随着人工智能技术的快速发展，大型语言模型（LLM）如 GPT-4、Claude 等已经展现出强大的能力。然而，这些模型仍然存在一些固有的局限性，如无法访问实时信息、无法执行代码、无法与外部系统交互等。为了解决这些问题，Model Context Protocol（MCP）被开发出来。
MCP 是一种开放标准协议，旨在扩展 AI 模型的能力，使其能够与外部工具和资源进行安全、标准化的交互。官方文档已经写得非常详细，建议读者先阅读官方文档了解基础概念。本文将从技术实现角度深入分析 MCP 的工作原理，并使用TypeScript SDK的一些示例，为读者提供更深入的技术洞察。
整体架构
从上图可以看出，MCP 分为客户端和服务端，客户端负责与 MCP 服务端通信并与 LLMs 进行交互，服务端负责处理客户端请求。
Hosts
Hosts 是集成了 MCP 能力同时具备 LLM 能力的应用程序，常见的有：
| 名称 | 工具 | 资源 | 提示词 | 采样 | roots |
|---|---|---|---|---|---|
| Inspector | 支持 | 支持 | 支持 | 不支持 | 不支持 |
| HyperChat | 支持 | 支持 | 支持 | 不支持 | 不支持 |
| Claude Desktop | 支持 | 支持 | 支持 | 不支持 | 不支持 |
| Cherry Studio | 支持 | 简单支持 | 支持 | 不支持 | 不支持 |
| Cursor | 支持 | 不支持 | 不支持 | 不支持 | 不支持 |
| Cline | 支持 | 不支持 | 不支持 | 不支持 | 不支持 |
这里重点推荐一下 HyperChat，虽然界面没有 Cherry Studio 优秀，但有很多高级的功能，比较更适合程序员。
Clients（客户端）
Client 是指在 Host 中用于连接 MCP Server 并提供与 MCP Server 交互的客户端，一般它由 Host 内部实现。
对于 MCP 的能力，部分能力主要需要 Client 来实现的，如下：
- Sampling：提供一个 MCP Server 调用 LLMs 的通道，当 MCP Server 在实现工具、资源等时能够调用 LLMs 来生成结果Roots：客户端提供的一个 MCP Server 的一个可参考的根路径或者 URI，规定 MCP Server 的活动范围
Server（服务端）
我们常说的 MCP Server 就是 MCP 的服务端，它负责处理客户端请求，并提供资源、提示词和工具给客户端调用。服务端包含了以下部分：
- Tools 工具：MCP 最常用的能力，通过描述、参数、返回值等信息，使 LLMs 能够与外部资源进行交互Resources 资源：提供文件资源、数据库记录、图像等资源供 LLMs 使用Prompts 提示词：提供记忆、上下文等提示词供 LLMs 使用
以上工具主要在服务端中实现，供客户端调用。
通信方式
MCP 通信主要通过 JSON-RPC 2.0 协议进行通信，MCP 的通信主要分为以下几种模式：
- Stdio：客户端与 MCP Server 通过标准输入输出进行通信SSE（已不再推荐）：客户端与 MCP Server 通过 Server-Sent Events 进行通信Streamable HTTP：客户端与 MCP Server 通过 HTTP 进行通信，并使用 Streaming 方式返回结果
这些通信模式都是官方实现，如果你有兴趣，完全可以自己实现自己的通信模式比如 WebSocket，当然这得需要你的客户端和服务端两边都需要自己实现。
MCP功能解析
下面我们逐一分析 MCP 的能力以及使用一些示例代码来理解这些功能。
有些地方便于大家理解，使用了最原始的 JSON-RPC 2.0 数据格式，一般我们可以使用各种语言的 SDK，它封装了几乎所有功能，能更便利地使用 MCP。后面部分功能我会用 TypeScript SDK 来做示例演示。
连接
下面是一个简单的 MCP 连接示例：
sequenceDiagram participant Client as 客户端 participant MCP as MCP服务器 Note over Client, MCP: 连接初始化流程 Client->>+MCP: initialize请求 {protocol_version, client_info} Note over MCP: 验证协议版本和客户端信息，缓存连接 MCP-->>-Client: initialize响应 {session_id, server_info, capabilities} Note over Client: 存储session_id，解析capabilities Note over Client, MCP: 工具列表获取流程 Client->>+MCP: tools/list请求 {session_id} Note over MCP: 验证session_id MCP-->>-Client: tools/list响应 {tools: [...]} Note over Client: 解析可用工具列表首先 MCP 客户端会向连接的服务端发送一个初始化请求，可能像这样：
{ "method": "initialize", "params": { "protocolVersion": "2025-06-18", "capabilities": { "sampling": {}, "roots": { "listChanged": true } }, "clientInfo": { "name": "simple-mcp-client", "version": "1.0.0" } }, "jsonrpc": "2.0", "id": 0}包含了客户端协议版本、客户端信息、客户端能力，服务端收到该消息后会根据 capabilities 来理解客户端的能力，然后返回初始化响应，可能像这样：
{ "result": { "protocolVersion": "2025-06-18", "capabilities": { "tools": { "listChanged": true }, "prompts": { "listChanged": true }, "resources": { "listChanged": true }, "completions": {} }, "serverInfo": { "name": "stock-agent", "version": "1.0.0" } }, "jsonrpc": "2.0", "id": 0}客户端收到该消息后根据 capabilities 也知道了服务端有哪些能力，如 tools 不为空，说明服务端支持工具使用，那么客户端就可以通过 tools/list 方法获取工具列表。
