你是谁？
Model Context Protocol
一个约定好的协议。使得开发者能够以一致的方式将各种数据源、工具和功能连接到 AI 模型（一个中间协议层），就像 USB-C 让不同设备能够通过相同的接口连接一样。
而约定的三方分别是：
MCP Host 也就是用户使用的客户端，比如cursor，trae —— 笔记本MCP Client 也就是中转站 —— 笔记本扩展坞MCP server 要扩展的工具 —— Type-C接头这边举个例子：| 组件 | 餐厅类比 | 技术职责 |
|---|---|---|
| 用户 | 顾客 | 提出自然语言请求（如"查订单123的物流"） |
| MCP Host | 服务员+厨师 | 1. 理解用户意图 2. 决定需要调用哪些工具 3. 整合结果生成自然响应 |
| MCP Client | 传菜员 | 1. 将Host的指令转为标准协议 2. 管理连接/重试等通信细节 |
| MCP Server | 厨房设备 | 实际执行数据查询/API调用等具体操作 |
这三者通过约定好的协议，协调工作
从哪里来？
本质来源于人们懒地 Ctrl C V ，而前置雏形则是prompt engineering（提示词）。提示词和MCP的目的就是让AI更高效更准确地来工作
假如没有MCP，在使用AI的过程中，必然需要人工提取关键信息，然后提供。从提出问题到解答变成了多个步骤：
- 提出问题AI思考并给出初步答案人工纠错或提供更多信息AI再思考最终给出准确答案
最关键纠错和提供信息的过程可能会持续好几个回合而当MCP出现之后，AI会自动取寻找相关的信息，并自己去获取错误，然后再思考。分步操作瞬间变成了自动化操作。
要去往何方
与AI相关的技术，最终目的只有一个：让AI代替人所以MCP 的目标是创建一个通用标准，使 AI 应用程序的开发和集成变得更加简单和统一，让 AI 能直接调用那些它本不能调用或模糊理解的东西。
如何实现的
MCP其实可以理解为协商过后定义下来的数据格式，来看一个问题到解答的流程图：根据这张图，我们可以拆解出几个关键的地方：
- 模型 <-------> MCP Client （为什么直接说是模型与MCP Client沟通，因为MCP Host就是客户端，就是个壳子，需要沟通的其实是模型和MCP Client）MCP Client <--------> MCP Server
MCP Client 与 MCP Server 之间
client 与 server 两者之间有个明确的数据格式：JSON-RPC所以同情本质为 HTTP content-type = json-rpc
JSON-RPC规定了具体的数据规范，比如：
请求对象（Request Object）
| 字段名 | 类型 | 是否必须 | 说明 |
|---|---|---|---|
| jsonrpc | String | 必须 | 协议版本，必须为"2.0" |
| method | String | 必须 | 调用的方法名，禁止以rpc.开头 |
| params | Array / Object | 可选 | 方法参数，可省略 |
| id | String / Number / null | 可选 | 请求标识符。若省略则为通知（无响应）；建议不为null且数字为整数 |
响应对象（Response Object）
| 字段名 | 类型 | 是否必须 | 说明 |
|---|---|---|---|
| jsonrpc | String | 必须 | 协议版本，必须为"2.0" |
| result | Any | 成功时必选 | 方法返回值，与error互斥 |
| error | Object | 失败时必选 | 错误信息（含code和message），与result互斥 |
| id | String / Number / null | 必须 | 必须与请求的id一致；若请求id无效（如解析错误），则必须为null |
--> {"jsonrpc": "2.0", "method": "subtract", "params": {"subtrahend": 23, "minuend": 42}, "id": 3}<-- {"jsonrpc": "2.0", "result": 19, "id": 3}--> {"jsonrpc": "2.0", "method": "subtract", "params": {"minuend": 42, "subtrahend": 23}, "id": 4}<-- {"jsonrpc": "2.0", "result": 19, "id": 4}具体可以去官网中查看www.jsonrpc.org/specificati…
MCP Host（模型）与MCP Client 之间
我们直接看deepseekAPI中的请求参数：这里这边我们看到请求分成了四种：
系统设定(System)、用户输入(User)、AI响应(Assistant)、工具回调(Tool)而在MCP中我们需要关注的就是工具回调(Tool)，也就是MCP Server执行后的结果传入的消息。至于怎么告诉AI模型有哪些方法可以执行呢？则是通过一下的参数tools传入
MCP Server 最小实现
相对于 MCP Client 和 MCP Host 来说，平常开发者其实更关注 MCP Server 的开发，毕竟不管是 AI模型开发 还是 客户端开发 都是巨大的工程，反而个人写一个MCP Server是非常现实的。
所以我们直接先看 MCP Server ，它一共有三大块功能：
- Resources（资源）：类似文件的数据，可以被客户端读取（如 API 响应或文件内容）Tools（工具）：可以被 LLM 调用的函数（需要用户批准）Prompts（提示）：预先编写的模板，帮助用户完成特定任务
下面只讲解最小实现，具体构建项目可以参考官方文档，都是简单的命令行执行
