模型上下文协议（MCP）：连接AI与您工具的桥梁

Last updated: July 26, 2026

MCP — 模型上下文协议（Model Context Protocol）— 是 Anthropic 于 2024 年底发布的一个开放标准，用于将 AI 助手和代理连接到外部数据源和工具。与其为每个模型和每个工具编写定制的集成，不如暴露一个 MCP 服务器，任何兼容 MCP 的客户端都可以使用它。上周我将文件系统服务器和 GitHub 服务器连接到了 Claude Code 上，代理实际能做到的事情上的差异是立竿见影的。本文介绍了 MCP 是什么、客户端-服务器模型如何工作、核心能力类型以及如何在自己的设置中运行服务器。

快速答案：什么是 MCP？

MCP 是一个基于 JSON-RPC 2.0 的协议，它标准化了 AI 主机应用程序（如 Claude Desktop 或 Claude Code 的 MCP 客户端）与暴露数据和操作的外部 服务器 之间的连接。单个 MCP 服务器可以向客户端宣传三种能力类型：

• Tools — 模型可以调用的函数（查询数据库、发送消息、搜索仓库）。
• Resources — 模型可以读取的结构化数据（文件内容、API 响应、记录）。
• Prompts — 用户可以调用的可重用参数化提示模板。

目标是实现“AI 集成的 USB-C”：一个服务器，多个客户端，无需针对模型的粘合剂。该规范和 SDK 是开源的，并在 modelcontextprotocol 的 GitHub 上维护，官方文档可以在 modelcontextprotocol.io 查看。

为什么存在 MCP？

在 MCP 之前，每个工具集成都是一次性的。如果你想让助手既能读取你的 GitHub issue，又能查询 Postgres，你必须编写两个自定义连接器，当更换模型或主机时，再重写它们。Anthropic 的动机是消除这种重复性，通过一个共享协议——官方文档 将其描述为赋予模型对本地文件、数据库和 API 的“标准化访问”能力。

对于代理工作流程来说，这一点至关重要。只能聊天的代理只是一个聊天机器人；而能够读取你的仓库、运行查询并在循环中调用工具的代理才是真正的工人。MCP 就是使第二种类型可移植性的管道。如果想了解它在代理设计中的更广阔图景，请参阅 我们关于 AI 代理自动化的文章。

客户端-服务器模型如何工作？

MCP 遵循主机-客户端-服务器的拓扑结构：

• Host — 用户运行的应用程序（Claude Desktop、Claude Code、IDE 扩展）。
• Client — 存在于 Host 内部，与一个服务器保持 1:1 的会话。
• Server — 一个通过传输层暴露能力的进程。

一个主机可以运行多个客户端，每个客户端都连接到一个服务器。该协议是 JSON-RPC 2.0，每当我添加一个新的服务器时，我都会测试三个生命周期阶段：

1. Initialize（初始化） — 客户端发送协议版本、能力和客户端信息；服务器则响应其自身的信息。
2. Capability negotiation（能力协商） — 两侧声明它们支持什么（工具、资源、提示、采样、根目录）。
3. Operation（操作） — 客户端请求工具列表，调用工具，读取资源，然后服务器将结果流式传输回来。

传输选项

stdio 是本地设置的默认选项，除非你传递了 HTTP URL，否则 claude mcp add 就会使用它。如需更深入了解 claude mcp add 和 stdio 与 HTTP 的选择，请参阅 我们的 Claude Code MCP 集成指南。

实践中这三种能力类型是什么？

MCP 的大部分价值都体现在这三种能力类型上。以下是模型使用它们时，每种类型实际行为的展示。

Tools (模型调用)

工具是主力军。模型根据对话决定是否调用它们。我运行了一个暴露了 search_logs 工具的服务器，当我问“为什么部署在凌晨 2 点失败了？”时，模型立即无提示地调用了它。工具定义包含用于参数的 JSON Schema，因此模型会获得类型化、验证过的输入。

Resources (应用控制)

资源通过 URI 进行寻址，通常是用户选择的，而不是模型选择的——用户附加一个资源（如文件或记录），主机将其注入到上下文中。这对于范围控制很重要：模型只能看到你明确提供给它的内容。