服务端TypeScript SDK开启服务代码如下
const server = new Server( { name: "stock-agent", version: "1.0.0", }, { capabilities: { tools: { listChanged: true, }, prompts: { listChanged: true, }, resources: { listChanged: true, }, }, });// 使用Stdio连接await server.connect(new StdioServerTransport());使用Server的时候需要在 capabilities 中传入支持的能力如tools，或者使用封装更好的 McpServer，可以不用写 capabilities，如工具能力在注册时，会自动注册 tools 能力
const mcpServer = new McpServer({ name: "stock-agent", version: "1.0.0",});// 使用Stdio连接await server.connect(new StdioServerTransport());Tools（工具）
工具注册
一般对于单个工具，我们可以直接使用 McpServer，它提供了 tool 函数来注册工具：
mcpServer.tool( "get-stock-info", "获取股票信息", { stockName: z.string().describe("股票名称或股票代码"), }, async (parameters, extra) => { const { stockName } = parameters; // 调用外部接口获取实时数据 let result = await api.getStockInfo(stockName); return { content: [ { type: "text", text: result.data, }, ], isError: false, }; });获取工具
上面讲了 tools/list 能获取到工具列表，它返回的数据格式长这样：
{ "result": { "tools": [ { "name": "get-stock-info", "description": "获取股票信息", "inputSchema": { "type": "object", "properties": { "stockName": { "type": "string", "description": "股票名称或股票代码" } }, "required": [ "stockName" ], "additionalProperties": false } }, { "name": "get-suggestion-rate", "description": "投资建议率", "inputSchema": { "type": "object", "properties": { "stockCode": { "type": "string", "description": "股票代码" } }, "required": [ "stockCode" ], "additionalProperties": false } } ] }, "jsonrpc": "2.0", "id": 1}tools 列表下即为支持的工具列表，其中包含以下字段：
- name：工具名称description：工具描述inputSchema：入参名称及描述，可以指定入参类型，还可以通过
required 指定必传参数调用工具
当我们想调用工具，我们需要构造工具名称以及参数，它类似这样：
{ "method": "tools/call", "params": { "name": "get-stock-info", "arguments": { "stockName": "阿里巴巴" } }, "jsonrpc": "2.0", "id": 2}对应 TypeScript SDK 写法是：
// 客户端调用工具示例const result = await client.callTool({ name: "get-stock-info", arguments: { stockName: "阿里巴巴" }});console.log(result.content);服务端会收到该请求并执行对应的工具函数，返回结果可能像这样：
{ "result": { "content": [ { "type": "text", "text": "阿里巴巴(BABA)当前股价：$85.32，涨跌：+2.1%，成交量：15.2M" } ], "isError": false }, "jsonrpc": "2.0", "id": 2}listChanged
capabilities下的listChanged可以告诉客户端，当工具发生变化后比如中间新增了新的工具，MCP Server会通过调用notifications/tools/list_changed消息来告知客户端，所以客户端可以通过判断listChanged字段，来监听工具变化并重新对之前获取的工具进行赋值
// ...初始化Clienttool = await client.listTools();if (client.getServerCapabilities()?.tools?.listChanged) { client.setNotificationHandler( ToolListChangedNotificationSchema, async (args: ToolListChangedNotification) => { console.log("Tool list changed:", args); tool = await client.listTools(); } );}Resources（资源）
顾名思义，它能够提供资源给模型，可用于实现类似知识库(RAG)的功能。它可以是任何类型的资源，如文本、图片、音频、视频等。一个简单的资源开发如下：