import { McpServer, ResourceTemplate,} from "@modelcontextprotocol/sdk/server/mcp.js";import { StdioServerTransport } from "@modelcontextprotocol/sdk/server/stdio.js";import { z } from "zod";// 创建一个McpServer实例，名称为"Demo"，版本为"1.0.0"const server = new McpServer({ name: "Demo", version: "1.0.0",});// 定义一个名为"add"的工具，接受两个数字参数a和b，返回它们的和server.tool("add", { a: z.number(), b: z.number() }, async ({ a, b }) => ({ content: [{ type: "text", text: String(a + b) }],}));// 定义一个名为"greeting"的资源，根据{name}参数生成问候信息server.resource( "greeting", new ResourceTemplate("greeting://{name}", { list: async () => ({ resources: [ { uri: "greeting://", name: "这是一个描述", }, ], }), }), async (uri, { name }) => ({ contents: [ { uri: uri.href, // 确保 uri.href 是字符串 text: `Hello, ${name}!`, }, ], }));// 定义一个名为"greet"的提示，生成问候消息，支持多种语言server.prompt( "greet", "Generate a greeting message", { name: z.string().describe("Name to greet"), language: z.enum(["en", "zh", "es"]).describe("Language for greeting"), }, async ({ name, language }) => { const greetings = { en: `Hello, ${name}!`, zh: `你好，${name}！`, es: `¡Hola, ${name}!`, }; return { messages: [ { role: "assistant", content: { type: "text", text: greetings[language], }, }, ], }; });// 使用StdioServerTransport创建一个传输实例，并将server连接到该传输实例const transport = new StdioServerTransport();await server.connect(transport);以上可以看出要写一个简单的MCP Server是非常简单的，主要按照规定的格式和类型就不会有问题。
官方还提供了个debug的方式npx @modelcontextprotocol/inspector node main.js
MCP Client 是如何接受数据的？
// 列出所有提示 async listPrompts() { try { const result = await this.mcp.listPrompts(); console.log("Available prompts:", result); return result.prompts; } catch (e) { console.log("Failed to list prompts:", e); throw e; } } // 调用指定提示 async callPrompt(name, language) { try { const result = await this.mcp.getPrompt({ name: "greet", arguments: { name, language }, }); console.log("Prompt result:", result.messages); return result.content; } catch (e) { console.log("Failed to call prompt:", e); throw e; } }// 列出所有资源 async listResources() { try { const result = await this.mcp.listResources(); console.log("Available resources:", result); return result.resources; } catch (e) { console.log("Failed to list resources:", e); throw e; } } // 读取指定资源的内容 async readResource(resourceUri, variable) { try { const result = await this.mcp.readResource({ uri: resourceUri, }); console.log("Resource content:", result); return result.content; } catch (e) { console.log("Failed to read resource:", e); throw e; } } // 列出所有提示 async listPrompts() { try { const result = await this.mcp.listPrompts(); console.log("Available prompts:", result); return result.prompts; } catch (e) { console.log("Failed to list prompts:", e); throw e; } } // 调用指定提示 async callPrompt(name, language) { try { const result = await this.mcp.getPrompt({ name: "greet", arguments: { name, language }, }); console.log("Prompt result:", result.messages); return result.content; } catch (e) { console.log("Failed to call prompt:", e); throw e; } }