MCP (Model Context Protocol) 服务技术详解

1. MCP 技术概述

MCP 是 Anthropic 推出的模型上下文协议，它定义了大语言模型（LLM）与外部工具、数据源之间的标准化通信方式。MCP 采用客户端-服务器架构，支持两种主要传输机制。

MCP 的核心优势体现在三个方面：标准化接口让工具开发一次即可对接多种模型，双向通信支持实时数据交换，而传输灵活性则允许根据场景选择本地或远程部署方式。

2. 服务器端实现详解

2.1 FastMCP 框架

服务器端使用 FastMCP 框架快速构建 MCP 服务。代码通过 @mcp.tool() 装饰器将普通函数转换为 MCP 工具。

from mcp.server.fastmcp import FastMCP
import requests

mcp = FastMCP()

FastMCP 是 MCP 官方提供的高级框架，它自动处理协议解析、工具注册、请求路由等底层细节。开发者只需关注业务逻辑的实现。

2.2 工具定义

每个工具都是一个带有 @mcp.tool() 装饰器的 Python 函数。以下是一个天气查询工具的示例：

@mcp.tool()
def get_weather(city: str) -> str:
    """查询某个城市或区县的天气"""
    api_key = "your_api_key_here"
    url = f"https://api.example.com/weather?city={city}&key={api_key}"
    response = requests.get(url)
    return response.json()["forecasts"]

安全提示：生产环境中，API 密钥应通过环境变量或密钥管理服务获取，切勿硬编码在源代码中：

import os
api_key = os.environ.get("WEATHER_API_KEY")

工具函数需要包含类型注解和docstring，MCP 会自动提取这些信息生成函数签名描述，供大模型理解工具的用途和参数规范。

2.3 传输方式配置

MCP 服务器支持两种传输协议：

stdio 模式（本地进程通信）：

if __name__ == "__main__":
    mcp.run(transport='stdio')  # 本地stdio调用

stdio 方式通过标准输入输出进行进程间通信，适用于本地工具集成，延迟最低，不需要网络配置。

SSE 模式（远程 HTTP 通信）：

if __name__ == "__main__":
    mcp.settings.port = 8001  # 可自定义端口
    mcp.run(transport='sse')

SSE（Server-Sent Events）方式通过 HTTP 长连接实现双向通信，适合远程服务部署。服务器在指定端口监听 SSE 连接，客户端通过 URL 访问。

3. 客户端实现详解

3.1 客户端架构

客户端 MCPClient 类管理所有服务器会话和连接资源：

class MCPClient:
    def __init__(self):
        self.sessions = []       # 存储服务器的会话及其上下文
        self.model_name = "deepseek-chat"
        self.server_url = "https://your-mcp-server.example.com/sse"
        self.client = AsyncOpenAI(
            base_url="https://api.example-llm.com",
            api_key=os.environ.get("LLM_API_KEY")
        )

安全提示：API 密钥和服务器地址等敏感信息应通过环境变量或配置文件注入，避免硬编码。客户端维护三个层级的上下文对象：SSE 流上下文、ClientSession 会话上下文、以及会话实例本身，形成嵌套的异步上下文管理器结构。

3.2 会话初始化

async def init_session(self):
    streams_context = sse_client(url=self.server_url)
    streams = await streams_context.__aenter__()
    session_context = ClientSession(*streams)
    session = await session_context.__aenter__()
    await session.initialize()
    
    self.sessions = [session, session_context, streams_context]
    
    response = await session.list_tools()
    for tool in response.tools:
        print(tool)

初始化流程分为四个步骤：首先是创建 SSE 客户端并建立 HTTP 长连接，然后初始化 ClientSession 进行协议握手，接着发送 initialize 消息完成版本协商，最后调用 list_tools 获取可用工具列表。

3.3 工具发现与映射

客户端从服务器获取工具列表后，需要将其转换为符合 OpenAI Function Calling 规范的格式：

for tool in response.tools:
    function = {
        "type": "function",
        "function": {
            "name": tool.name,
            "description": tool.description,
            "parameters": tool.inputSchema,
        },
    }
    available_tools.append(function)

这种转换是 MCP 的关键设计：MCP 工具描述格式与 OpenAI Function Calling 格式之间的映射，使客户端能够将 MCP 工具无缝对接任意支持 Function Calling 的大模型。

3.4 工具调用流程

工具调用遵循"两阶段"模式：

async def process_query(self, query: str):
    messages = [{"role": "user", "content": query}]
    
    # 第一阶段：模型决定调用哪些工具
    response = await self.client.chat.completions.create(
        model=self.model_name,
        messages=messages,
        tools=available_tools,
    )
    
    message = response.choices[0].message
    
    # 第二阶段：执行工具调用
    if message.tool_calls:
        for tool_call in message.tool_calls:
            function_name = tool_call.function.name
            function_args = json.loads(tool_call.function.arguments)
            result = await session.call_tool(function_name, function_args)
            results.append(result.content)

第一阶段中，大模型分析用户意图并决定调用哪些工具及参数。第二阶段中，客户端通过 MCP 协议向服务器发送 call_tool 请求，执行实际的功能调用。

3.5 结果整合与流式输出

工具执行结果需要再次发送给大模型进行总结：

response = await self.client.chat.completions.create(
    model=self.model_name,
    messages=messages,
    tools=available_tools,
    stream=True
)
async for chunk in response:
    text = chunk.choices[0].delta.content
    if text:
        yield text

客户端使用流式响应方式，将大模型的最终回答逐步输出，提供更好的用户体验。

4. 传输协议对比

特性	stdio	SSE
通信方式	标准输入输出	HTTP 长连接
适用场景	本地进程集成	远程服务部署
延迟	极低	较低
配置复杂度	简单	需要网络配置
资源占用	低	较高

对于本地工具调用，推荐使用 stdio 模式。对于需要跨网络访问的工具服务，则应使用 SSE 模式部署 MCP 服务器。

5. 核心设计模式

MCP 的核心设计遵循几个重要原则：职责分离让服务器专注工具实现，客户端处理模型交互；协议适配通过格式转换桥接不同模型提供商；异步优先使用 asyncio 实现高并发处理；上下文管理确保连接资源的正确释放。

这套架构使得工具开发者无需关心大模型的细节，只需实现标准的 MCP 工具函数，即可被任何支持 MCP 客户端的应用使用。