// 省略初始化mcpServer.resource("股票历史", "file://documents/stock_info", () => { const documentsFolder = 'path/stockHistory'; const files = fs.readdirSync(documentsFolder); return { contents: files.map(file => ({ uri: `${documentsFolder}/${file}`, name: file, mimeType: "text/plain", text: fs.readFileSync(`${documentsFolder}/${file}`, 'utf-8') })) }; });客户端可以通过listResources来获取资源列表，并通过readResource来读取资源内容
const resources = await client.listResource();console.log("Resources:", resources);// {// resources: [// { name: '股票历史', uri: 'file://documents/stock_info' },// ]// }const resource = await client.readResource({ uri: "file://documents/stock_info" });// {// contents: [// {// uri: 'file1.txt',// mimeType: 'text/plain',// text: '...'// },// {// uri: 'file2.txt',// mimeType: 'text/plain',// text: '...'// }// ]// }不同的resource下可以按业务类型、资源类型或者功能类型进行分类，contents中可以再进行细分。resource提供的是静态的资源的读取，对于动态资源可以使用Resource Template来实现。
Resource Template
SDK提供了ResourceTemplate用于注册动态资源，其用法如下：
mcpServer.resource( "user-info", new ResourceTemplate("data://user/{id}", { list: undefined, }), async (uri, { id }) => { if (id) { const info = await getUserInfo(id); return { contents: [ { uri: `data://user/${id}`, text: JSON.stringify(info), }, ], }; } return { contents: [], }; } );上面我使用ResourceTemplate注册了一个data://user/{id}的动态资源，可以通过传入id来获取用户信息提供给LLMs使用，客户端可以通过readResource来调用
const temps = await client.listResourceTemplates();console.log("Resource templates:", temps);// {// resourceTemplates: [// { name: 'user-info', uriTemplate: 'data://user/{id}' }// ]// }const userInfo = await client.readResource({ uri: "data://user/123" });// { contents: [ { uri: 'data://user/123', text: '{\"name\":\"John Doe\"}' } ] }需要注意的是，Resource Template是通过listResourceTemplates来获取MCP服务器支持哪些资源的，如果想被listResources获取到，可以在ResourceTemplate中传入list函数，比如上面的user-info例子
mcpServer.resource( "user-info", new ResourceTemplate("data://user/{id}", { list: (extra) => { return { resources: [ { uri: "data://user/1", name: "用户1", }, { uri: "data://user/2", name: "用户2", }, ], }; }, }), async (uri, { id }) => { if (id) { const info = await getUserInfo(id); return { contents: [ { uri: `data://user/${id}`, text: JSON.stringify(info), }, ], }; } return { contents: [], }; } );如果在客户端listResources就可以获取到data://user/1和data://user/2两个资源了
const resources = await client.listResource();console.log("Resources:", resources);// {// resources: [// { name: '股票历史', uri: 'file://documents/stock_info' },// { name: '用户1', uri: 'data://user/1' },// { name: '用户2', uri: 'data://user/2' },// ]// }Resources也有listChanged功能。
Prompts（提示词）
提示词是MCP的一个重要概念，它可以提供引导信息、记忆等供LLMs使用。MCP中的提示词支持user和assistant两个角色。
如果我有一个读代码的MCP Server，我可以再其中定义一个提示词让LLMs严格按照我指定的步骤来分析代码，以达到更好的效果。
mcpServer.prompt( "code-analysis-steps", "代码分析步骤", async () => { return { description: "代码分析步骤", messages: [ { role: "user", content: { type: "text", text: `请严格按照以下步骤完成代码分析：第一步：通过'get-environment'工具获取当前项目环境第二步：通过'get-code-wiki'工具获取本项目的工程简介第三步：使用'get-code-analysis'工具对代码进行分析`, }, } ], }; } );如果我们的MCP客户端支持Prompts，那么我们可以载入上面提示词后再进行后面问答。有了Prompts，就能给模型指引，更好完成任务。就像目前大部分Agent一样，都是以提示词为主，有了提示词，MCP也可以被当作Agent使用。
