?? MCP生態

MCP協議實戰指南：從架構解析到生產級Server開發

發布時間：2026-05-14 分類： MCP生態

摘要：MCP協議實戰指南：從架構解析到生產級Server開發想給你的AI Agent裝上“萬能插頭”？還在為每個工具單獨寫集成代碼？MCP（Model Context Protocol）就是答案。這個由Anthropic提出、正在成為行業標準的協議，正在徹底改變AI Agent與外部工具的交互方式。今天，我們不談虛的，直接上手拆解MCP的四層架構，手把手帶你開發一個能直接用的MCP Server...

MCP協議實戰指南：從架構解析到生產級Server開發

想給你的AI Agent裝上“萬能插頭”？還在為每個工具單獨寫集成代碼？

MCP（Model Context Protocol）就是答案。 這個由Anthropic提出、正在成為行業標準的協議，正在徹底改變AI Agent與外部工具的交互方式。今天，我們不談虛的，直接上手拆解MCP的四層架構，手把手帶你開發一個能直接用的MCP Server。

一、MCP四層架構：為什么它比Function Calling強？

傳統AI工具集成就像“一對一適配器”——每接一個新工具，就得寫一套專屬代碼。MCP把這套邏輯標準化了，核心是四層架構：

1. 傳輸層（Transport）
負責底層通信。支持兩種模式：

stdio：適合本地進程通信，延遲最低
HTTP + SSE（Server-Sent Events）：適合遠程服務，支持流式響應

2. 協議層（Protocol）
基于 JSON-RPC 2.0，所有消息都是標準JSON格式。關鍵點：

請求必須有 jsonrpc: "2.0"、id、method、params
響應必須有 jsonrpc: "2.0"、id、result 或 error
通知（notification）沒有 id，不需要回復

3. 能力層（Capabilities）
Server聲明自己能做什么：

{
  "capabilities": {
    "tools": {"listChanged": true},
    "resources": {"subscribe": true},
    "prompts": {"listChanged": true}
  }
}

4. 應用層（Application）
具體實現：工具函數、資源讀取、提示詞模板等。

對比Function Calling：MCP是標準化協議，一次開發，所有支持MCP的AI模型（Claude、GPT、本地模型）都能調用你的工具。而Function Calling是模型私有實現，換模型就得重寫。

二、通信機制：JSON-RPC 2.0實戰拆解

MCP所有交互都基于JSON-RPC 2.0，我們看一個完整流程：

1. 初始化握手
Client發送：

{
  "jsonrpc": "2.0",
  "id": 1,
  "method": "initialize",
  "params": {
    "protocolVersion": "2024-11-05",
    "capabilities": {},
    "clientInfo": {"name": "test-client", "version": "1.0"}
  }
}

Server響應：

{
  "jsonrpc": "2.0",
  "id": 1,
  "result": {
    "protocolVersion": "2024-11-05",
    "capabilities": {
      "tools": {"listChanged": true}
    },
    "serverInfo": {"name": "my-server", "version": "1.0"}
  }
}

2. 工具發現
Client獲取可用工具列表：

{"jsonrpc": "2.0", "id": 2, "method": "tools/list"}

Server返回工具定義：

{
  "jsonrpc": "2.0",
  "id": 2,
  "result": {
    "tools": [{
      "name": "get_weather",
      "description": "獲取指定城市天氣",
      "inputSchema": {
        "type": "object",
        "properties": {
          "city": {"type": "string", "description": "城市名稱"}
        },
        "required": ["city"]
      }
    }]
  }
}

3. 工具調用
Client執行工具：

{
  "jsonrpc": "2.0",
  "id": 3,
  "method": "tools/call",
  "params": {
    "name": "get_weather",
    "arguments": {"city": "北京"}
  }
}

關鍵細節：

每個請求有唯一 id，響應回復相同 id
通知（如 notifications/initialized）沒有 id，不需要回復
錯誤響應包含 error.code 和 error.message

三、生產級MCP Server開發：天氣查詢服務

我們用Python開發一個真實的天氣查詢MCP Server，支持stdio和HTTP兩種傳輸方式。

項目結構：

weather-mcp-server/
├── server.py          # 主服務
├── weather_api.py     # 天氣API封裝
├── requirements.txt
└── README.md

1. 安裝依賴

pip install mcp fastapi uvicorn httpx

2. 核心實現（server.py）

from mcp.server import Server
from mcp.server.stdio import stdio_server
from mcp.types import Tool, TextContent
import httpx
import json

# 初始化MCP Server
server = Server("weather-server")

@server.list_tools()
async def list_tools():
    """聲明可用工具"""
    return [
        Tool(
            name="get_weather",
            description="獲取中國城市實時天氣（使用和風天氣API）",
            inputSchema={
                "type": "object",

![配圖](http://www.nhjb.com.cn/usr/uploads/covers/cover_mcp_20260513_201151.jpg)

