MCP新手图文指南：轻松实现AI与您的数据和工具无缝对接1. MCP到底是什么？我们为何要采用它？ MCP，即模型上下文

1. MCP到底是什么？我们为何要采用它？

MCP，即模型上下文协议（Model Context Protocol），是由Anthropic 推出的开放式规范，旨在打通 AI 模型与外部数据源和各类工具之间的“沟通桥梁”。

设想一下，当你希望像 Claude 这样的 AI 助手读取你的文档、查询数据库或调用专属工具时，过去往往需要为每一个场景单独编写连接代码，繁琐且耗时。

MCP 就好比 AI 领域的“万用接口”：它定义了一套统一的接入标准，使得 AI 应用能够无需额外适配，就能快速挂载各种数据源和工具，从而大幅降低集成成本与开发难度。

MCP所要攻克的核心痛点：

集成零散繁杂：每个 AI 应用均需为不同数据源单独开发对接接口
大量重复建设：各团队各自为阵，反复搭建同质化的连接方案
N×M接口爆炸：当 N 个 AI 客户端要接入 M 类数据源时，往往产生 N×M 条定制化集成路径

2. MCP核心架构：三大角色

MCP的设计逻辑十分直观，围绕以下三类主体展开：

1. 主机（Host）

主机是MCP体系的“大脑”，它负责：

创建并管理多个客户端实例
掌控客户端的访问权限与生命周期
实施安全策略与权限校验
协调AI/LLM与各组件之间的交互

在实际使用中，主机通常指你正在运行的AI应用，比如 Claude Desktop、Cursor 编辑器，或其他兼容MCP的工具。

2. 客户端

客户端由主机动态生成，用来对接特定服务器，它的职责包括：

与某一服务器建立专属会话
完成协议协商与功能能力交换
在服务器与主机间进行双向消息转发

每个客户端实例仅专注于与对应服务器的通信，确保信息流畅无误。

3. 服务器

服务器是功能和数据的提供者，它：

通过MCP接口暴露资源、工具或提示模板
独立运行，专注履行自身职责
可部署为本地进程或远程服务

你将构建的正是这一环节，使AI能够调用你的特定数据源或业务功能。

3. MCP的三大功能模块

MCP服务器可为AI模型提供三类关键服务：

1. 资源

资源指服务器向AI暴露的各种数据内容，每项资源均有唯一URI标识。

示例：文件系统中的文档、数据库里的表结构或字段说明、特定业务信息等
由应用端驱动，根据上下文需求动态聚合并下发给模型

2. 工具

工具使AI模型能够执行具体操作，每个工具通过名称与元数据描述自身接口。

示例：数据库查询工具、调用外部API的接口、复杂计算模块等
由模型主动调用：AI根据上下文和用户指令自动发现并触发所需工具

3. 提示模板

提示模板是一组预定义的结构化消息和指令，帮助模型高效完成特定任务。

示例：生成报告的格式化模板、代码审查的专用指令集等
由用户选定并传入参数，确保输出符合预期需求

4. 实战演练：打造你第一个MCP服务器

接下来，我们将通过两个简明示例，分别使用 Python 与 Node.js，手把手实现一个 MCP 服务器。

方案一：Python 版简易计算器

在此示例中，我们将创建一个基础的 MCP 服务器，向 AI 模型公开“加法”和“乘法”两个工具，演示如何快速让模型调用你的自定义功能。

import sys
from mcp.server.fastmcp import FastMCP

# 初始化MCP服务器
calculator = FastMCP("calculator")

# 注册加法工具
@calculator.tool()
async def add(a: float, b: float) -> float:
    """将两个数字相加并返回结果。"""
    print(f"执行加法: {a} + {b}", file=sys.stderr)
    return a + b

# 注册乘法工具
@calculator.tool()
async def multiply(a: float, b: float) -> float:
    """将两个数字相乘并返回结果。"""
    print(f"执行乘法: {a} * {b}", file=sys.stderr)
    return a * b

# 运行服务器
if __name__ == "__main__":
    calculator.run(transport="stdio")

步骤说明：

安装依赖：首先安装MCP Python SDK

pip install "mcp[cli]"

创建服务器文件：将上面的代码保存为calculator.py

运行服务器：

python calculator.py

连接到Claude Desktop：

打开Claude Desktop应用
在聊天输入框中，你会看到一个插件图标( )
点击并选择"Connect to MCP Server"
输入你的服务器路径（如果是在本地运行，通常是当前目录下的calculator.py）

使用服务器：

连接后，你可以在Claude中要求计算，如"请帮我计算15+27"
Claude会自动调用add工具，返回结果42

方案二：NodeJS文件读取服务器

下面是一个使用NodeJS创建的简单MCP服务器，用于读取本地文件：

import { MCPServer } from '@modelcontextprotocol/typescript-sdk';
import fs from 'fs/promises';
import path from 'path';

// 创建MCP服务器
const server = new MCPServer({
  name: 'file_reader'
});

