模型上下文协议（Model Context Protocol，MCP）是一个协议。

一个训练好的AI模型的知识库可能是滞后的，或者它是通用性的模型，可能对某些领域并不是很了解，需要进一步学习。比如你想询问大模型今天你所在的城市天气怎么样，它可能会这样回答：

目前我无法实时获取北京的天气信息，建议您查看天气预报应用或网站（如中国天气网、Weather.com等）获取最新天气情况。如果您需要，我可以提供一些通用的天气建议，例如：

若有雨，建议携带雨具；
若有高温，注意防晒和补水；
若有寒流，注意保暖。
需要我帮您查找最新的天气信息吗？😊

这是因为大模型本身并不具备自动查询天气信息的能力，我们可以通过MCP协议自己制定一些查询天气的工具，当与大模型互动时，大模型会从我们制定的工具中选择与目前对话匹配的工具，然后调用这些工具获取天气的相关信息，并结合这些信息生成答复。

数据层

MCP协议分为客户端和服务器。MCP中的客户端与服务器端的通信方式有两种：

1. stdio：标准输出输入输出；
2. http：基于HTTP协议；

MCP使用JSON-RPC 2.0作为其传输格式。传输层负责将MCP协议消息转换为JSON-RPC格式以进行传输，并将接收到的JSON-RPC消息转换回MCP协议消息。

交互流程

1. 监听客户端发来的消息；
2. 客户端首先发起初始化（initialize）的消息，服务端接收到后返回响应；
3. 客户端收到响应后，发出notifications/initialized消息，表明已经准备好；
4. 当客户端发起tools/list消息时，服务端把它能支持的工具调用列表返回给客户端；
5. 客户端根据tools列表决策使用什么工具。当选择使用某个工具时，客户端发起tools/call消息，服务端接收到后匹配tools，执行对应的函数，然后把结果返回给客户端。

大致交互流程如下：

初始化

在客户端与服务器双方通信时，客户端要发送请求以建立连接并协商支持的功能。例如下面是一个初始化的请求消息：

{
  "jsonrpc": "2.0",
  "id": 1,
  "method": "initialize",
  "params": {
    "protocolVersion": "2025-06-18",
    "capabilities": {
      "elicitation": {}
    },
    "clientInfo": {
      "name": "example-client",
      "version": "1.0.0"
    }
  }
}

其中：

• jsonrpc表示JSON-RPC的版本；
• id是一个消息标识，服务端响应的id需要与客户端发来的id保持一致；
• method: "initialize"就表示是一个初始化的消息；
• 而params.protocolVersion则表示MCP协议版本，确保客户端和服务器使用兼容的协议版本。这避免了不同版本尝试交互时可能发生的通信错误；
• params.**capabilities**则表示客户端和服务器双方支持哪些功能，如工具（tools）、资源（resources）、提示（prompts）等；
  • **"elicitation": {}**- 客户端声明它可以处理用户交互请求（可以接收方法调用）
• params.clientInfo以及params.serverInfo则提供身份识别和版本信息，用于调试和兼容性；

当请求发出后，服务器可能返回以下消息：

{
  "jsonrpc": "2.0",
  "id": 1,
  "result": {
    "protocolVersion": "2025-06-18",
    "capabilities": {
      "tools": {
        "listChanged": true
      },
      "resources": {}
    },
    "serverInfo": {
      "name": "example-server",
      "version": "1.0.0"
    }
  }
}

Tools

在MCP协议中，tools/list消息格式如下（客户端）：

{
  "jsonrpc": "2.0",
  "id": 2,
  "method": "tools/list"
}

服务端对应的tools/list消息：

{
  "jsonrpc": "2.0",
  "id": 2,
  "result": {
    "tools": [
      {
        "name": "addition_arithmetic",
        "title": "addition",
        "description": "Add two numbers",
        "inputSchema": {
          "type": "object",
          "properties": {
            "a": { "type": "number", "description": "First number" },
            "b": { "type": "number", "description": "Second number" },
          },
          "required": ["a", "b"]
        }
      },
      {
        "name": "weather_current",
        "title": "Weather Information",
        "description": "Get weather information",
        "inputSchema": {
          "type": "object",
          "properties": {
            "city": {
              "type": "string",
              "description": "City name"
            },
          },
          "required": ["city"]
        }
      }
    ]
  }
}

