萌芽AI助手带你零基础读懂MCP：AI Agent与外部工具的标准化接口（2026年4月）

如果你最近正在关注AI Agent相关的技术趋势，很可能已经被“MCP”这个词刷屏了。萌芽AI助手在整理AI领域的热点技术时发现，MCP已成为当前AI工程化落地中最受关注的基础设施之一，但很多开发者对它的理解仍停留在“听说过”的阶段。本文将从问题驱动出发，带你一次性搞懂：什么是MCP？它和Function Calling有什么区别？如何上手开发一个MCP服务？

一、痛点切入：为什么需要MCP？

先看一个最常见的场景。假设你开发了一个AI助手，想让它能查询天气。传统的做法是这样的：

 传统实现：硬编码工具调用

def call_weather_api(city: str):
     调用某个天气API的专有接口
    return requests.get(f"https://api.weather.com/v1/weather?city={city}")

 然后在prompt中手动描述工具格式
tools = [{"type": "function", "function": {...}}]

这种做法有三个致命痛点：

1. 碎片化严重：OpenAI、Claude、Google各自的Function Calling格式互不兼容，每接入一个新模型都要重新适配-12。

2. 扩展性差：增加一个新工具需要修改Agent代码并重新部署。

3. 安全边界模糊：工具调用权限缺乏标准化管理，容易引发越权风险-14。

如果N个AI应用要连接M个外部工具，传统方式需要N×M种定制集成。这正是MCP诞生的背景。

二、核心概念讲解：什么是MCP？

MCP全称Model Context Protocol（模型上下文协议） ，是由Anthropic于2024年11月推出并开源的标准化协议，旨在实现大语言模型与外部数据源和工具之间的安全双向连接-1。

用一句话概括：MCP是AI模型与外部工具/数据源之间的标准化连接协议-6。

为了方便理解，可以把它类比为“AI时代的USB-C接口” 。在USB-C出现之前，不同设备有不同的充电接口，出门需要带一堆线；USB-C统一了接口标准后，一根线就能解决所有问题。同理，MCP统一了AI模型与外部工具的通信方式，让任何一个支持MCP的AI应用都能直接调用任何一个支持MCP的外部工具-8。

MCP采用客户端-服务器架构，核心包含三个层级-8：

MCP Server向外暴露三类核心能力原语-8：

• Tools（工具） ：模型自主决定调用的可执行函数，如查询数据库、调用API

• Resources（资源） ：结构化数据，用于向LLM注入上下文

• Prompts（提示词） ：用户可控的可复用提示词模板

三、关联概念讲解：Function Calling

与MCP经常一起被提及的是Function Calling（函数调用） 。Function Calling由OpenAI等厂商推动，允许大语言模型将自然语言转换为API调用，直接执行预设的函数-。

Function Calling的基本工作流程如下：

用户输入 → LLM识别意图 → 选择预定义函数 → 填充参数(JSON) → 执行API调用 → 返回结果

整个过程发生在模型内部，工具列表直接硬编码在模型的系统提示或请求参数中。

四、MCP与Function Calling的区别总结

两者不是替代关系，而是解决不同层面问题的互补方案。

一句话记忆：MCP是解耦的标准化协议，Function Calling是模型内置的便捷能力。

在实际应用中，两者可以协同工作，形成“Function Calling负责意图解析，MCP负责协议传输与工具执行”的分层架构-。

五、代码示例：从零搭建一个MCP Server

下面用Python SDK搭建一个最简单的MCP Server，支持加法计算和动态问候资源-21。

from mcp.server.fastmcp import FastMCP

 创建MCP服务器实例
mcp = FastMCP("my-service")

 定义Tool：模型可调用的加法函数
@mcp.tool()
def add(a: int, b: int) -> int:
    """计算两个数的和"""
    return a + b

 定义Resource：模型可读取的动态问候资源
@mcp.resource("greeting://{name}")
def get_greeting(name: str) -> str:
    """获取个性化的问候信息"""
    return f"Hello, {name}!"