// 注册读取文件工具
server.registerTool({
  name: 'read_file',
  description: '读取指定路径的文本文件内容',
  parameters: {
    type: 'object',
    properties: {
      file_path: {
        type: 'string',
        description: '要读取的文件路径'
      }
    },
    required: ['file_path']
  },
  handler: async ({ file_path }) => {
    try {
      // 确保文件路径安全
      const normalizedPath = path.normalize(file_path);
      // 读取文件内容
      const content = await fs.readFile(normalizedPath, 'utf-8');
      return content;
    } catch (error) {
      return `读取文件失败: ${error.message}`;
    }
  }
});

// 启动服务器
server.start();

步骤说明：

初始化项目：

mkdir file-reader-mcp
cd file-reader-mcp
npm init -y
npm install @modelcontextprotocol/typescript-sdk

创建服务器文件：将上面的代码保存为index.js

配置package.json：添加type:"module"和启动脚本

{
  "type": "module",
  "scripts": {
    "start": "node index.js"
  }
}

运行服务器：

npm start

连接到Claude Desktop：同上，连接到你的文件读取服务器

使用服务器：

你可以在Claude中要求读取特定文件，如"请读取D:/projects/example.txt文件"
Claude会使用read_file工具读取并展示文件内容

5. 应用示例：GitHub Pull Request 审核助手

在此示例中，我们将开发一款能够自动化审查 GitHub PR 的助手，具备以下功能：

抓取指定 PR 的代码变更详情
利用 Claude 对差异部分进行智能分析
将审查结果同步写入 Notion 中便于后续跟踪和归档

该MCP服务器的核心功能：

# 省略导入和初始化代码...

class PRAnalyzer:
    def __init__(self):
        # 加载环境变量
        load_dotenv()
        
        # 初始化MCP服务器
        self.mcp = FastMCP("github_pr_analysis")
        
        # 初始化Notion客户端
        self._init_notion()
        
        # 注册MCP工具
        self._register_tools()
    
    def _register_tools(self):
        """注册PR分析工具"""
        @self.mcp.tool()
        async def fetch_pr(repo_owner: str, repo_name: str, pr_number: int) -> Dict[str, Any]:
            """获取GitHub PR的变更内容"""
            pr_info = fetch_pr_changes(repo_owner, repo_name, pr_number)
            return pr_info
        
        @self.mcp.tool()
        async def create_notion_page(title: str, content: str) -> str:
            """创建Notion页面保存PR分析结果"""
            # 创建Notion页面的代码...
            return f"Notion页面'{title}'创建成功!"
    
    def run(self):
        """启动MCP服务器"""
        self.mcp.run(transport="stdio")

# 启动服务器
if __name__ == "__main__":
    analyzer = PRAnalyzer()
    analyzer.run()

使用步骤：

启动你的 PR 审核 MCP 服务
在 Claude Desktop 中添加并连接该服务
向 Claude 下达审查请求，例如：“请帮我审查 owner/repo 库的 #123 号 PR”
Claude 会调用 fetch_pr 工具拉取该 PR 的变更内容
Claude 对代码差异进行智能分析，并反馈评审意见
若需归档评审结果，可指示 Claude 调用 create_notion_page 工具，将分析报告写入你的 Notion 空间

6. 安全与隐私考量

在部署和使用 MCP 时，需要遵循以下原则，确保数据与操作的安全性：

用户知情与授权：在任何数据访问或操作前，清晰告知用户用途并征得其同意。
数据保密与访问控制：主机在转发用户数据给服务器之前，需获得明确授权；敏感信息应加密并设置严格权限。
工具执行风险管理：由于工具调用可能执行任意代码，主机须在触发前再次取得用户许可，并通过白名单或沙箱隔离降低风险。
LLM 交互与采样审批：任何涉及语言模型采样的请求，都要让用户确认采样意图、所用提示与可见结果；禁止在未经授权的情况下发送私密数据给模型。

7. 总结与未来展望

MCP 作为开放标准，为 AI 模型与外部系统的对接提供了显著优势：

一体化集成：统一协议大幅简化了对接流程，减少重复开发。
跨平台互通：支持在不同 AI 引擎与供应商之间灵活切换，无需定制化适配。
安全可控：数据与权限可在本地或受信任环境中管理，降低隐私泄露风险。
高可扩展性：兼容 stdio、WebSocket、HTTP 等多种通信方式，易于横向扩展。

随着MCP生态系统的发展，以后将持续壮大：

即插即用插件：社区和厂商将贡献更多开箱即用的服务器实现。
集中化发现平台：可能出现 MCP 注册中心，便于搜索、验证与管理服务。
全面远程支持：基于 SSE、gRPC 等协议的远程 MCP 服务将更加成熟。
标准化安全认证：与 OAuth 2.0、OIDC 等认证框架深度融合，提升安全体验。

MCP新手图文指南：轻松实现AI与您的数据和工具无缝对接