Prompts也有listChanged功能。
Sampling（采样）
Sampling是MCP的一个高级功能，它允许MCP Server能够直接通过该能力直接调用LLMs来扩展MCP的能力。比如我有一个客服MCP服务，我可以使用Sampling能力来将客户的问题进行分类
mcpServer.tool( "question-asking-assistant", "提问小助手", { input: z.string().describe("用户提问"), }, async (parameters, extra) => { const { input } = parameters; // 将用户提问分类 // 先判断客户端是否支持sampling能力，不支持则不记录 if ( mcpServer.isConnected() && mcpServer.server.getClientCapabilities()?.sampling != null ) { mcpServer.server.createMessage({ messages: [ { role: "user", content: { type: "text", text: "你是一个分类任务大师，请根据用户的提问，将问题进行分类，有以下类别：1. 需求 2. bug 3. 优化 4. 咨询 5. 其他。 用户提问是: " + input, }, }, ], maxTokens: 10, }).then((result) => { // 获取分类结果 const text = result.content.text; saveClassification(text); }) } const info = await getSuggestion(input); return { content: [{ type: "text", text: info }], isError: false, }; } );很遗憾，目前几乎没有MCP Hosts实现了Sampling的能力。
Roots
Roots是MCP客户端给服务端提供的一个根路径或者URI，用于限制MCP Server的活动范围。它可以是一个目录、文件或者其他资源。
// 注意这里是MCP客户端代码client.setRequestHandler( ListRootsRequestSchema, (): ListRootsResult => ({ roots: [ { uri: "file:///path/to/workspace", name: "workspace", }, ], }));服务端通过listRoots来获取客户端设置的根路径
const roots = await mcpServer.server.listRoots()// { roots: [ { uri: 'file:///path/to/workspace', name: 'workspace' } ] }Notification （通知）
Notification是MCP客户端与服务端互相通知的一个机制，MCP内置了一些服务端向客户端通知的能力，比如工具变化通知
// 服务端代码，当工具变化后通知客户端server.sendToolListChanged();// 客户端代码if (client.getServerCapabilities()?.tools?.listChanged) { client.setNotificationHandler( ToolListChangedNotificationSchema, async (args: ToolListChangedNotification) => { console.log("Tool list changed:", args); tool = await client.listTools(); } );}除此之外，服务端还提供了如下通知：
notifications/cancelled：此请求可以被客户端和服务端双方发起，表示客户端或者服务端此请求被取消notifications/progress：用于双方对请求进行进度更新的通知notifications/message：用于服务端打印必要日志通知客户端notifications/resources/updated：资源变化后通知客户端notifications/resources/list_changed：资源列表变化后通知客户端notifications/prompts/list_changed：提示词列表变化后通知客户端notifications/tools/list_changed：工具变化后通知客户端，上面例子背后实际调用的此消息客户除了上面cancelled和progress，还有如下消息可用于通知服务端
notifications/initialized：当客户端初始化完成并与服务端完成建连后通知服务端notifications/roots/list_changed：Roots列表变化后通知服务端除此之外，我们也可以使用通知机制来实现自定义通知
// 服务端代码mcpServer.server.notification({ method: "notifications/refresh", params: { refresh: true },});// 客户端监听client.setNotificationHandler( NotificationSchema.extend({ method: z.literal("notifications/refresh"), }), (args: any) => { console.log("refresh changed:", args); });通信
Stdio
Stdio基于标准的流输入输出实现，客户端可以通过stdin和stdout来与MCP Server进行通信，在node中通过使用process.stdin和process.stdout来实现JSON的输入输出。使用此方式连接MCP Server，
Stdio一般采用环境变量来传递身份认证信息。
Stdio一般使用文件来记录日志，（因为使用console.log等打印的日志会被MCP客户端获取，从导致一些异常日志）
Streamable HTTP
Streamable Http采用了POST请求进行双向通信，同时也兼容了SSE双向通信方式。如果要开启POST通信，初始化StreamableHTTPServerTransport时需要传入enableJsonResponse为true
