MCP概念详解与应用完整教程

MCP（Model Context Protocol，模型上下文协议）是 Anthropic 推出的一种开放协议，它让 AI 模型能够安全地连接和使用外部的工具、数据源和服务。

前置教程：

如想快速开始本教程，你可能需要先完成以下前置教程：

• 大语言模型LLM服务商Api服务调用教程，本节内容介绍了如何注册获取LLM服务商的Api服务，以及如何使用Cherry Studio使用GLM 的免费 Api服务。
• Python+FastAPI在Windows环境下创建一个基础后端服务教程，本节内容将通过Python+FastMCP实现一个基础的MCP服务器，你可能需要了解如何使用Python构建后端服务。
• Node.js和Npm安装与使用教程，本节内容将通过 Npm 安装 OpenWebSearch MCP 服务。

1. 什么是 MCP？

说起MCP，要先理解大语言模型（Large Language Model，LLM）的能力和限制，LLM 本身只能处理和生成文本，但不能直接与外部工具交互，相当于一个人只有五官而没有手脚，这极大地制约了其能力。为了解决这一问题，人们通过让 LLM 生成访问外部工具指令的方式，实现与外部工具的交互。但由于市面上的 LLM 、外部服务、指令格式、认证方式等均有不同程度的差异，于是 MCP 应运而生，它是统一的、标准的、符合人类和 AI 直觉的 LLM 调用外部服务和工具的规范协议，这让不同的外部服务、LLM模型和任务指令实现跨设备、跨区域甚至跨网络的任务交互。

2. MCP 的工作原理

2.1 核心概念

2.2 传输机制

1. stdio：服务器作为子进程运行，通过标准输入/输出通信（适合本地工具）
2. Streamable HTTP：服务器作为独立 HTTP 服务运行，利用 SSE 实现服务器主动推送（适合远程服务）

SSE（Server-Sent Events） 是一种基于 HTTP 的轻量级服务器推送技术，允许服务器通过持久连接向客户端单向实时推送数据，常用于通知、流式响应和进度更新等场景。

2.3 完整调用流程

1. MCP客户端启动时，读取相应的的 MCP 服务器配置
2. 每个MCP服务器启动后，通过 tools/list 接口告知MCP客户端自己提供哪些工具
3. 用户在对话中提出需求，MCP客户端 判断需要调用哪个工具
4. 用户审批（除非该工具已设置为 autoApprove）
5. MCP服务器执行工具并返回结果
6. MCP客户端将工具结果整合到对话中回复用户

3. 快速上手体验MCP服务：open-WebSearch (联网搜索MCP)

open-WebSearch 是一个开源的联网搜索MCP服务，支持多种搜索引擎，如Google、Bing、DuckDuckGo等，你可以访问Github仓库了解更多信息。

3.1 安装 open-WebSearch

在Git Bash中执行以下命令：

# npx 安装 open-WebSearch
$ npx open-WebSearch@latest

3.2 在 Cherry Studio 中配置使用

1. 打开 Cherry Studio，点击左下角设置按钮，进入 MCP 设置项，点击右上角+，选择从JSON导入：

2. 将以下内容粘贴至对话框中：

   {
     "mcpServers": {
       "web-search": {
         "name": "Web Search MCP",
         "type": "sse",
         "description": "Multi-engine web search with article fetching",
         "isActive": true,
         "baseUrl": "http://localhost:3000/mcp"
       }
     }
   }
   

   配置说明：
   • name：服务器名称
   • type：传输模式（SSE）
   • description：工具描述，用于LLM理解
   • isActive：是否启用
   • baseUrl：服务器地址

3. 点击确定保存配置，并在退出对话框后点击开启按钮，链接服务。

4. 在聊天界面开启MCP功能：

Cherry Studio 初始设置MCP功能后可能不能正确识别和调用，只需要关闭软件再次打开即可。

4. 自定义 MCP 服务器

我们在前面的章节中已经介绍了如何使用别人提供的MCP服务，实际上，你也可以编写自己的 MCP 服务器，以下是用 Python 实现的最小示例：

FastMCP 是构建在 MCP Python SDK 之上的开源项目，底层基于 FastAPI + Starlette，大幅简化了 MCP 服务器的开发。我们将借助于 FastMCP 实现一个简单的 MCP 服务器，支持 add 和 sub 两个工具。

4.1 创建环境并安装依赖

# conda 创建环境
conda create -n fastmcp python=3.10

# 激活环境
conda activate fastmcp

# 安装依赖
pip install fastmcp httpx

4.2 创建后端服务（使用 FastMCP + SSE 模式）

当需要远程访问 MCP 服务，或将 MCP 嵌入已有的 FastAPI Web 应用时，可以使用 SSE（Server-Sent Events）模式：

创建一个 server.py 文件，内容如下：

from fastmcp import FastMCP

# 创建 MCP 服务器
mcp = FastMCP("my-fastmcp-server")

@mcp.tool()
def add(a: int, b: int) -> int:
    """计算两个数的和"""
    return a + b

@mcp.tool()
def sub(a: int, b: int) -> int:
    """计算两个数的差"""
    return a - b

if __name__ == "__main__":
    # 以 SSE 模式运行（HTTP 服务器，支持 MCP 协议的 SSE 传输）
    # 可通过 MCP 客户端（如 Claude Desktop）通过 sse:// 地址连接
    mcp.run(transport="sse", host="0.0.0.0", port=8001)

启动服务：

python server.py

终端中显示以下内容表示服务启动成功：

在Cherry Studio中配置使用（SSE 模式）：

复制以下内容到Cherry Studio的MCP服务器配置中：

{
  "mcpServers": {
    "my-fastmcp-server": {
      "type": "sse",
      "url": "http://localhost:8001/sse"
    }
  }
}

5. 总结

5.1 核心内容回顾

经过本节内容的学习，你已经掌握了以下知识：

5.2 常见问题与解答（FAQ）

问：MCP 和 OpenAI Function Calling 有什么区别？

MCP 是开放协议，不绑定任何特定模型或厂商；Function Calling 是 OpenAI 的私有 API 特性。MCP 允许你在不同客户端、不同模型之间复用同一套工具。如果用 Function Calling，工具定义和调用逻辑都紧密耦合在 OpenAI API 上，迁移成本高。

问：stdio 和 SSE 我应该选哪个？

问：MCP 服务器可以部署在公网吗？

可以，但必须做好安全防护：

• 建议部署在内网或 VPN 内，或通过反向代理（Nginx、Caddy）添加认证层
• 工具操作应遵循最小权限原则
• 对于敏感操作（文件读写、数据库修改），客户端侧应设置手动审批

问：一个 MCP 服务器可以注册多少个工具？

没有硬性限制。但建议一个服务器聚焦于同一领域的功能（如"文件操作工具集"、"代码分析工具集"），便于维护和复用。如果工具过多，应考虑拆分到多个 MCP 服务器中。

问：如何获取更多的 MCP 服务？

有很多 MCP 服务市场可供选择，比如：

• ModelScope MCP 广场
• MCPHub
• MCPMarket

这些服务市场提供了丰富的 MCP 服务，你可以根据需求选择合适的服务。