本文较长，建议点赞收藏，以免遗失。更多AI大模型应用开发学习视频及资料，尽在聚客AI学院。
一、MCP协议：大模型与外部系统的“神经枢纽”
核心价值
- 解耦设计：大模型（Client）专注推理决策，外部操作（Server）交给工具执行
- 动态扩展：新增工具无需修改模型代码，通过JSON-RPC标准化通信
- 安全管控：沙箱机制隔离敏感操作（如数据库写入）
协议三层架构
二、消息协议与传输模式深度解析
1. JSON-RPC消息格式
// 请求示例
{
"jsonrpc": "2.0",
"id": "req-123",
"method": "calculate",
"params": {"a": 5, "b": 3}
}
// 响应示例
{
"jsonrpc": "2.0",
"id": "req-123",
"result": 8
}
关键字段：method定义工具名，params传递参数
2. 传输模式对比
Streamable HTTP优势：
- 会话ID维持状态：Mcp-Session-Id头部实现断线重连
- 单端点通信：替代SSE双通道，连接数减少90%
三、Client-Server交互全流程剖析
典型工作流
关键环节
- 能力发现：Client启动时调用getServerCapabilities()获取工具列表
- 意图识别：LLM根据用户问题选择工具及参数
- 安全拦截：Client验证参数合法性（如过滤SQL注入）
四、MCP Server开发实战（Python示例）
1. 工具注册核心代码
from fastmcp import FastMCP
mcp = FastMCP("Math Server")
@mcp.tool(name="calculate") # 装饰器注册工具
def math_tool(operation: str, a: float, b: float) -> float:
"""执行数学运算，支持add/subtract/multiply/divide"""
if operation == "add": return a + b
elif operation == "subtract": return a - b
elif operation == "multiply": return a * b
elif operation == "divide": return a / b # 注意除零校验
2. 功能验证技巧
- 使用MCP Inspector调试工具：
npx @modelcontextprotocol/inspector node math_server.py
验证点：
- 参数类型校验（非数字输入拒绝）
- 边界测试（除零返回错误码）
五、SSE客户端实现（前端+Python）
1. Python服务端（Flask）
@app.route('/stream', methods=['GET'])
def sse_stream():
def event_stream():
while True:
# 监听工具调用请求
result = get_tool_result()
yield f"data: {json.dumps(result)}\n\n" # SSE格式要求
return Response(event_stream(), mimetype="text/event-stream")
2. 浏览器客户端
const eventSource = new EventSource('http://localhost:5000/stream');
// 监听计算结果
eventSource.addEventListener('calculate', (event) => {
const data = JSON.parse(event.data);
console.log("收到结果：", data.result);
});
// 错误处理
eventSource.ｏｎｅｒｒｏｒ = (err) => {
console.error("SSE连接异常：", err);
};
避坑指南：需添加会话ID防止消息串扰
六、数学问答应用开发（FastMCP v2）
1. 工具增强设计
@mcp.tool()
def advanced_calc(expression: str) -> float:
"""执行复杂数学表达式，支持sin/cos/log等"""
try:
return ｅｖａｌ(expression, {"__builtins__": None}, math.__dict__)
except Exception as e:
raise ValueError(f"表达式错误：{str(e)}")
2. 客户端调用逻辑
async def solve_math_problem(question: str):
async with Client(mcp) as client:
# 1. 获取可用工具
tools = await client.list_tools()
# 2. 构造LLM提示词
prompt = f"问题：{question}。可用工具：{json.dumps(tools)}"
# 3. 解析LLM返回的工具调用指令
tool_call = await llm.generate(prompt)
# 4. 执行调用
result = await client.call_tool(tool_call.name, tool_call.params)
return result[0].text # 返回文本结果
七、FastMCP V2框架进阶特性
革命性改进
统一端点管理：
mcp = FastMCP("AI Server", endpoint="/mcp") # 单端点支持POST/GET/SSE
上下文共享：
@mcp.tool()
def recommend_product(user_id: str):
ctx = get_context() # 获取会话上下文
history = ctx.get("purchase_history")
return db.query(f"SELECT * FROM products WHERE category IN {history}")
无缝集成OpenAPI：
from fastmcp.integrations import FastAPIPlugin
fastapi_app.include_router(FastAPIPlugin(mcp).router)
八、生产环境部署最佳实践
1. 性能优化方案
2. 安全防护三原则
# 输入消毒
def sanitize_input(sql: str) -> str:
return re.sub(r"[;\"]", "", sql) # 移除危险字符
# 权限分级
TOOL_PERMISSIONS = {"query_db": ["user"], "execute_payment": ["admin"]}
# 审计日志
@app.middleware("http")
async def log_requests(request: Request, call_next):
logger.info(f"{request.client} called {request.url.path}")
return await call_next(request)
九、从开发到部署全流程
源码与资源：
掌握MCP架构，你将成为大模型落地的“关键桥梁”。建议从本地工具调用起步，逐步挑战企业级集成场景！更多AI大模型应用开发学习视频内容和资料，尽在聚客AI学院。