transport = new StreamableHTTPServerTransport({ enableJsonResponse: true, //...});采用了POST通信后，Streamable HTTP请求流程：
sequenceDiagram participant Client as MCP客户端 participant Server as MCP服务器 participant SSE as SSE流 Note over Client,Server: 1. 初始化连接 Client->>Server: POST /mcp (initialize请求) Note right of Client: 包含协议版本、客户端能力 Server-->>Client: 初始化响应 Note left of Server: 返回sessionId和服务器能力 Note over Client,Server: 2. 建立SSE连接（默认都会建连） Client->>Server: GET /mcp Note right of Client: Accept: text/event-stream<br/>mcp-session-id: {sessionId} alt 支持SSE Server-->>SSE: 创建SSE连接 Server-->>Client: 200 OK + SSE头 SSE-->>Client: 保持连接连接 end Note over Client,Server: 3. 正常客户端->服务端请求响应 loop 请求响应循环 Client->>Server: POST /mcp (JSON-RPC请求) Note right of Client: tools/call, resources/read等 Server-->>Client: 直接JSON响应 end Note over Client,Server: 4. 发送通知 Server->>SSE: 发送SSE事件 alt 支持SSE Note left of Server: data: {JSON-RPC响应} SSE-->>Client: 流式接收响应 end Note over Client,Server: 5. 连接关闭 Client->>Server: DELETE /mcp (可选) Server-->>Client: 200 OK SSE--xClient: 关闭SSE连接如果客户端通过POST请求获取MCP Server响应比如调用initialize，MCP Server会直接使用这次的POST请求返回对应数据，当然SSE同样还是会保留用于服务端往客户端发送通知(Notification)的，那如果SSE断了服务端如何向客户端发送通知呢，那没办法了，因为没有SSE通道，服务端就无法向客端主动发送通知了。由于服务端往客户端发送通知并不是MCP的核心链路，所以即使没有建立SSE通道，也不会影响MCP核心功能。
一般Streamable Http身份验证
- 在url参数中携带身份认证信息，这种兼容性最高，几乎所有MCP Hosts都能支持
{ "mcpServers": { "url": "https://host.com/mcp?AIPKEY={YOUR_API_KEY}", }}- 在请求头中携带身份认证信息使用OAuth2认证
Streamable HTTP可以使用console.log来记录日志，但是由于一般一个服务器会对应多个MCP服务端（一个MCP服务端和一个MCP客户端是一对一连接），所以日志中一般需要至少标注好sessionId，这在分析问题很有用。同时也推荐重写StreamableHTTPServerTransport的handleRequest和send方法，来记录原始日志信息（Stdio同理）
class MyTransport extends StreamableHTTPServerTransport { constructor(options: StreamableHTTPServerTransportOptions) { super(options); } async handleRequest(req: any, res: any, parsedBody?: any): Promise<void> { if (parsedBody) { console.log(`接受到参数：${JSON.stringify(parsedBody)}`); } super.handleRequest(req, res, parsedBody); } async send( message: JSONRPCMessage, options?: { relatedRequestId?: RequestId } ): Promise<void> { if (message) { console.log(`返回数据：${JSON.stringify(message)}`); } super.send(message, options); }}错误处理
在开发MCP Server时，合适的错误处理非常重要：
mcpServer.tool( "risky-operation", "可能失败的操作", { input: z.string() }, async (parameters) => { try { const result = await someRiskyOperation(parameters.input); return { content: [{ type: "text", text: result }], isError: false }; } catch (error) { return { content: [{ type: "text", text: `操作失败: ${error.message}` }], isError: true }; } });可以通过设置isError为true，来让MCP客户端知道操作失败了。
MCP客户端简单实现
拿到tools、resources、prompts列表之后，我们可以把它告诉LLMs，然后LLMs就可以使用它了。下面通过实现工具的调用来看如何简单实现一个MCP客户端。
目前主流有两种实现工具调用的方式，一是使用Tool Call实现，一个是利用模型返回XML、JSON等格式的文本来调用工具，如Cline。下面我使用TypeScript SDK来演示一下两种方式的实现
- Tool Call
