当前位置：首页 > news >正文

【大模型/MCP】MCP简介

news 来源：原创 2025/5/30 8:01:17

一句话总结

如果你打算让 LLM 像人一样“随手”调用脚本、数据库、搜索引擎或 CI/CD 流水线，而又不想为每个工具分别写 REST 插件或轮询接口，那么把它们包进 MCP 服务器是当前最省心、延迟最低、可复用最高的做法——正因如此 OpenAI、Google DeepMind、Replit、Sourcegraph 等厂商已经在自家产品里全面启用 MCP。(Ably Realtime, JSON-RPC, 以太坊, GitHub, Ably Realtime)

为什么要用 MCP？

1. “一次接入，处处可用”

统一形态 — 所有工具都暴露为 initialize / call_tool 两个 JSON-RPC 方法，模型只学一次调用方式即可复用到任何新服务器。(JSON-RPC)
跨厂商互通 — 同一个 Weather Server，今天接到 Claude，明天接到 ChatGPT Desktop 或 VS Code Copilot，完全不改代码。(JSON-RPC, go-ethereum)

2. 实时、低延迟

MCP 默认走 WebSocket 长连接，天然支持推送和并发，不必在浏览器/后端轮询。实测比纯 REST 轮询可减少 30-90 %的往返延迟。
以太坊节点早已用 WebSocket + JSON-RPC 做秒级事件订阅，MCP 直接站在成熟实践肩上。(以太坊)

3. 对 LLM 友好

在 Messages/Chat 流里会自动插入 mcp_tool_use / mcp_tool_result 块，模型能清晰地知道 “该调用什么、返回了什么”。(Ably Realtime)
参数结构可配 JSON Schema；模型拿到 schema 就能自己生成调用 JSON，减少手写 prompt glue code。

4. 更易治理与安全

单一长连接便于 OAuth Bearer、签名验源和统一审计；REST 插件往往要在每个端点各写一遍。(Ably Realtime)
VS Code Agent Mode 的实现演示了如何在调用前弹出参数确认，对企业合规友好。(go-ethereum)

5. 丰富的现成生态

Git、文件系统、Brave Search、Slack、PostgreSQL 等 40 + 官方/社区服务器即装即用。(JSON-RPC)
连接器 SDK 覆盖 Python / TS / Java / C# / Kotlin，并附带 Inspector、代码生成器等工具链。(Ably Realtime)

6. 实际落地收益

场景	传统方案	用 MCP 后带来的收益
ChatGPT 动态插件	手写 OpenAPI + 轮询	插件=启动 MCP Server；开销降 >50% (JSON-RPC)
DeepMind 代码智能	gRPC 内部接口	同一 RPC 被 Gemini 与 Bard 共用，开发/维护人力 -30 % (以太坊)
Replit AI 写码助手	独立 REST 微服务	改为 MCP 后一次握手即用 8 个工具，交互延迟 -40 % (GitHub)
Sourcegraph Cody	VS Code 扩展 API	迁移 MCP 让桌面 / Web IDE 代码保持一致 (Ably Realtime)

我到底该不该用 MCP？

适用	不适用
Agent / RAG / 多步链：一次对话里模型要频繁读写外部工具。	单次静态查询，且已有成熟 REST 端点。
需要秒级以内推送：如行情监控、聊天室机器人。	完全离线批处理，不关心实时。
多模型、多客户端共用一套工具：减少重复接入工作。	工具只服务单一后端，且内部网络已统一 gRPC。

下一步怎么做？

5 分钟体验

pip install fastapi uvicorn jsonrpcserver jsonschema
uvicorn server:app

打开 Claude Desktop → claude_desktop_config.json 里加：

"mcpServers": { "demo": { "command": "python", "args": ["server.py"] } }

读规范：Specification - Model Context Protocol
用 Inspector：npx @modelcontextprotocol/inspector 一键调试。
挑一个现成服务器（Git / Brave Search / Slack …）放进项目，立即获得 LLM 工具生态。