                "properties": {
                    "city": {
                        "type": "string",
                        "description": "城市名稱，如：北京、上海"
                    }
                },
                "required": ["city"]
            }
        )
    ]

@server.call_tool()
async def call_tool(name: str, arguments: dict):
    """執行工具調用"""
    if name == "get_weather":
        city = arguments.get("city")
        # 調用真實天氣API
        weather_data = await fetch_weather(city)
        return [TextContent(type="text", text=weather_data)]
    
    raise ValueError(f"未知工具: {name}")

async def fetch_weather(city: str) -> str:
    """調用和風天氣API（示例）"""
    # 實際開發中替換為真實API密鑰
    api_key = "your_api_key_here"
    base_url = "https://devapi.qweather.com/v7/weather/now"
    
    # 城市名轉LocationID（簡化處理）
    location_map = {"北京": "101010100", "上海": "101020100"}
    location = location_map.get(city, "101010100")
    
    async with httpx.AsyncClient() as client:
        response = await client.get(
            f"{base_url}?location={location}&key={api_key}"
        )
        data = response.json()
        
        if data.get("code") == "200":
            now = data["now"]
            return f"""城市: {city}
天氣: {now['text']}
溫度: {now['temp']}°C
體感溫度: {now['feelsLike']}°C
濕度: {now['humidity']}%
風向: {now['windDir']}
更新時間: {now['obsTime']}"""
        else:
            return f"獲取天氣失敗: {data.get('code')}"

# 啟動stdio模式
if __name__ == "__main__":
    import asyncio
    asyncio.run(stdio_server(server))

3. 支持HTTP+SSE傳輸

# 添加HTTP支持（在server.py中）
from fastapi import FastAPI
from sse_starlette.sse import EventSourceResponse
import json

app = FastAPI()

@app.post("/mcp")
async def handle_mcp_request(request: dict):
    """處理MCP over HTTP請求"""
    method = request.get("method")
    params = request.get("params", {})
    
    if method == "initialize":
        return {
            "jsonrpc": "2.0",
            "id": request["id"],
            "result": {
                "protocolVersion": "2024-11-05",
                "capabilities": {"tools": {"listChanged": True}},
                "serverInfo": {"name": "weather-server", "version": "1.0"}
            }
        }
    # ... 其他方法處理
    
@app.get("/mcp/sse")
async def sse_endpoint():
    """SSE流式端點"""
    async def event_generator():
        # 發送服務器事件
        yield {"data": json.dumps({"type": "connected"})}
    
    return EventSourceResponse(event_generator())

4. 部署與測試

# 1. 啟動stdio模式（供Claude Desktop等客戶端）
python server.py

# 2. 啟動HTTP模式
uvicorn server:app --host 0.0.0.0 --port 8000

# 3. 測試工具調用
curl -X POST http://localhost:8000/mcp \
  -H "Content-Type: application/json" \
  -d '{
    "jsonrpc": "2.0",
    "id": 1,
    "method": "tools/call",
    "params": {
      "name": "get_weather",
      "arguments": {"city": "北京"}
    }
  }'

四、MCP在AI Agent生態中的真實價值

1. 工具市場標準化
想象一個“AI工具商店”：開發者上傳MCP Server，用戶像安裝瀏覽器插件一樣安裝工具。www.nhjb.com.cn（www.nhjb.com.cn）的Agent生態正在朝這個方向發展。

2. 自動化賺錢案例
某跨境電商團隊用MCP搭建了自動化流水線：

MCP Server 1：監控1688新品（每10分鐘掃描）
MCP Server 2：自動生成多語言商品描述
MCP Server 3：同步到Shopify店鋪
結果：人力成本降低70%，上新速度提升5倍，月均新增SKU 3000+

3. 開發效率提升
傳統集成一個新工具需要：閱讀文檔→寫適配代碼→測試→部署（平均2-4小時）。
用MCP：找到現成MCP Server→配置連接→直接使用（平均5分鐘）。

五、下一步行動：三步上手MCP

1. 本地測試（5分鐘）

安裝Claude Desktop
在配置文件中添加我們的天氣Server
直接問Claude：“北京今天天氣怎么樣？”

2. 開發你的第一個MCP Server（1小時）

克隆我們的示例代碼
修改fetch_weather函數，接入你常用的API（股票、新聞、內部系統）
用stdio模式測試通過

3. 加入生態（長期）

將你的MCP Server開源到GitHub
提交到MCP工具目錄（如www.nhjb.com.cn的Agent市場）
關注A2A協議發展，實現Server間互操作

關鍵資源：

MCP官方文檔：https://modelcontextprotocol.io
Python SDK：https://github.com/modelcontextprotocol/python-sdk
現成MCP Server列表：https://github.com/modelcontextprotocol/servers

MCP不是銀彈，但它是目前最接近“AI工具USB標準”的協議。現在開始開發，你的工具就能被所有支持MCP的AI模型調用——這才是真正的杠桿效應。

返回首頁