import { Client } from "@modelcontextprotocol/sdk/client/index.js";import { StreamableHTTPClientTransport } from "@modelcontextprotocol/sdk/client/streamableHttp.js";import OpenAI from "openai";import { ChatCompletionMessageParam, ChatCompletionTool,} from "openai/resources";async function main() { // 这里改为你自己的MCP服务 const transport = new StreamableHTTPClientTransport( new URL("http://127.0.0.1:3000/mcp") ); const client = new Client({ name: "simple-mcp-client", version: "1.0.0", }); await client.connect(transport); const tool = await client.listTools(); const openAI = new OpenAI({ baseURL: process.env.OPENAI_API_BASE, apiKey: process.env.OPENAI_API_KEY, }); const messages: ChatCompletionMessageParam[] = [ { role: "user", content: "帮我分析阿里巴巴股票", }, ]; const tools: Array<ChatCompletionTool> = tool.tools.map((tool) => { return { type: "function", function: { name: tool.name, parameters: tool.inputSchema, description: tool.description, }, }; }); let response = await openAI.chat.completions.create({ model: "gpt-4o", messages: messages, // 传入工具 tools: tools, }); let message = response.choices[0].message; // 如果模型调用了工具，通过代码进行真正工具调用 while (message.tool_calls) { // 将工具调用消息缓存成记忆用于后续再次调用模型时使用 messages.push(message); const toolCalls = message.tool_calls; if (toolCalls && toolCalls.length > 0) { for (const toolCall of toolCalls) { console.log("工具调用:" + toolCall.function.name); const name = toolCall.function.name; // 解析参数 const args = JSON.parse(toolCall.function.arguments); console.log("参数:" + toolCall.function.arguments); // 调用工具 const result = await client.callTool({ name, arguments: args }); // 将结果再次给模型 messages.push({ tool_call_id: toolCall.id, role: "tool", content: JSON.stringify(result.content), }); } } response = await openAI.chat.completions.create({ model: "gpt-4o", messages: messages, }); message = response.choices[0].message; } console.log("LLM返回：" + response.choices[0].message.content);}main();以上代码配置好OPENAI_API_BASE和OPENAI_API_KEY后，将MCP服务改为本地已有服务即可直接运行。这就是一个最简单的MCP客户端了。
以上是利用大模型的Tool call能力来实现的MCP工具调用，但部分模型是不支持Tool Call的，如DeepSeek R1，那么还有一种让大模型返回模版的方式来实现类似Tool Call能力
- 模板解析
import { Client } from "@modelcontextprotocol/sdk/client/index.js";import { StreamableHTTPClientTransport } from "@modelcontextprotocol/sdk/client/streamableHttp.js";import OpenAI from "openai";import { ChatCompletionMessageParam,} from "openai/resources";async function main() { const transport = new StreamableHTTPClientTransport( new URL("http://127.0.0.1:3000/mcp") ); const client = new Client({ name: "simple-mcp-client", version: "1.0.0", }); await client.connect(transport); const tool = await client.listTools(); const openAI = new OpenAI({ baseURL: process.env.OPENAI_API_BASE, apiKey: process.env.OPENAI_API_KEY, }); const messages: ChatCompletionMessageParam[] = [ { role: "system", content: `你是一个任务大师，你可以通过使用工具来完成用户的任务。