Prompts (用户调用)

提示模板带有参数，会显示在主机的 UI 中作为斜杠命令或菜单项。这是使用最少的能力——我用它们来编码“根据我们的风格指南审查此 PR”，这样我就不必每次都粘贴相同的指令了。

如何设置 MCP 服务器？

以 Claude Code 为主机进行具体设置。同样的服务器配置可以在 Claude Desktop 的 JSON 文件中使用。

1. 安装 Node.js 20+（或使用 uv 的 Python 3.10+）。
2. 添加一个参考服务器，例如文件系统服务器：npx -y @modelcontextprotocol/server-filesystem /Users/you/projects
3. 在 Claude Code 中注册它：claude mcp add filesystem -- npx -y @modelcontextprotocol/server-filesystem /Users/you/projects
4. 验证连接：claude mcp list 然后 claude mcp get filesystem
5. 重启主机，并在会话中查找服务器的工具。

这就是整个流程。GitHub 组织中的参考服务器涵盖了文件系统、Git、GitHub、Postgres、SQLite、Slack、Google Drive、Puppeteer 等。

一个最小化的自定义服务器（Python）

from mcp.server.fastmcp import FastMCP

mcp = FastMCP("status")

@mcp.tool()
def healthcheck(service: str) -> str:
    """Return the current status of a service."""
    return f"{service}: ok"

if __name__ == "__main__":
    mcp.run(transport="stdio")

我花了大约十分钟就用它测试了一个暂存端点，包括将其连接到 Claude Code。关于如何将内部服务作为代理可调用 API 暴露的更广泛模式，我们的 AI API 开发指南 对认证和速率限制进行了更深入的探讨。

2026 年生态系统是什么样的？

该生态系统已经围绕官方注册表和少数维护良好的参考服务器整合。我保留了一份在生产环境中真正信任的简短列表：

• filesystem — 本地文件读写，带有根目录限制。
• github — issue、PR、搜索、文件操作。
• postgres / sqlite — 默认只读，模式自省。
• puppeteer / playwright — 用于代理的浏览器自动化。
• slack — 通道读取和消息发送。

关于编排多个后台子代理（subagents）的服务器——一个子代理拥有数据库，另一个拥有浏览器——我们关于 Claude Code 子代理的文章 展示了团队模式。

需要注意什么？

这是大多数人忽略的部分。MCP 服务器使用你的凭证和文件系统访问权限运行，因此范围至关重要。

• 将每个服务器视为一个依赖项。 固定版本，在运行 npx 到陌生人的仓库之前审计源代码。恶意的工具可能会窃取模型能看到的一切信息。
• 限制根目录。 文件系统服务器的安全性仅限于你指向的目录——绝不能传递 /。
• 优先使用只读数据库配置，直到你有明确需要启用写入的原因。
• 注意提示注入（prompt injection）。 如果一个工具返回的内容被模型用于后续操作，不受信任的输入可能会变成指令。假设任何资源都是恶意的。
• 限定 OAuth token 的范围。 Slack 和 GitHub token 应该使用服务器所需的最小权限范围，而不是你的个人 token。

我总是在一个沙盒账户中启动每个新服务器，并在信任它在真实会话中使用之前观察最初的几次工具调用。

关键要点

MCP 是一个解决实际问题的小型协议：它允许一个服务器将工具、资源和提示暴露给任何兼容的 AI 主机，消除了 N 个模型乘以 M 个集成带来的成本。其机制很简单——通过 stdio 或 HTTP 初始化、协商、操作——但安全姿态才是决定它是否属于你工作流的部分。运行你可以审计的服务器，严格限定它们的凭证范围，并假设不受信任的输入是恶意的。做到这一点，MCP 就是将一个助手转化为能够真正触及你系统的代理的最干净的方式。

图片鸣谢

• 显示在显示器屏幕上的源代码 — 照片由 Markus Spiske 在 Pexels 提供
• 一个开发者在笔记本电脑上输入代码，同时在终端中配置服务器 — 照片由 Vlada Karpovich 在 Pexels 提供
• 象征分层架构的抽象电路板组合 — 照片由 Christina Morillo 在 Pexels 提供