L11 MCP 协议：Agent 工具调用的"USB-C 接口"

• 难度 ⭐⭐⭐⭐（进阶）
• 预计阅读 30 分钟
• 代码量 含完整可运行的 MCP Server
• 先修 L4（Tool Use）+ L10（Agentic RAG）

课程目标：理解 MCP（Model Context Protocol）协议的原理与价值，能用 Python 实现一个最小的 MCP Server 和 Client。

一、一个让所有 Agent 开发者头疼的问题#

想象你是一个 Agent 框架作者（比如 LangChain 的工程师）。用户的需求五花八门：

• "我的 Agent 要能查 PostgreSQL 数据库"

• "我的 Agent 要能读 GitHub Issues"

• "我的 Agent 要能控制 Slack 消息"

• "我的 Agent 要能操作浏览器"

• "我的 Agent 要能调内部 ERP 系统"

每个需求你都要：

1. 写一套工具适配代码（Tool Adapter）

2. 处理不同数据源的身份认证

3. 适配不同的传输协议（HTTP / WebSocket / gRPC）

4. 写一份文档告诉用户怎么用

结果：LangChain 已经有 2000+ 个工具集成，但用户的新需求永远比这多。你永远在追赶用户需求。

有没有一种方式，让工具提供者自己实现一套标准接口，然后任何 Agent 都能"即插即用"？

MCP 就是为了解决这个问题的。

二、用一个比喻：MCP = Agent 世界的 USB-C#

把你的电脑想象成 Agent（LLM）：

• 显示器、键盘、鼠标、硬盘、网线——每个外设都有自己的接口（HDMI、USB-A、3.5mm 音频、RJ45）

• 你买每个外设都要确认"我的电脑有这个口吗"

• 2015 年之前：MacBook 一个 USB-A 口都没有，新买的 U 盘插不进去 → 骂 Apple

• 2015 年之后：USB-C 统一天下 → 一个口插所有设备

MCP 就是 Agent 世界的 USB-C：

• 之前：每个工具都有自己独特的接口，Agent 框架要为每个工具写适配器

• 之后：工具提供方按 MCP 协议实现，所有兼容 MCP 的 Agent 都能直接调用

这是 Agent 工程化的转折点——从"每个工具都要适配"变成"一次实现，到处运行"。

三、MCP 是什么？#

MCP（Model Context Protocol） 是 Anthropic 在 2024 年 11 月开源的协议。它定义了一套 标准化的 JSON-RPC 2.0 消息格式，让 LLM 应用（MCP Client）能调用外部工具（MCP Server）。

核心架构：

┌─────────────────┐         JSON-RPC 2.0         ┌─────────────────┐
│  MCP Host       │ ◄──────────────────────────► │  MCP Server     │
│  (Claude        │   stdio / SSE / HTTP         │  (工具提供者)    │
│   Desktop,      │                               │                 │
│   Cursor,       │                               │  暴露：         │
│   自定义Agent)  │                               │  - Tools        │
│                 │                               │  - Resources    │
│  内嵌 MCP Client│                               │  - Prompts      │
└─────────────────┘                               └─────────────────┘

三大核心原语（Primitives）#

MCP Server 能暴露三种能力：

注意区别：

• Tools = 让 Agent "做事"（有副作用）

• Resources = 让 Agent "读信息"（无副作用）

• Prompts = 给 Agent "预设指令"（用户主动触发）

两种传输方式#

四、和 L4 Tool Use 的关系#

你可能会问：MCP 和 L4 讲的 OpenAI Function Calling 有什么区别？

一句话：

• L4 Tool Use 是"一次对话里怎么调工具"

• MCP 是"长期来看工具和 Agent 怎么标准化协作"

类比：

• L4 Tool Use 像 RPC（远程过程调用）—— 解决"一次调用怎么传参"

• MCP 像 HTTP—— 解决"所有客户端和服务端怎么标准化通信"

五、动手实现：写一个 MCP Server（30 行）#

我们写一个最小的 MCP Server，把本地文件系统暴露成 Resources。这是 Anthropic 官方 quickstart 的简化版：

安装#

pip install mcp

完整代码（mcp_filesystem_server.py）#

from mcp.server.fastmcp import FastMCP
import os

# ============ 创建 MCP Server ============
mcp = FastMCP("FileSystem Server")

# ============ 暴露 Tool：列目录 ============
@mcp.tool()
def list_directory(path: str = ".") -> list[str]:
    """列出指定目录下的文件和文件夹。
    
    Args:
        path: 要列出的目录路径，默认为当前目录
    """
    try:
        return os.listdir(path)
    except Exception as e:
        return [f"错误: {e}"]

# ============ 暴露 Tool：读文件 ============
@mcp.tool()
def read_file(path: str) -> str:
    """读取文件内容。
    
    Args:
        path: 文件路径
    """
    try:
        with open(path, "r", encoding="utf-8") as f:
            return f.read()
    except Exception as e:
        return f"错误: {e}"