上面代码是将加法器与查询天气两个tools通过JSON Schema的方式声明了工具函数需要接收的参数以及参数类型、参数是否必填等信息，需要注意的是，description尽量描述的清晰一些，这更有利于AI理解该工具的使用场景，从而做出更好的决策。

客户端的tools/call消息格式如下：

{
  "jsonrpc": "2.0",
  "id": 3,
  "method": "tools/call",
  "params": {
    "name": "weather_current",
    "arguments": {
      "city": "San Francisco"
    }
  }
}

例子

我们以加法器和查询天气两个tools为例，基于Node.js编写一个简单的服务端MCP应用demo。

项目初始化

1. npm init
2. npx tsc --init
3. npm install @types/node nodemon ts-node typescript --save-dev
4. 更改package.json文件，添加"type": "module"配置
5. 添加启动脚本：nodemon --exec node --loader ts-node/esm ./MCPServer.ts

编写服务端代码

下面是完整的服务端demo的例子：

// 工具函数对应的声明
const toolsMap = new Map([
  [
    "add",
    {
      name: "add",
      description: "Add two numbers",
      inputSchema: {
        type: "object",
        properties: {
          a: { type: "number", description: "First number" },
          b: { type: "number", description: "Second number" },
        },
        required: ["a", "b"],
      },
    },
  ],
  [
    "weather",
    {
      name: "weather",
      description: "Get weather information",
      inputSchema: {
        type: "object",
        properties: {
          city: { type: "string", description: "City name" },
        },
        required: ["city"],
      },
    },
  ],
]);

// 工具函数集
const toolsFunctions = {
  add(a: number, b: number): number {
    return a + b;
  },
  weather(city: string): string {
    return `The weather in ${city} is sunny.`;
  },
};

// 监听客户端发送的数据
process.stdin.on("data", (data) => {
  const req = JSON.parse(data.toString());
  const { id } = req;
  const resultData = {
    id,
    jsonrpc: "2.0",
    result: null as any,
  };
  // 当是初始化的消息时
  if (req.method === "initialize") {
    resultData.result = {
      protocolVersion: "2025-06-18",
      capabilities: {
        tools: {
          listChanged: true,
        },
      },
      serverInfo: {
        name: "example-server",
        version: "1.0.0",
      },
    };
  } else if (req.method === "tools/list") {
    const tools = Array.from(toolsMap.values());

    resultData.result = { tools };
  } else if (req.method === "tools/call") {
    // 当客户端发起 tools/call 消息时，读取 arguments 和 tool name，
    // 然后调用tool name对应的函数，将结果保存到 result 中
    const { name, arguments: args } = req.params;
    const func: any = toolsFunctions[name as keyof typeof toolsFunctions];
    const funcArgs = Object.values(args) as any[];
    const funcResult = func(...funcArgs);

    resultData.result = resultData.result = {
      content: [{ type: "text", text: funcResult }]
    };
  } else {
    return;
  }

  // 发给客户端
  process.stdout.write(JSON.stringify(resultData) + "\n");
});

测试

除了在自己实现客户端外，还可以借助MCP Inspector工具验证。在项目目录下运行以下命令：

npx @modelcontextprotocol/inspector

运行后会自动打开浏览器，进入调试页面：

点击Connect连接，右侧会加载出对应的页面：

可以看到左下角发送了一个initialize消息。点击顶部的Tools，然后点击List Tools可以看到所有的工具列表。右侧是对应的参数列表，这些表单是根据tools/list消息生成的。点击Run Tool后客户端会发送tools/call消息，获取到服务端响应的数据。

使用@modelcontextprotocol/sdk

@modelcontextprotocol/sdk 是对MCP协议的封装，用它来实现MCP服务端很容易，代码如下：

import { McpServer } from "@modelcontextprotocol/sdk/server/mcp.js";
import { StdioServerTransport } from "@modelcontextprotocol/sdk/server/stdio.js";
import { z } from "zod";

const NWS_API_BASE = "https://uapis.cn/api/v1/misc/weather";

const server = new McpServer({
  name: "weather",
  version: "1.0.0",
});

