结论先行:MCP 解决的是集成的笛卡尔积问题。M 个 AI 应用要接 N 个工具/数据源,各自定义工具格式就是 M×N 套适配;有了统一协议,变成 N+M。它把"工具怎么暴露给模型"标准化了,你的精力得以回到工具本身的质量上。
MCP 是什么
MCP(Model Context Protocol)是 Anthropic 于 2024 年 11 月开源的协议,现在是 AI 应用接入外部工具与数据的事实标准之一。架构上是三方角色:Host(AI 应用本体,如 IDE、聊天助手)、Client(Host 内维护与单个 Server 连接的组件)、Server(暴露能力的轻量服务)。消息格式基于 JSON-RPC 2.0,传输层本地用 stdio、远程用 Streamable HTTP。
协议抽象出三类原语,对应三种暴露方式:Tools 是模型可调用的函数(模型自主决定何时调用);Resources 是应用可读取的数据(文件、数据库内容,由应用决定何时注入);Prompts 是预置的提示模板(用户主动选用)。这个划分值得细品:它承认了"谁能决定用什么"是三种不同的控制流,而不是把一切都塞给模型——这也是 MCP 区别于"又一个工具调用框架"的地方,它同时规范了应用侧的数据注入和用户侧的模板选择。
协议还规定了能力协商:Client 连上 Server 先互相声明版本与能力(支持哪些原语、要不要变更通知),再进入正常通信。这让"Server 升级加了新工具、Host 还在旧版本"这类组合有明确的行为约定而不是静默出错;工具列表变更时 Server 发通知,Host 据此刷新模型看到的工具集。这些细节自研协议时几乎必然漏掉,协议把它们定死了。
集成方式的对比与选择
| 接入方式 | 集成成本 | 复用性 | 生态 | 适用场景 |
|---|---|---|---|---|
| 各应用直连(M×N) | 每对都要适配 | 无复用 | 无 | 只有一个应用的临时原型 |
| MCP 协议化(N+M) | 一次性接入协议 | 工具与应用解耦复用 | 大量现成 Server | 多应用共享多数据源 |
| 自研私有协议 | 最高 | 仅内部 | 无 | 协议本身是核心竞争力的极少数场景 |
回到那道算术题:两个应用接三个内部工具,直连六套适配尚可忍受;五个应用接十个工具,直连是五十套,而且每加一个应用或工具都要动存量——协议化的成本线在这里被跨过。注意回本时点是前置的:协议化属于前置投资,前几个接入只赔不赚,跨过临界数量后每加一个应用或工具才开始摊薄。按团队未来半年的应用与工具数量预估再决策,不要为三个月后的想象提前付全款。
写一个最小 Server
官方 Python SDK 的 FastMCP 让你用写 Flask 的方式写 MCP Server:
from mcp.server.fastmcp import FastMCP
mcp = FastMCP("logistics")
@mcp.tool()
def get_order_status(order_no: str) -> str:
"""按运单号查询运单状态。
Args:
order_no: 运单号,如 FY20251209001
"""
return query_order(order_no) # 函数签名与 docstring 自动生成工具定义
@mcp.resource("config://{name}")
def get_config(name: str) -> str:
"""读取指定的业务配置。"""
return load_config(name)
if __name__ == "__main__":
mcp.run() # 默认 stdio 传输,供本地 Host 拉起
函数签名自动生成 JSON Schema,docstring 成为工具描述——“描述即接口"的原则在这里依然成立,docstring 写得好坏直接决定模型调用质量。同一份描述,三个应用读到的是同一份,这是协议化之后最实在的红利:
# 错误写法:docstring 是函数名的复读,模型只能靠猜
@mcp.tool()
def query_order(no: str, t: str = "") -> str:
"""查询订单"""
...
# 正确写法:写清做什么、何时不用我、参数语义
@mcp.tool()
def query_order(order_no: str, with_fee: bool = False) -> str:
"""按运单号精确查询运单状态、司机与费用信息。
仅支持 13 位运单号(FY 开头);用户只提供手机号或姓名时不要调用本工具。
Args:
order_no: 运单号,FY 开头,如 FY20251209001
with_fee: 是否返回费用明细,默认 false
"""
...
