大家好！随着 AI Agent 的爆发式增长，如何让大模型更标准化、更安全地调用外部工具和资源，成为了开发者们关注的焦点。Model Context Protocol (MCP) 应运而生，它为 AI 应用提供了一个标准化的接口，用于发现和使用各种服务。
今天，我们将深入探讨 Vercel AI SDK 中最新支持的 MCP Tools 功能，并手把手教你如何结合智谱最新发布的 GLM-5 模型，构建一个强大的 AI 智能体！
🌟 什么是 MCP？为什么我们需要它？
Model Context Protocol (MCP) 是一个开放标准。简单来说，它就像是 AI 时代的“USB 接口”。通过连接到 MCP 服务器，你的 AI 应用程序可以无缝访问服务器提供的：
- 工具 (Tools) ：供大模型调用的函数（如查询天气、执行代码等）。
- 资源 (Resources) ：为模型提供上下文的数据源（如读取本地文件、数据库）。
- 提示词 (Prompts) ：服务器端预设的用户控制模板。
Vercel AI SDK 原生支持了 MCP 客户端，只需几行代码，就能让你的 GLM-5 模型获得超能力！
🛠️ 准备工作
首先，安装必需的依赖包。由于我们要使用智谱的 GLM-5 模型，可以通过 Vercel AI SDK 的 OpenAI 兼容适配器来接入。
Bash
npm install @ai-sdk/mcp @ai-sdk/openai ai zod
🎯 核心实战：连接 MCP 并使用 GLM-5
1. 初始化 MCP 客户端
Vercel AI SDK 提供了多种连接 MCP 服务器的传输方式 (Transport)。在生产环境中，强烈推荐使用 HTTP 或 SSE 传输；而在本地开发时，可以使用 Stdio。
TypeScript
import { createMCPClient } from '@ai-sdk/mcp';
// 以 HTTP 传输为例 (推荐用于生产)
const mcpClient = await createMCPClient({
transport: {
type: 'http',
url: 'https://your-mcp-server.com/mcp',
// 可选：配置鉴权请求头
headers: { Authorization: 'Bearer your-api-key' },
},
});
注：如果是本地开发，可以将 type 换为 stdio 或者使用 @modelcontextprotocol/sdk/client/stdio.js。
2. 结合智谱 GLM-5 模型进行工具调用
配置好 MCP 客户端后，我们可以通过 mcpClient.tools() 将服务器端的工具一键转换为 AI SDK 兼容的格式，并传递给 GLM-5 模型。
注意： 使用完毕后，务必调用
mcpClient.close()关闭客户端以释放资源。对于非流式请求，推荐使用try/finally块；对于流式请求（streamText），可在onFinish回调中关闭。
TypeScript
import { createMCPClient } from '@ai-sdk/mcp';
import { generateText } from 'ai';
import { createOpenAI } from '@ai-sdk/openai';
// 1. 配置智谱大模型 (利用 OpenAI 兼容接口)
const zhipu = createOpenAI({
baseURL: 'https://open.bigmodel.cn/api/paas/v4/',
apiKey: process.env.ZHIPU_API_KEY, // 填入你的智谱 API Key
});
async function runAgent() {
// 2. 初始化 MCP 客户端
let mcpClient;
try {
mcpClient = await createMCPClient({
transport: { type: 'http', url: 'https://your-mcp-server.com/mcp' }
});
// 3. 自动发现 MCP 服务器上的所有工具 (Schema Discovery)
const tools = await mcpClient.tools();
// 4. 调用智谱 GLM-5 模型
const result = await generateText({
model: zhipu('glm-5'), // 指定使用最新的 GLM-5 模型
tools: tools, // 直接传入 MCP 工具集合
prompt: '请帮我查询一下北京今天的天气，并给出穿衣建议。',
});
console.log('🤖 GLM-5 回复:', result.text);
// 如果模型决定调用工具，这里会打印工具调用记录
if (result.toolCalls && result.toolCalls.length > 0) {
console.log('🛠️ 触发了工具调用:', result.toolCalls);
}
} finally {
// 5. 养成良好习惯，完成后关闭客户端
await mcpClient?.close();
}
}
runAgent().catch(console.error);
🚀 进阶玩法：解锁 MCP 的完全体
1. 强类型的工具定义 (Schema Definition)
默认的 mcpClient.tools() 会拉取所有工具，但这在开发时缺乏 TypeScript 的类型提示。为了获得完整的类型安全和 IDE 自动补全，你可以结合 zod 显式定义你需要的工具和输入/输出结构：
TypeScript
import { z } from 'zod';
const tools = await mcpClient.tools({
schemas: {
'get-weather': {
// 定义传入参数的结构
inputSchema: z.object({
location: z.string().describe('城市名称'),
}),
// (可选) 定义返回结果的结构，确保输出也是强类型的
outputSchema: z.object({
temperature: z.number(),
conditions: z.string(),
}),
},
// 如果工具不需要参数，传入空对象即可
'ping-server': {
inputSchema: z.object({}),
}
},
});
这种方式不仅能提供极致的类型安全，还能让你的应用只加载切实需要的工具，避免上下文冗余。
2. 获取 MCP 资源 (Resources)
资源是由应用程序主动控制的数据源。你可以列出或读取这些资源来作为 GLM-5 模型的背景知识：
TypeScript
// 1. 获取可用资源列表
const resources = await mcpClient.listResources();
// 2. 读取特定资源的详细内容
const documentData = await mcpClient.readResource({
uri: 'file:///example/document.txt',
});
3. 处理 Elicitation (请求用户输入)
有时候，MCP 服务器在执行工具前需要用户的确认（比如敏感操作或表单验证）。你可以在初始化时开启这个能力，并监听请求：
TypeScript
import { ElicitationRequestSchema } from '@ai-sdk/mcp';
// 开启能力
const mcpClient = await createMCPClient({
transport: { /* ... */ },
capabilities: { elicitation: {} },
});
// 注册处理函数
mcpClient.onElicitationRequest(ElicitationRequestSchema, async request => {
console.log('服务器请求输入:', request.params.message);
// 假设这里通过某种方式获取了用户的确认或输入内容
const userInput = await getCliUserInput();
return {
action: 'accept', // 可选 'accept', 'decline', 'cancel'
content: userInput,
};
});
总结
通过 Vercel AI SDK 引入 MCP Tools，极大地降低了我们整合外部系统和工具的成本。再搭配上智谱 GLM-5 强大的逻辑推理和工具调用能力，无论是开发智能客服、数据分析看板还是自动化执行助手，都变得前所未有的简单。
赶紧升级你的 @ai-sdk/mcp，动手试试看吧！如果你在接入过程中遇到任何问题，欢迎在评论区留言交流讨论~ 👇