 运行服务器（使用Streamable HTTP传输）
if __name__ == "__main__":
    mcp.run(transport="streamable-http")

启动服务器后，在Claude Code中注册即可使用：

claude mcp add --transport http my-service http://localhost:8000/mcp

代码执行流程解析：

1. FastMCP创建服务器实例，自动处理MCP协议的生命周期

2. @mcp.tool()装饰器将add方法注册为可调用的Tool

3. @mcp.resource()将get_greeting注册为可读取的Resource

4. 客户端（如Claude Desktop）通过MCP协议发现并调用这些能力

对于Java开发者，Spring AI Alibaba也提供了完整的MCP支持。以下是一个Spring Boot服务中暴露天气查询工具的示例-60：

@Service
public class WeatherService {
    @Tool(description = "根据城市名称获取天气预报")
    public String getWeatherByCity(String city) {
        // 查询天气逻辑
        return "北京：晴，15℃~27℃";
    }
}

只需在application.yml中配置MCP协议，服务能力就会自动暴露为MCP Server，供任何支持MCP的客户端调用-60。

六、底层原理：MCP的通信机制

MCP的底层核心是JSON-RPC 2.0消息格式。所有MCP通信都基于JSON-RPC消息进行编码和传输-33。

三种JSON-RPC消息类型-33：

• 请求：包含id、method、params，需要响应

• 响应：包含id、result或error

• 通知：仅包含method和params，无需响应

MCP定义了两种标准传输机制-8：

• stdio：通过标准输入输出通信，适合本地集成、命令行工具，延迟极低

• Streamable HTTP：2025年11月规范引入的新传输方式，替代传统SSE，支持远程部署和水平扩展

截至2026年3月，MCP的SDK月下载量已突破9700万次，GitHub星标超过8.1万，Anthropic、OpenAI、Google、Microsoft、AWS等主流厂商均已支持-8。

七、高频面试题与参考答案

1. 什么是MCP？它的主要设计目标是什么？

标准答案：MCP（Model Context Protocol）是由Anthropic提出的开源协议，用于在大型语言模型与外部工具、数据源和服务之间建立标准化的通信桥梁-51。

主要设计目标包含四点-51：

• 解耦与模块化：将LLM核心与外部工具分离，独立开发迭代

• 安全性：提供可控的沙箱环境，限制LLM对敏感系统的访问

• 可扩展性：轻松为模型添加新功能，无需重新训练或微调

• 标准化：建立统一通信标准，促进工具生态发展

2. MCP与Function Calling的本质区别是什么？

踩分点：从架构、跨模型兼容性、动态性、安全控制四个维度回答。核心结论：MCP是解耦的标准化协议，Function Calling是模型内置的便捷能力，两者可协同使用。

3. MCP Server如何向客户端宣告能力？

通过initialize握手过程：客户端发送初始化请求（含客户端能力和协议版本），服务器回复InitializeResult，其中capabilities字段声明服务器支持的功能（如tools、resources等）-51。

4. MCP支持哪些传输方式？

stdio和Streamable HTTP两种。stdio用于本地通信，Streamable HTTP支持远程部署和水平扩展。传统SSE传输方式已被官方弃用，迁移至Streamable HTTP-8。

5. MCP的三层架构是什么？

Host（AI应用）→ Client（连接器）→ Server（能力提供方） 。Host创建多个MCP Client会话，每个Client与对应的MCP Server建立独立的JSON-RPC通信通道-8。

八、结尾总结

本文核心知识点回顾：

1. MCP定义：AI模型与外部工具之间的标准化连接协议，被誉为“AI时代的USB-C”

2. 三层架构：Host → Client → Server，清晰分离职责

3. 三大原语：Tools（模型自主）、Resources（上下文注入）、Prompts（用户控制）

4. 与Function Calling的关系：MCP解决协议标准化问题，Function Calling解决意图解析问题，两者互补而非互斥

5. 底层依赖：JSON-RPC 2.0 + stdio/Streamable HTTP传输

易错提醒：不要把MCP等同于“另一种Function Calling”——MCP是协议层基础设施，而不是模型内置能力。

MCP作为AI Agent基础设施层的核心组件，正在推动从“被动聊天机器人”向“能动智能体”的范式转变-。下一篇文章将从MCP Client视角切入，讲解AI应用如何连接和调用MCP服务，以及企业级MCP Gateway的落地实践，欢迎持续关注！