前言

在AI Agent的世界里，主要面临两大互联领域的挑战：

1. Agent与Tools（工具）的交互：Agent需要调用外部工具和API、访问数据库、执行代码等
2. Agent与Agent（其他智能体或用户）的交互：Agent需要理解其他Agent的意图、协同完成任务、与用户进行自然的对话

MCP解决了第一个挑战，而A2A协议则解决了第二个挑战。

使用MCP的重点是理解MCP的工作机制！即文章的第四部分

---

 一、MCP是什么？

1.1 MCP的理解

MCP（Model Context Protocol，模型上下文协议），2024年11月底，由Anthropic推出的一种开放标准。旨在为大语言模型（LLM）提供统一的、标准化方式与外部数据源和工具之间进行通信。

传统AI集成的问题：这种为每个数据源构建独立连接的方式，可以被视为一个M*N问题。问题在于架构碎片化，难以扩展，限制了AI获取必要上下文信息的能力。

MCP解决方案：提供统一且可靠的方式来访问所需数据，克服了以往集成方法的局限性。

MCP作为一种标准化协议，极大地简化了大语言模型与外部世界的交互方式，使开发者能够以统一的方式为AI应用添加各种能力。

1.2 MCP推广时间线

时间	事件
2024年11月底	Anthropic推出MCP，目标是让大模型更便捷地调用外部工具
2025年2月	Cursor正式宣布加入MCP功能支持，将MCP推到全体开发人员面前
2025年3月27日	OpenAI智能体支持MCP，Sam Altman特意发文大赞MCP

1.3 哪些平台支持MCP查询

GitHub查看：

• MCP官方资源：https://github.com/modelcontextprotocol/servers
• MCP热门资源：https://github.com/punkpeye/awesome-mcp-servers

其他平台：

• Glama：https://glama.ai/mcp/servers
• Smithery：https://smithery.ai
• Cursor：https://cursor.directory
• MCP.so：https://mcp.so/zh
• 阿里云百炼

二、MCP能干什么？

2.1 对于程序员来说

举例1：开发部署

开发者通过自然语言指令"部署新版本到测试环境"，触发MCP链式调用：

• GitLab API（代码合并）
• Jenkins API（构建镜像）
• Slack API（通知团队）

举例2：SQL查询

开发者通过自然语言输入，比如"查询某集团部门上个季度销售额"，就能查询出数据库的数据，并结合大模型进行回答，不再需要编写SQL，MCP自动转换为精准SQL语句并执行。

举例3：Manus智能体

Manus的每一次任务处理都至少需要调用网页搜索、网页访问、网页信息获取、本地文件创建、代码解释器等几十个外部工具。

这里暴露了两个问题：

• 问题1：可供大模型调用的工具不足
• 问题2：调用工作量很大

借助MCP，只要支持该协议，就能轻松将各种数据源和工具连接到LLM。

（对于Java开发：

2.2 对于大众用户来说

举例1：旅游规划

当我要去旅行时，旅行规划助手通过MCP同时调用：

• 天气API（获取目的地气象）
• 交通API（查询航班动态）
• 地图API（规划路线）

AI自动生成带实时数据的行程方案。

举例2：联网搜索

我们在与LLM交互时，经常需要联网搜索最新信息以减少幻觉。然而，这里也存在问题：

1. 并非所有聊天机器人都支持联网功能
2. 即使支持联网，也可能不包含你习惯使用的搜索引擎

在没有MCP的情况下，用户只能等待开发者添加特定搜索引擎的支持。有了MCP后，只需简单配置，就能将所需服务接入当前使用的聊天机器人。

举例3：业绩查询

用户询问"查询上季度营业额"，MCP自动组合调用：

• CRM系统API（获取客户数据）
• 财务系统API（调取报表）
• 邮件API（发送总结报告）

---

三、程序员如何使用MCP

3.1 MCP应用场景

MCP可应用于多种场景：

• 

3.2 使用前的准备工作

① MCP的通信机制

根据MCP的规范，当前支持两种通信机制（传输方式）：

方式	适用场景	优点	缺点
stdio（标准输入输出）	本地服务，操作本地软件或文件	简单、无需外部网络、通信速度快、可靠性高、易于调试	配置复杂、单进程通信、无法并行处理
SSE（Server-Sent Events）	远程通信服务，有在线API的服务	配置简单，基本上就一个链接	需要网络依赖

② stdio的本地环境安装

stdio的本地环境有两种：

• Python编写的服务 → 使用 uvx 命令
• TypeScript编写的服务 → 使用 npx 命令

uvx安装方式：

第1种：若已配置Python环境：

pip install uv

第2种：在Windows下通过PowerShell安装：

powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

验证安装：

uv --version
uvx --help

npx安装方式：

Node.js下载官网：https://nodejs.org/zh-cn

下载安装后，配置环境变量并测试。

3.3 Cursor中使用MCP

Cursor中国区官网：https://www.cursor.com/cn

3.4 Cline中使用MCP

Cline也支持MCP功能，配置方式类似。

---

四、MCP的工作原理

4.1 MCP的C/S架构

MCP遵循客户端-服务器架构（client-server），包含以下5个核心概念：

概念	说明
MCP主机（MCP Hosts）	运行MCP的主应用程序，如Claude Desktop、Cursor、Cline或AI工具
MCP客户端（MCP Clients）	嵌入在主机程序中，充当LLM和MCP Server之间的桥梁
MCP服务器（MCP Servers）	提供特定工具，从本地数据或远程服务中检索信息
本地资源（Local Resources）	本地的文件、数据库等
远程资源（Remote Resources）	远程API、云服务等

