最近这段时间，我深入了解了 MCP (Model Context Protocol)，并动手写了两个“小玩具”来练手：一个是根据文件名自动整理图片的工具，另一个是获取外部接口数据的工具。
在开发过程中，我不仅搞懂了 MCP 是什么，更深刻体会到了在 AI 开发中“确定性”的重要性。今天就来复盘一下我的学习路径，重点聊聊如何用 Zod 来解决 AI 输出不稳定的问题。
什么是 MCP？
简单来说，MCP 就是 AI 的工具箱。
在没有 MCP 之前，AI 对我们来说更像是一个“博学的网友”。它只能通过对话告诉你各种信息，或者给你写段代码，但它无法直接触达你的本地文件，也无法直接操作你的系统。
而 MCP 的出现，打破了这个次元壁。它允许 AI 从协议中获取“工具”（Tools），然后去执行具体的操作。如果说以前的 AI 只有“脑子”和“嘴巴”，那么加上 MCP 后，它终于有了“手”。
从零开始：制作一个简单的 MCP
制作一个 MCP Server 的过程其实并不复杂，核心流程可以总结为“三步走”：
- 导入包：引入 MCP 相关的 SDK。
- 创建服务器：初始化一个 MCP Server 实例。
- 定义与添加工具：这是最关键的一步。我们需要告诉 AI 我有哪些工具（比如
move_image或fetch_weather），以及怎么用这些工具。
代码写完，跑起来，一个基本的 MCP 就完成了。看起来很简单，对吧？但在实际运行中，我遇到了一个不得不面对的问题。
核心挑战：AI 的“概率” VS 程序的“严谨”
作为一个开发者，我们都知道程序是严谨的。函数需要的参数如果是 Object，你就不能传 String；需要的路径如果是绝对路径，你就不能给个相对路径。
但是，AI 的本质是概率模型。
AI 的一切输出都仅仅是基于概率的预测。没人能 100% 确信 AI 下一次输出的 JSON 格式是否完美符合代码的预期。
- 它可能会少一个大括号；
- 可能会把
userId写成user_id； - 甚至可能在 JSON 里夹杂一段“好的，这是你要的数据”这样的闲聊文本。
如果直接把 AI 的输出灌入程序，结果往往是报错崩盘。
解决方案：用 Zod 充当“守门员”
为了解决这个问题，我引入了一个非常重要的库——Zod。
Zod 是一个 TypeScript 的模式声明和验证库。在 MCP 开发中，它的使用并不难，但作用却是决定性的。我总结了它最重要的两个作用：
1. 定义“说明书” (Schema Definition)
我们需要用 Zod 清晰地定义工具的输入格式（Input Schema）。
例如，我的“图片整理工具”需要一个文件路径。我会用 Zod 定义这是一个 string，并且可以加上 .describe("图片的绝对路径")。MCP 会把这个定义转译给 AI 看，让 AI 明确知道：
“哦，调用这个工具时，我必须提供一个字符串格式的路径。”
2. 强制“安检” (Validation)
这是 Zod 最核心的点。当 AI 试图调用工具时，它的请求会先经过 Zod 的检查：
- 如果符合格式：Zod 放行，程序执行工具逻辑。
- 如果不符合：Zod 会拦截请求，并抛出一个格式化的错误。
这就形成了一个闭环：定义格式 -> AI 尝试调用 -> Zod 验证 -> 执行或报错。
总结
通过这几天的学习，我的感悟是： MCP 给了 AI 操作世界的能力，而 Zod 给了这种操作安全性和稳定性。
如果不加验证，AI 只是一个容易闯祸的顽童；加上了 Zod 的验证，它才能变成一个靠谱的助手。这就是我开发那两个小工具时最大的收获。