# ============ 暴露 Resource：当前目录信息 ============
@mcp.resource("fs://current-dir")
def get_current_dir() -> str:
    """提供当前工作目录的信息"""
    return f"当前目录: {os.getcwd()}\n包含文件: {os.listdir('.')}"

# ============ 暴露 Prompt：代码审查模板 ============
@mcp.prompt()
def code_review_prompt(code: str) -> str:
    """生成代码审查的 prompt 模板"""
    return f"""请审查以下代码，重点关注：
    1. 潜在的 bug
    2. 性能问题
    3. 安全风险
    4. 代码风格
    
    代码：
    ```python
    {code}

请给出具体的改进建议。"""

============ 启动 Server ============#

if name == "main": mcp.run() # 默认用 stdio 传输

**这段代码做了什么？**

- 创建了一个名为 "FileSystem Server" 的 MCP Server
- 暴露了 2 个 Tools（`list_directory`、`read_file`）
- 暴露了 1 个 Resource（`fs://current-dir`）
- 暴露了 1 个 Prompt（`code_review_prompt`）
- 启动后用 stdio 监听，等待 Client 连接

---

## 六、动手实现：写一个 MCP Client 调用 Server

MCP Client 通常内嵌在 Agent 框架里（如 Claude Desktop）。我们写一个最小 Client 演示怎么调用上面的 Server：

### 完整代码（mcp_client_demo.py）

```python
import asyncio
from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client

async def main():
    # ============ 1. 启动 Server 子进程并连接 ============
    server_params = StdioServerParameters(
        command="python",
        args=["mcp_filesystem_server.py"]  # 启动上面写的 Server
    )
    
    async with stdio_client(server_params) as (read, write):
        async with ClientSession(read, write) as session:
            # ============ 2. 初始化连接 ============
            await session.initialize()
            
            # ============ 3. 发现 Server 暴露的能力 ============
            tools = await session.list_tools()
            print("Server 暴露的工具:")
            for tool in tools.tools:
                print(f"  - {tool.name}: {tool.description}")
            
            resources = await session.list_resources()
            print("\nServer 暴露的资源:")
            for resource in resources.resources:
                print(f"  - {resource.uri}: {resource.name}")
            
            # ============ 4. 调用 Tool ============
            result = await session.call_tool("list_directory", arguments={"path": "."})
            print(f"\n列目录结果: {result.content}")
            
            # ============ 5. 读取 Resource ============
            resource_result = await session.read_resource("fs://current-dir")
            print(f"\n当前目录信息: {resource_result.contents[0].text}")

if __name__ == "__main__":
    asyncio.run(main())

运行结果#

Server 暴露的工具:
  - list_directory: 列出指定目录下的文件和文件夹。
  - read_file: 读取文件内容。

Server 暴露的资源:
  - fs://current-dir: 当前目录信息

列目录结果: ['mcp_filesystem_server.py', 'mcp_client_demo.py', ...]

当前目录信息: 当前目录: /Users/xxx/project
包含文件: ['mcp_filesystem_server.py', ...]

这段代码做了什么？

• 启动上面写的 Server 作为子进程（stdio 方式）

• Client 连接 Server，发现它暴露的所有能力

• 调用 list_directory 工具列出当前目录

• 读取 fs://current-dir 资源获取信息

关键观察：Client 不需要硬编码 Server 有哪些工具——它通过 list_tools() 自动发现。这就是 MCP 相比 L4 Tool Use 的核心优势：解耦 + 标准化。

七、把 MCP 接到 LangGraph Agent#

最有价值的实战是让现有 Agent 框架支持 MCP。LangGraph 通过 langchain-mcp-adapters 库实现：

pip install langchain-mcp-adapters

用 LangGraph 调用 MCP Server 的完整代码#

from langgraph.graph import StateGraph, MessagesState, START, END
from langgraph.prebuilt import ToolNode
from langchain_openai import ChatOpenAI
from langchain_mcp_adapters.tools import load_mcp_tools

# ============ 1. 连接 MCP Server 并加载工具 ============
from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client
import asyncio

async def create_agent():
    server_params = StdioServerParameters(
        command="python",
        args=["mcp_filesystem_server.py"]
    )
    
    async with stdio_client(server_params) as (read, write):
        async with ClientSession(read, write) as session:
            await session.initialize()
            
            # 把 MCP Server 的工具转成 LangChain 工具
            tools = await load_mcp_tools(session)
            
