MCP 教程：MCP Server，MCP Client，AI模型之间的关系

0. 本篇目标

这篇专门解决 3 个问题：

1. MCP Server、MCP Client、AI 模型 到底是谁负责什么。
2. Server 部署好以后，应该怎么“被调用”。
3. 给出一个可以直接抄的 MCP Client 示例（代码 + 调用链）。

---

1. 先把三者关系讲清楚

1.1 三个角色的职责

角色	本质	负责什么	不负责什么
MCP Server	能力提供方	暴露 tools/resources/prompts，执行具体动作并返回结果	不直接决定“何时调用”
MCP Client	协议执行方	连接 Server、完成握手、发起 tools/call、回传结果、做权限/超时控制	不做业务推理
AI 模型	推理决策方	根据用户意图和工具描述，决定“要不要调用哪个工具”	不直接连你的数据库/系统（要经 Client）

一句话：
模型做决策，Client 执行协议，Server 提供能力。

1.2 实际调用链（最常见）

用户提问
  -> Host 应用把上下文交给 AI 模型
  -> 模型决定调用某个 MCP Tool
  -> Host 内的 MCP Client 发起 tools/call
  -> MCP Server 执行并返回结果
  -> MCP Client 把结果回给模型
  -> 模型生成最终答案给用户

重点：

• 模型本身通常不会“直接连”你的 MCP Server。
• 真正发请求的是 Host 应用里的 MCP Client（例如 Codex/IDE/你自己写的 Agent）。

---

2. “是 AI 调用吗？”的准确答案

是，也不是：

1. 是 AI 调用：
   模型决定要调用哪个工具（决策层）。

2. 不是 AI 直接调用：
   真正发起网络/进程调用的是 MCP Client（执行层）。

你可以把它理解为：

• AI 是“调度员”
• Client 是“执行员”
• Server 是“能力工位”

---

3. MCP Client 需要掌握的核心知识

3.1 连接与生命周期

• 建连后先 initialize
• 然后发送 notifications/initialized
• 再进行 tools/list、resources/list、tools/call

3.2 两种常见传输

• stdio：本机子进程方式，延迟低，适合本地插件化。
• streamable-http：远程 URL 方式，适合多客户端复用和服务化部署。

3.3 Client 的工程职责（生产环境）

• 工具发现缓存：定期刷新 tools/list。
• 参数校验：按 JSON Schema 组装参数。
• 超时/重试/取消：避免工具调用卡死。
• 权限控制：高风险工具加人工确认或策略拦截。
• 观测性：记录 request_id、耗时、错误码、工具名。

3.4 自动调用 vs 强制调用

• 自动调用：模型自己决定何时调用工具。
• 强制调用：你在代码里直接调用 tools/call（不等模型决策）。

建议：
默认用自动调用提升自然交互；关键路径（例如固定流水线任务）用强制调用更可控。

---

4. 示例 A：把 Codex 当 MCP Client（配置式）

如果你已经有一个 HTTP MCP Server，例如：

• http://127.0.0.1:8000/mcp

可在 ~/.codex/config.toml 中配置：

[mcp_servers.my_mcp]
url = "http://127.0.0.1:8000/mcp"

或使用 stdio 类型服务：

[mcp_servers.my_local_stdio]
command = "python"
args = ["C:/workspace_2/MediaCrawler/path/to/server.py"]

然后你在对话里说：
请调用 my_mcp 的 xxx 工具做 ...

背后发生的事：

1. Codex 作为 Host，读取 MCP 配置。
2. 内置 MCP Client 建连并发现工具。
3. 模型决策调用工具。
4. Client 执行调用并把结果回传给模型。

---

5. 示例 B：自建一个最小 MCP HTTP Client（Python）

下面例子展示“你自己写 Client”如何直接调用 MCP Server。

# mcp_http_client_demo.py
import requests


class MCPHttpClient:
    def __init__(self, url: str, timeout: int = 30):
        self.url = url
        self.timeout = timeout
        self._id = 0
        self._session = requests.Session()

    def _next_id(self) -> int:
        self._id += 1
        return self._id

    def request(self, method: str, params: dict | None = None):
        payload = {
            "jsonrpc": "2.0",
            "id": self._next_id(),
            "method": method,
        }
        if params is not None:
            payload["params"] = params

        resp = self._session.post(self.url, json=payload, timeout=self.timeout)
        resp.raise_for_status()
        data = resp.json()

        if "error" in data:
            raise RuntimeError(f"MCP error: {data['error']}")
        return data.get("result")

    def notify(self, method: str, params: dict | None = None):
        payload = {
            "jsonrpc": "2.0",
            "method": method,
        }
        if params is not None:
            payload["params"] = params

        resp = self._session.post(self.url, json=payload, timeout=self.timeout)
        resp.raise_for_status()


if __name__ == "__main__":
    client = MCPHttpClient("http://127.0.0.1:8000/mcp")

    # 1) initialize
    init_result = client.request(
        "initialize",
        {
            "protocolVersion": "2025-06-18",
            "clientInfo": {"name": "demo-client", "version": "0.1.0"},
            "capabilities": {},
        },
    )
    print("initialize:", init_result)

    # 2) initialized notification
    client.notify("notifications/initialized")

    # 3) tools/list
    tools = client.request("tools/list")
    print("tools/list:", tools)

    # 4) tools/call（示例：调用 add）
    result = client.request(
        "tools/call",
        {
            "name": "add",
            "arguments": {"a": 2, "b": 3},
        },
    )
    print("tools/call:", result)

运行：

pip install requests
python mcp_http_client_demo.py

说明：

• 这是“强制调用”路径，不依赖模型决策。
• 如果你的 Server 是有状态会话模式，需要按服务端要求保存并回传会话标识。

---

6. 把 AI 模型接进来（自动调用工具）

当你要“让模型自动决定是否调用工具”时，Client 循环通常是：

1) MCP Client 获取 tools/list
2) 把工具 schema 转成模型可识别的 tool 定义
3) 把用户问题 + tools 发送给模型
4) 若模型返回 tool call:
   -> MCP Client 执行 tools/call
   -> 把 tool result 回填给模型
5) 循环直到模型返回最终自然语言答案

关键点：

• 模型负责“决策与编排”。
• Client 负责“协议与执行闭环”。
• Server 负责“能力与结果”。

---

7. 生产实践建议（MCP Client 侧）

1. 超时分级：connect timeout 和 tool timeout 分开配置。
2. 重试策略：只对幂等工具重试，非幂等工具要谨慎。
3. 并发治理：限制同一工具并发，避免把下游打崩。
4. 熔断降级：Server 不可用时给模型明确 fallback 文本。
5. 审计日志：记录 user_intent -> tool_name -> arguments -> result_summary。
6. 权限分层：读操作默认放行，写操作加审批。
7. 版本治理：工具 schema 变更要做向后兼容或版本号隔离。

---

8. 常见误区

误区 1：Server 部署好就会自动被模型调用
更正：必须有 Client 连接并把工具暴露给模型，模型才有机会调用。

误区 2：模型可以直接访问你的内网系统
更正：模型通常通过 Client 间接调用，不应直连生产系统。

误区 3：只要 tools/call 能跑就算完成
更正：还需要超时、权限、日志、错误恢复，才能生产可用。

---

9. 一页结论

1. MCP Server 提供能力。
2. MCP Client 连接和执行协议。
3. AI 模型 负责决策与编排。
4. “AI 调用工具”本质是：模型做决定，Client 去执行。

这就是你部署 MCP 后真正的调用方式。