部署形态与调试
stdio 模式下 Server 由 Host 作为子进程拉起,适合本地个人工具;Streamable HTTP 适合部署成共享服务供多个应用调用。选型判断和普通服务一样:谁用、在哪用、要不要集中鉴权。
调试用官方的 MCP Inspector,能看到 Server 暴露的完整工具列表和每次调用的请求响应——上线前把每个工具手动调一遍,等价于接口自测;Inspector 还能查看 Host 侧最终拼出的工具 Schema,描述写得好不好在这里一目了然。stdio 模式有个新手必踩的坑:协议消息走标准输出,日志一旦也打到 stdout,JSON-RPC 消息流就被污染,Host 直接解析失败。纪律是日志一律走 stderr,stdout 只留给协议。
后端工程师的接入建议
- Server 保持薄。MCP Server 是协议适配层,业务逻辑留在你现有的服务里,Server 只做转发和格式转换——否则它会长成一个没人维护的影子微服务。判断是否"薄"有个粗糙但有效的标准:看 Server 仓库里的业务测试用例数量,适配层几乎不需要业务测试,需要了就说明逻辑已经越界。
- 权限在 Server 侧收敛。暴露给 Agent 的每个工具都要过鉴权,MCP 不是绕过权限系统的后门。鉴权信息从 Host 透传到 Server 要有明确的身份边界:Server 校验调用方身份与参数范围,不信任"Host 已经校验过"的假设——两层各管一段,出了问题才有得查。
- 先看生态再自己写。常见数据源(数据库、GitHub、Slack 等)已有大量现成 Server,自研前先确认轮子不存在。用现成 Server 时重点审它的鉴权方式与工具粒度是否符合你的安全要求,生态工具默认按第三方依赖对待。
- 工具命名带业务前缀(如
logistics_get_order),避免同一个 Host 挂多个 Server 时的命名冲突。 - 把 API 演进的纪律带进 MCP。工具签名变更等于接口破坏性变更,旧 Host 的调用会直接失败;新增参数给默认值,下线工具先标记废弃、观察调用日志后再移除。
MCP 的价值判断很简单:如果你的 AI 应用只接两三个内部工具,直接用 Function Calling 更简单;一旦要接的工具跨越多个系统、要被多个 AI 应用复用,协议化就开始回本。
实战场景
团队有三个 AI 应用:IDE 编码助手、客服工作台、内部运营聊天机器人,各自封装过一遍"查运单”。问题在对比中暴露:同一个"查运单",A 应用返回全量字段撑爆工作台上下文,B 只返回摘要,C 压根没挂权限校验——同一个业务动作,三个安全水位和三套口径。统一为一个 MCP Server 后:工具定义唯一,docstring 改一次三个应用同时受益;鉴权收敛在 Server 一层,审计日志只有一个出口。部署上 IDE 本地走 stdio,服务端应用走 Streamable HTTP。踩过的坑值得一提:早期有人把"运单状态机判断"这类业务逻辑写进了 Server,两个月后它变成没人敢动的影子服务,重构时把逻辑迁回业务服务、Server 只留转发,才恢复"薄适配层"的本分。这次重构最大的收获是确认了一条边界:MCP Server 里只允许出现协议适配代码,出现任何 if 业务分支都是越界信号。另一条沉淀是发布纪律:Server 的工具变更走和业务接口一样的评审流程——它一旦被三个应用依赖,就是有真实调用方的线上接口,“改个描述顺手发一下"的做法迟早出事故。
检查清单
- 接入前算 M×N 账:应用与工具数量少时直接用 Function Calling
- 先检索现成 Server 生态,确认轮子不存在再自研
- MCP Server 保持薄:只有转发与格式转换,无业务分支逻辑
- 每个工具在 Server 侧过鉴权,权限不依赖 Host
- docstring 写清用途、何时不用、参数语义
- 工具命名带业务前缀,防多 Server 命名冲突
- 按场景选传输层:本地 stdio、远程 Streamable HTTP
- 工具调用统一落审计日志,出问题单点可查