什么是MCP？
MCP（Model Context Protocol，模型上下文协议）是由 Anthropic 公司于 2024 年 11 月 26 日 推出的一项技术协议。其主要目的是解决 AI 助手与外部数据源隔离的问题，使 AI 能够连接并访问外部资源。
关键点：
- MCP 不是用户隐私协议，而是一种技术协议，类似于 WiFi 或蓝牙。
- 它定义了 AI 助手与外部资源之间的通信规则。
MCP 的三大核心组件：
- MCP 主机：你与 AI 互动的应用程序，比如 Claude Desktop，相当于 AI 的“大本营”。
- MCP 服务器：专门的小程序，提供特定功能（如访问文件或调用 API），就像为 AI 服务的“专业导游”。
- MCP 客户端：连接主机和服务器的桥梁，确保通信顺畅，通常无需用户直接操作。
为什么需要 MCP？
传统的 AI 助手（如 Deepseek 等预训练模型）通常存在知识截止日期的限制，无法直接访问外部最新信息。MCP 的出现正是为了突破这一限制，通过定义通用的通信规则，让 AI 助手能够连接到外部资源，获取更多实时信息和功能。
MCP的作用：
- 统一接口：LLM 只需理解 MCP，无需学习各种 API。
- 可插拔架构：新功能只需添加 MCP 服务器。
- 工作流自动化：多个服务器可串联成复杂流程。
MCP的传输模式
MCP 支持多种传输模式，主要有 stdio 和 SSE 两种模式，下面我们分别介绍。
stdio 模式概念
stdio（标准输入输出）模式是 MCP 的一种基本传输方式，它通过标准输入输出流与 MCP 服务器进行通信。
特点：
- MCP 客户端通过子进程启动 MCP 服务器。
- 通过标准输入（stdin）向服务器发送请求。
- 通过标准输出（stdout）接收服务器的响应。
- 适合在本地开发环境中使用，无需额外的网络配置。
优缺点：
- 优点：设置简单，无需额外的网络配置。
- 缺点：只能在本地使用，不适合分布式环境。
SSE 模式
SSE（Server-Sent Events）模式是一种基于 HTTP 的单向通信机制，允许服务器向客户端推送数据。
特点：
- MCP 服务器以独立进程运行，监听 HTTP 请求。
- 客户端通过 HTTP 连接到服务器。
- 服务器可以持续向客户端推送事件和数据。
- 适合在分布式环境中使用，支持多客户端连接。
优缺点：
- 优点：支持分布式部署，可以被多个客户端同时访问。
- 缺点：配置相对复杂，需要额外的网络设置。
image.png
MCP能干什么？
image.png
可以看出，通过这种设计，MCP 让 AI 助手从单纯的对话工具，进化成能操作现实世界的强大助手。
MCP server 客户端配置
目前支持 MCP-Server 的客户端有 Cursor、Claude、Cline 等。从 Windows 使用体验来说，Cursor（0.47.8）需要保持 cmd 窗口常开，体验较差，而 Claude 依赖 Claude 大模型，因此更推荐使用 VSCode 的 Cline 插件，可以通过 OpenRouter + deepseek-chat/free 免费使用。
配置步骤：
- 安装 Cline 插件：通过最新版本的 VSCode 安装 Cline 插件。
image-20250324083411655
- 注册并登录 OpenRouter：访问 (https://openrouter.ai)，在右上角 Keys 处创建 API Keys。此 Key 只显示一次，请妥善保存。
- 配置 API Provider：在 Cline 设置处配置 API Provider，选择 OpenRouter，并填写刚刚设置的 Key，选择对应的大模型，可通过 free 关键词进行过滤。
完成上述配置后即可通过 Cline 配置 MCP-Server。
MCP-SERVER配置
在 Cline 右上角点击 MCP Servers 进行配置，通过点击 Configure MCP Servers 打开 MCP-Server 配置文件 cline_mcp_setting.json，此时就可以按需添加 MCP-Server 了。
image-20250324084419184
示例配置文件：
复制{
"mcpServers": {
"filesystem": {
"command": "cmd",
"args": [
"/c",
"npx",
"-y",
"@modelcontextprotocol/server-filesystem",
"E:\\personal\\javadaily"
]
},
"sequential-thinking": {
"command": "cmd",
"args": [
"/c",
"npx",
"-y",
"@modelcontextprotocol/server-sequential-thinking"
]
}
},
"spring-ai-mcp-server": {
"command": "cmd",
"args": [
"/c",
"java",
"-Dspring.ai.mcp.server.stdio=true",
"-Dspring.main.web-application-type=none",
"-Dlogging.pattern.cnotallow=",
"-jar",
"D:\\GitSpace\\JavaSpace\\mozi-mcp\\mozi-mcp-server\\target\\mozi-mcp-server.jar"
],
"env": {
"appId":"12121212",
"appSecret":""
},
"enabled": true
},
"fetch": {
"command": "uvx",
"args": [
"mcp-server-fetch"
]
}
}大模型如何选择工具？
大模型基于以下几点决定调用哪个工具：
- 具描述分析：每个工具在初始化时都提供了详细的描述和参数要求。大模型会分析这些描述来了解工具的具体功能、使用场景和限制。
- 任务需求匹配：大模型会将用户请求分解为具体任务，然后寻找最直接匹配这些任务的工具。例如，创建文件时，大模型会寻找专门用于文件创建的工具。
- 上下文理解：大模型会考虑整个对话的上下文和具体操作的环境，选择最适合当前情境的工具。
工作流程：
- 用户在客户端提出请求。
- 客户端将请求发送给大模型。
- 大模型理解请求并决定使用哪些工具。
- 大模型调用 MCP 服务提供的 API。
- MCP 服务执行操作并返回结果。
- 大模型解析结果并提供响应。
- 客户端显示响应给用户。
效果演示
在网页上随便找一篇文章，让 CLine 使用 fetch 工具爬取并生成对应的 Markdown 文件。
示例指令：
帮我 fetch https://juejin.cn/post/7457366224823124003 这篇文章并在 javadaily 下生成 Markdown 文件。
image-20250324093252381