## 可用工具${tool.tools ?.map((tool) => { const schemaStr = tool.inputSchema ? `${JSON.stringify(tool.inputSchema, null, 2).split("\n").join("\n ")}` : ""; return `- tool_name: ${tool.name}\n- description: ${tool.description}\n- Input Schema: ${schemaStr}\n`; }) .join("\n\n")}## 工具使用方法你可以使用XML格式的方式来调用工具，首先你会根据工具的\`description\`来选择合适的工具，然后通过XML组合工具名称(tool_name)和参数(arguments)来调用工具。参数：- tool_name: (必填)工具名称- arguments: (必填) JSON格式的参数组合，需要参考工具的\`Input Schema\`来填写。使用方法:<use_mcp_tool><tool_name>tool name here</tool_name><arguments>{ "param1": "value1", "param2": "value2"}</arguments></use_mcp_tool>示例：我要调用get_weather工具来获取San Francisco的天气情况，然后再提供度假路线，<use_mcp_tool><tool_name>get_weather</tool_name><arguments>{ "city": "San Francisco"}</arguments></use_mcp_tool>`, }, { role: "user", content: "帮我分析阿里巴巴股票", }, ]; let response = await openAI.chat.completions.create({ model: "gpt-4o", messages: messages, }); const toolResults = []; let message = response.choices[0].message.content || ""; messages.push(response.choices[0].message) console.log("response: " + message); // 解析responseText中的use_mcp_tool标签 const useMcpToolRegex = /<use_mcp_tool>([\s\S]*?)<\/use_mcp_tool>/g; let match; let callTools = false; while ((match = useMcpToolRegex.exec(message)) !== null) { const toolContent = match[1]; // 解析tool_name const toolNameMatch = /<tool_name>(.*?)<\/tool_name>/s.exec(toolContent); const toolName = toolNameMatch ? toolNameMatch[1].trim() : ""; // 解析arguments const argumentsMatch = /<arguments>([\s\S]*?)<\/arguments>/s.exec( toolContent ); let toolArgs: Record<string, any> = {}; if (argumentsMatch) { try { toolArgs = JSON.parse(argumentsMatch[1].trim()); } catch (e) { console.error("Failed to parse tool arguments:", e); } } console.log(`Calling tool: ${toolName} with args:`, toolArgs); if (toolName) { try { // 创建符合callTool参数要求的对象 const result = await client.callTool({ name: toolName, arguments: toolArgs, }); toolResults.push(result); console.log(`Tool result:`, result); // 将工具结果添加到消息中 messages.push({ role: "user", content: `Tool result: ${JSON.stringify(result)}`, }); callTools = true; } catch (e) { console.error(`Error calling tool ${toolName}:`, e); } } } if (callTools) { const response = await openAI.chat.completions.create({ model: "gpt-4o", messages, }); message = response.choices[0].message.content || ""; } console.log("LLM返回：" + message);}main();一般建议使用XML格式来调用工具，相比JSON，XML有以下好处
- 更容易被正则解析更易读，能让模型和用户都能更好理解字符串内容
当然使用这种方式调用工具肯定没有Tool Call稳定，但是在某些场景使用起来兼容性更好。
功能示例
- 代码生成。如莫高设计提供的magic-mcp，配合使用可以做到设计稿到本地代码的代码生成。更进一步还可以做到与本地UI库的代码生成。本地工作流自动化。例如使用filesystem+git根据本地文件及仓库日志自动生成周报，推荐使用
HyperChat，可设置定时任务生成。使用高德地图MCP Server做旅游路线和行程规划总结
从上面功能已经看出来了，MCP是作为AI Agent来设计的，为什么很少有人叫MCP为Agent，为什么大部分MCP Server只有Tools，我认为有以下原因：
Tools太强大，Resources和Prompts都能用工具实现支持Resources和Prompts的Host太少了，目前支持比较好仅有Claude Desktop和HyperChat，像Cursor、Cline都仅支持Tools模型太强大，只有工具也能完成大部分任务，仅用简单提示词就创造出很好用的智能体，而且还更灵活。高级智能体都还是代码驱动的，使用MCP还是不够稳定不过虽然现在看起来MCP只是被当成工具使用，但不得不承认它还是有发展成高阶智能体的潜质。不管怎么样，MCP目前都在AI市场中占据着比较重要的地位，掌握MCP的能力也能帮助我们更好地掌握AI和使用AI。
