=${encodedName}&city=${encodedCity}`      );      if (!response.ok) {        throw new Error(`API请求失败: ${response.status}`);      }      const data = await response.json();      // 检查 API 响应状态      if (data.status !== "1") {        throw new Error(`高德地图API错误: ${JSON.stringify(data)}`);      }      // 检查是否有交通信息      if (!data.trafficinfo) {        return {          content: [            {              type: "text",              text: `未找到 ${city} 的 ${name} 的交通信息`,            },          ],        };      }      const { description, evaluation } = data.trafficinfo;      // 计算道路通畅程度      const status = evaluation?.status || "未知";      let statusText = "";      switch (status) {        case "1":          statusText = "通畅";          break;        case "2":          statusText = "基本通畅";          break;        case "3":          statusText = "轻度拥堵";          break;        case "4":          statusText = "中度拥堵";          break;        case "5":          statusText = "重度拥堵";          break;        default:          statusText = "未知";      }      return {        content: [          {            type: "text",            text: `${city}${name}当前路况：${statusText}\n\n${              description || "暂无详细描述"            }`,          },          {            type: "text",            text: evaluation              ? `\n\n道路状况统计：\n- 畅通路段：${evaluation.expedite}\n- 缓行路段：${evaluation.congested}\n- 拥堵路段：${evaluation.blocked}\n- 未知路段：${evaluation.unknown}`              : "",          },        ],      };    } catch (error) {      console.error("交通信息查询失败:", error);      throw new Error(        error instanceof Error ? error.message : "服务调用失败，请稍后重试"      );    }  });/** * @description 启动服务器 */async function main() {  try {    const transport = new StdioServerTransport();    await server.connect(transport);    console.error("交通态势查询服务已启动");  } catch (error) {    console.error("服务启动失败:", error);    process.exit(1);  }}main();

在开发的时候，可以使用@modelcontextprotocol/inspector进行调试。

3.3 实现MCP Client

import { Client } from "@modelcontextprotocol/sdk/client/index.js";import { StdioClientTransport } from "@modelcontextprotocol/sdk/client/stdio.js";const transport = new StdioClientTransport({  command: "node",  args: ["/Users/bwrong/0WorkSpace/00.MyStudy/mcp-demo/server/build/index.js",'API-KEY']});const client = new Client(  {    name: "traffic-client",    version: "1.0.0"  });await client.connect(transport);console.log("connect success");// List prompts// const prompts = await client.listPrompts();// Get a prompt// const prompt = await client.getPrompt({//   name: "example-prompt",//   arguments: {//     arg1: "value"//   }// });// List resources// const resources = await client.listResources();// Read a resource// const resource = await client.readResource({//   uri: "file:///example.txt"// });const tools = await client.listTools();console.log(tools);// Call a toolconst result = await client.callTool({  name: "get_traffic",  arguments: {    city: "成都市",    name: "天府大道北段"  }});console.log(result);

在Client中可以连接Server，然后获取它提供的resource、prompt、tools，并可以执行调用。

当然我们也可以使用现有的一些支持MCP集成的应用来调用，不同的应用支持的功能可能有差异，具体可查看这里。下面我们使用cursor来演示。

打开cursor的MCP配置文件。添加配置

{  "mcpServers": {    "amap-traffic-mcp-server": {      "type": "stdio",      "command": "node",      "args": [        "/Users/bwrong/0WorkSpace/00.MyStudy/mcp-demo/server/build/index.js",        "111111111111111111" // 你的高德API-key      ]    }  }}

正常情况可以看到mcp列表中已出现添加的MCP及它提供的tools在chart面板中输入“帮我查询成都市天府大道北段道路交通情况"。可以看到它调用了MCP，并返回了结果当然，如果你的MCP想共享给别人使用，那么可以发布到npm上，在package.json中添加如下内容,支持使用npx运行。

"bin": {    "amap-traffic-mcp-server": "./build/index.js"}

然后进行发布，发布后，别人就可以使用如下方式进行集成了。

"amap-traffic-mcp-server": {  "type": "stdio",  "command": "npx",  "args": [    "amap-traffic-mcp-server",    "cc2b744799eaa97ade23c468e272c731"  ]}

更多代码亲查看这里

四、使用社区现有的MCP服务

MCP的出现，极大降低了大模型调用外部海量工具、软件、接口的门槛，越来越多的软件及工具厂商参与到 MCP 服务（MCP Server）生态的建设中，将其产品能力包装为 MCP 服务开放给 AI 模型使用。以下是一些MCP托管平台：

魔搭GlamaSmitheryComposio

一些有意思的MCP Server:

Fetch网页内容抓取GitHubFigmamagicBlender

参考文档：

一文看懂：MCP(大模型上下文协议)一文带你入门 MCP（模型上下文协议）Visual Guide to Model Context Protocol (MCP)