            # ============ 2. 创建 LangGraph Agent ============
            llm = ChatOpenAI(model="gpt-4o-mini").bind_tools(tools)
            
            def should_continue(state: MessagesState):
                last = state["messages"][-1]
                if last.tool_calls:
                    return "tools"
                return END
            
            graph_builder = StateGraph(MessagesState)
            graph_builder.add_node("agent", lambda s: {"messages": [llm.invoke(s["messages"])]})
            graph_builder.add_node("tools", ToolNode(tools))
            
            graph_builder.add_edge(START, "agent")
            graph_builder.add_conditional_edges("agent", should_continue)
            graph_builder.add_edge("tools", "agent")
            
            return graph_builder.compile()

# ============ 3. 运行 Agent ============
async def main():
    agent = await create_agent()
    result = await agent.ainvoke({
        "messages": [{"role": "user", "content": "当前目录下有哪些 Python 文件？"}]
    })
    print(result["messages"][-1].content)

asyncio.run(main())

这段代码做了什么？

• 用 langchain-mcp-adapters 把 MCP Server 的工具自动转成 LangChain 工具

• 把这些工具接入 LangGraph Agent（L5 学过的状态图）

• Agent 问"当前目录下有哪些 Python 文件"——它会自动调用 MCP Server 的 list_directory 工具

这就是 MCP 的威力：你的 LangGraph Agent 不需要任何改动，就能调用任何 MCP Server 暴露的工具。

八、MCP 生态全景#

截至 2026 年初，MCP 生态已经相当丰富：

官方 MCP Server（Anthropic 维护）#

• Filesystem Server：读写本地文件

• GitHub Server：管理 Issues、PR、代码搜索

• PostgreSQL Server：查询数据库

• Slack Server：发送消息、管理频道

• Google Drive Server：读写云端文档

• Puppeteer Server：浏览器自动化

第三方 MCP Server#

• Notion Server：操作 Notion 页面

• Linear Server：管理项目任务

• Figma Server：操作 Figma 设计稿

• Stripe Server：处理支付

• AWS Server：管理云资源

支持 MCP 的 Client#

• Claude Desktop（官方）

• Cursor（代码编辑器）

• Zed（代码编辑器）

• Continue（VS Code 插件）

• 自定义 LangChain / LangGraph / smolagents Agent（通过适配器）

行业趋势：OpenAI、Google DeepMind、Microsoft 都在 2025 年宣布支持 MCP。这意味着 MCP 正在成为事实标准——学它就是学未来。

九、MCP 的限制与批评#

MCP 不是银弹。了解它的限制能帮你做出更好的工程决策。

限制 1：性能开销#

MCP 通过 JSON-RPC 通信，比直接函数调用慢 5-10 毫秒。对于高频调用场景（如每秒上千次），需要批量调用或换直接 API。

限制 2：复杂度#

简单项目用 MCP 是过度工程化。如果你的 Agent 只有 2-3 个工具，直接用 L4 的 Tool Use 就够了。MCP 适合工具数量 ≥ 10 个 或工具提供方与 Agent 开发方是不同团队的场景。

限制 3：安全边界模糊#

MCP Server 默认可以执行任意代码。如果 Server 来自不可信来源，恶意 Server 可能读取你的文件、发送你的数据。生产环境必须验证 Server 来源 + 限制权限。

限制 4：协议仍在演进#

2024 年 11 月发布、2025 年快速迭代。Streamable HTTP 等新传输还在规范化中。早期采用者可能面临兼容性变化。

十、和 L1-L6 的连接#

完整心智模型：MCP 把"工具调用"从 L4 的"LLM + 函数"升级成"LLM + Client + Server"三层架构，让工具生态可以独立演进。

十一、动手时间：60 分钟亲手实现#

请你按顺序完成以下三步：

步骤 1：跑通官方 MCP Server（15 分钟）#

# 安装官方 Filesystem MCP Server
pip install mcp

# 启动 Server（stdio 模式）
python -c "
from mcp.server.fastmcp import FastMCP
mcp = FastMCP('Demo')
@mcp.tool()
def hello(name: str) -> str:
    '''Say hello to someone'''
    return f'Hello, {name}!'
mcp.run()
"

步骤 2：用 MCP Inspector 调试（20 分钟）#

Anthropic 提供了一个可视化调试工具 MCP Inspector：

npx @modelcontextprotocol/inspector python mcp_filesystem_server.py

打开浏览器后你能：

• 看到 Server 暴露的所有 Tools / Resources / Prompts

• 直接调用工具，看返回结果

• 检查 JSON-RPC 消息的格式

步骤 3：把 MCP 接到你自己的 Agent（25 分钟）#

把第七节的 LangGraph + MCP 代码跑通，观察你的 LangGraph Agent 是怎么自动发现 MCP Server 的工具的。

十二、小结#

十三、Read next#

下一节 L7 Planning 高级模式，我们深入 Agent 的"思考能力"——ReAct 循环的进化版本：

• Plan-and-Execute：先想清楚整个计划，再逐步执行

• ReWOO：把推理和观察分离，省 token

• Reflexion：让 Agent 自我反思、自我改进

主要参考：

• MCP 官方文档 — Anthropic 官方协议说明

• Agentic MCP — 微软课程对 MCP 的介绍

• Hugging Face MCP Course — 配套 MCP 实战课程

十四、Sources#

• src-001 — Microsoft AI Agents for Beginners · T1 · Agentic MCP

• MCP 官方文档 · T1 · modelcontextprotocol.io

• Hugging Face MCP Course · T1 · mcp-course

💬 有疑问？ 试试问我："MCP 和 L4 的 OpenAI Function Calling 我应该选哪个？"、"生产环境部署 MCP Server 要注意什么？"、"MCP 生态什么时候能成熟？"——我会用代码或比喻为你解答。