// 注册 tools
server.registerTool("weather-tool", {
  description: "Get the current weather for a specified city.",
  inputSchema: {	// 参数定义
    city: z.string().describe("The name of the city to get the weather for."),
  }
}, async ({ city }) => {	// 请求数据
  const response = await fetch(`${NWS_API_BASE}?city=${encodeURIComponent(city)}`, {
    method: 'GET'
  });

  if (!response.ok) {
    return {
      content: [
        {
          type: 'text',
          text: `Unable to fetch weather data for ${city}.`,
        }
      ]
    }
  }

  const content = await response.text();

  return {		// 返回数据
    content: [
      {
        type: 'text',
        text: content,
      }
    ]
  }
});

async function main() {
  const transport = new StdioServerTransport();
  await server.connect(transport);
  console.error("Weather MCP Server running on stdio");
}

main().catch((error) => {
  console.error("Fatal error in main():", error);
  process.exit(1);
});

在使用McpServer这个API时，我们直接注册Tools即可，不需要手动进行初始化操作。

在平台中添加MCP Server

接下来我们就可以验证一下MCP Server是否可以成功运行，要运行MCP Server需要MCP Client，它们两个是一一对应的关系，流程如下：

1. MCP Client接收MCP Server的启动命令参数，然后内部会启动MCP Server，获取Tools列表；
2. 当我们与大模型对话时，会经过MCP Client，MCP Client将用户提出的问题和Tools发给大模型；
3. 如果用户的对话内容包含MCP Tools，大模型就会返给MCP Client命中的Tools；
4. MCP Client调用对应的Tools函数，然后把结果返回给大模型，大模型根据拿到的信息再进一步思考，生成内容经MCP Client，最终把大模型的答复返回给用户。

有很多应用内部已经集成了MCP Client，例如VScode、Cherry Stdio、Cursor等，下面我们以在VScode和Cherry Stdio中配置MCP Client为例，说一下怎么在这两个应用中使用MCP服务。

VScode配置MCP Server

VScode 客户端支持配置MCP Server，我们可以在vscode项目中新建.vscode文件夹，然后在文件夹中添加mcp.json，配置如下：

{
    "servers": {
        "my-mcp-server": {
            "type": "stdio",
            "command": "node",
            "args": [
                "--loader",
                "ts-node/esm",
                "D:\\projects\\ai-study\\index.ts"
            ]
        }
    },
    "inputs": []
}

配置完成后就会有下面这样的提示：

点击启动后，MCP 就运行起来了。在更多里有一个配置模型访问的菜单，点击后就可以选择与哪些大模型对话时启用该MCP Server。也可以在插件栏看到已安装的MCP Server列表：

打开聊天命令窗口，就可以输入内容测试了：

上面的配置方式仅限于特定项目中的使用场景，在vscode中也可以全局配置，步骤如下：

1. ctrl + p 打开命令输入框，输入> MCP: Open User Configuration回车就会打开用户配置中的 mcp.json 文件，然后配置包括即可。

需要注意的是，如果你使用的是TS文件作为MCP Server启动脚本，最好是使用bun去运行（需要先全局安装），用node可能会因配置问题导致运行出错。

Cherry Stdio中配置

Cherry 是一个多元化的AI设计工具。从官网上下载后，我们可以点击右上角的设置按钮，找到MCP服务器，进入后点击添加-> 从JSON导入，按照提示导入，然后打开即可。

然后回到首页，添加一个助手，下方聊天框可以看到MCP服务：

选择对应的MCP服务器即可。

除了使用第三方平台提供的添加MCP Server外，你也可以自己实现一个。大致思路是：顶层有一个Agent类，这个类初始化时可以传入MCP Client数组，MCP Client内部会初始化MCP Server以及提供查询和执行Tools的方法。在Agent类初始化后可以拿到MCPClient类中所有的Tools，当与大模型对话时，用户的prompt会先进入Agent类，然后Agent类与大模型交互，将Tools和Prompt传给大模型，大模型得出结果后返回给Agent，Agent再将结果传给下游。