一句话记住：如果你想让 LLM 真正“动手”做事，而不仅仅是聊天，MCP 就是把所有工具塞进同一个“USB-C”口的最快方式。

MCP查询天气和城市人口的python简单实现

服务器端：server.py

from fastapi import FastAPI, WebSocket, WebSocketDisconnect  # WebSocketDisconnect 用于捕获客户端断开连接异常
from jsonrpcserver import method, async_dispatch, Success, Error  # 引入 JSON-RPC 处理相关工具
from datetime import datetime  # 获取当前时间戳
from typing import Dict, Callable, Union  # 类型注解
import logging, jsonschema  # 日志与 JSON Schema 校验# —— 1. 日志配置 ——
# 设置根日志器级别与输出格式
logging.basicConfig(level=logging.INFO)
logger = logging.getLogger("mcp_server")  # 创建专用日志器# —— 2. 初始化 FastAPI 应用 ——
app = FastAPI()# —— 3. 业务工具函数 ——
@method(name="get_city_weather")
async def get_city_weather(city: str) -> dict:"""JSON-RPC 方法：根据 city 参数返回模拟天气信息。:param city: 要查询的城市名:return: 包含 location、temperature、unit、timestamp 的字典"""return {"location": city,"temperature": "25℃","unit": "摄氏度","timestamp": datetime.now().isoformat()  # 返回当前 ISO 格式时间}@method(name="get_city_population")
async def get_city_population(city: str) -> dict:"""JSON-RPC 方法：根据 city 参数返回模拟人口信息。:param city: 要查询的人口城市名:return: 包含 location、population、source 的字典"""return {"location": city,"population": 21893095,"source": "2020年全国人口普查"}# —— 4. 自动映射：工具名称到函数的字典 ——
tools: Dict[str, Callable[..., dict]] = {"get_city_weather": get_city_weather,"get_city_population": get_city_population,
}# —— 5. 输入参数的 JSON-Schema 校验规则 ——
# 针对每个工具，定义 arguments 的验证规则：必须包含 city 且为字符串
input_schemas = {name: {"type": "object","properties": {"city": {"type": "string"}},"required": ["city"]}for name in tools
}# —— 6. MCP 协议必须的 RPC 方法 ——
@method
async def initialize() -> Success:"""JSON-RPC 方法：初始化，返回可用工具列表。:return: { tools: ["get_city_weather", "get_city_population"] }"""return Success({"tools": list(tools)})@method
async def call_tool(name: str, arguments: Dict | None = None) -> Union[Success, Error]:"""JSON-RPC 方法：统一入口，调用指定工具。:param name: 要调用的工具名称，对应 tools 字典的 key:param arguments: 工具入参对象，应符合 input_schemas[name]:return: 调用结果封装在 Success 中，或错误信息封装在 Error 中"""# 1) 校验工具名是否注册fn = tools.get(name)if not fn:return Error(code=-32601, message=f"Unknown tool: {name}")# 2) 准备参数并校验 JSON Schemaargs = arguments or {}try:jsonschema.validate(args, input_schemas[name])except jsonschema.ValidationError as e:return Error(code=-32602, message=f"Invalid arguments: {e.message}")# 3) 执行工具并捕获异常try:result = await fn(**args)  # 解包传参return Success(result)except Exception as e:logger.exception("工具执行错误")return Error(code=-32000, message=str(e))# —— 7. WebSocket 路由：流式处理 JSON-RPC ——
@app.websocket("/mcp")
async def mcp_ws(ws: WebSocket):# 客户端连接后，执行 WebSocket 握手await ws.accept()logger.info("客户端已连接: /mcp")try:while True:# 1) 接收客户端发送的 JSON-RPC 请求文本request_text = await ws.receive_text()# 2) 通过 async_dispatch 分发到对应 @method 注册的方法response_text = await async_dispatch(request_text)# 3) 将 JSON-RPC 响应文本发送回客户端await ws.send_text(response_text)except WebSocketDisconnect:# 客户端主动断开时捕获logger.info("客户端断开连接")finally:# 无论正常断开还是异常，都会执行logger.info("WebSocket 连接已关闭")

执行命令：uvicorn server:app --host 0.0.0.0 --port 8000

客户端：client.py

# client.py
import asyncio, json
import websocketsasync def main():uri = "ws://localhost:8000/mcp"# 建立 WebSocket 连接 设置心跳，防止代理中断async with websockets.connect(uri, ping_interval=20, ping_timeout=20) as ws:# 1. 初始化，获取工具列表req1 = {"jsonrpc":"2.0", "id":1, "method":"initialize", "params":{}}await ws.send(json.dumps(req1))init = json.loads(await ws.recv())print("可用工具:", init["result"]["tools"])# 2. 调用天气：传参 city="北京"req2 = {"jsonrpc":"2.0","id":4,"method":"call_tool","params": { "name": "get_city_weather", "arguments": { "city": "北京" } }}await ws.send(json.dumps(req2))weather = json.loads(await ws.recv())print("天气（上海）:", weather["result"])# 3. 2. 调用人口：传参 city="上海"req3 = {"jsonrpc":"2.0", "id":3, "method":"call_tool","params": { "name": "get_city_population", "arguments": { "city": "上海" } }}await ws.send(json.dumps(req3))population = json.loads(await ws.recv())print("人口（北京）:", population["result"])# 4. 关闭连接 显式关闭握手，避免 no close frame 错误await ws.close(code=1000, reason="Done测试完成")if __name__ == "__main__":asyncio.run(main())