① MCP Host

作为运行MCP的主应用程序，为用户提供与LLM交互的接口，同时集成MCP Client以连接MCP Server。

② MCP Client

MCP Client充当LLM和MCP Server之间的桥梁，主要负责：

• 接收来自LLM的请求
• 将请求转发到相应的MCP Server
• 将MCP Server的结果返回给LLM

常用的Clients：

• AI编程IDE：Cursor、Cline、Continue、Sourcegraph、Windsurf等
• 聊天客户端：Cherry Studio、Claude、Librechat、Chatwise等

更多Client参考：

• MCP Clients：https://www.pulsemcp.com/clients
• Awesome MCP Clients：https://github.com/punkpeye/awesome-mcp-clients/

③ MCP Server

每个MCP服务器都提供了一组特定的工具，负责从本地数据或远程服务中检索信息。

与传统的远程API服务器不同，MCP服务器既可以作为本地应用程序在用户设备上运行，也可部署至远程服务器。

MCP Server的本质：本质是运行在电脑上的一个Node.js或Python程序。

• 使用TypeScript编写的MCP Server可以通过 npx 命令来运行
• 使用Python编写的MCP Server可以通过 uvx 命令来运行

4.2 MCP工作流程

API主要有两个：

• tools/list：列出Server支持的所有工具
• tools/call：Client请求Server去执行某个工具，并将结果返回

工作流程示例：

1. 用户向LLM发送请求
2. LLM判断需要调用工具
3. MCP Client通过tools/list获取可用工具列表
4. MCP Client通过tools/call调用相应工具
5. MCP Server执行工具并返回结果
6. LLM根据结果生成回复

4.3 回顾：Cursor中使用MCP

在MCP的概念中，Cursor属于一个MCP的宿主应用（Host-app），而Cursor之所以能使用MCP服务，是因为它内置安装了MCP Client。

我们目前在配置Cursor中的MCP时，本质是在配置MCP Server，这些Server由不同的开发者提供，他们基于标准化的MCP协议，做了个小的服务，这些服务可能在本地也可能在云端。

---

• 
  uv下载：https://github.com/astral-sh/uv/releases
• bun下载：https://github.com/oven-sh/bun/releases

---

五、热门MCP Servers推荐

推荐1：文件系统 filesystem

Filesystem MCP旨在为大型语言模型（LLM）和AI助手提供对本地文件系统的安全、受控访问。

主要功能：

• 文件读写：允许读取和写入文件内容，支持创建新文件或覆盖现有文件
• 目录管理：支持创建、列出和删除目录，以及移动文件或目录
• 文件搜索：能够在指定路径中搜索匹配特定模式的文件或目录
• 元数据获取：提供获取文件或目录的详细元数据，包括大小、创建时间、修改时间等

推荐2：数据库 mysqldb-mcp-server

一种模型上下文协议（MCP）实现，支持与MySQL数据库进行安全交互。此服务器组件可促进AI应用程序（主机/客户端）与MySQL数据库之间的通信，提供安全的MySQL数据库操作。

推荐3：高德地图 amap-maps

高德地图是一个支持任何MCP协议客户端的服务器，允许用户轻松地利用高德地图MCP服务器进行各种基于位置的服务。

主要特点：

• 支持多种位置服务，包括地理编码、天气和距离测量
• 提供步行、驾车、公交等多种交通方式的API
• 允许根据关键字或位置详细搜索兴趣点（POI）

推荐4：网页数据采集 Firecrawl

Firecrawl MCP工具是一款基于模型上下文协议（MCP）的企业级网页数据采集服务器。能够为大型语言模型（LLM）提供强大的网页抓取能力。

主要功能：

• JavaScript渲染：能够处理动态网页内容
• 批量处理：支持并行处理和队列管理
• 智能限速：根据网络状况和任务需求智能调整抓取速度
• 多种输出格式：支持Markdown、HTML等格式

⚠️ 去Firecrawl官网注册后即可查看自己的api_key

推荐5：Github

GitHub MCP服务器是一个模型上下文协议（MCP）提供与GitHub API无缝集成的服务器。

使用案例：

• 自动化GitHub工作流程和流程
• 从GitHub存储库中提取和分析数据
• 构建与GitHub生态系统交互的AI驱动的工具和应用程序

⚠️ 去 https://github.com/settings/tokens 申请自己的token

推荐6：Git

直接的Git仓库操作，包括读取、搜索和分析本地仓库。用于Git存储库交互和自动化的模型上下文协议服务器。

推荐7：记忆图谱 memory

使用本地知识图谱的持久内存的基本实现。这使Claude可以在聊天中记住有关用户的信息。基于知识图谱的长期记忆系统用于维护上下文。

推荐8：控制台 desktop-commander

在计算机上无缝执行终端命令和管理流程。使用强大的命令执行和文件操作工具简化您的开发任务。

推荐9：社交软件 Slack

用于Slack API的MCP服务器，使LLM能够与Slack工作区进行交互，用于频道管理和消息传递。

⚠️ 去 https://app.slack.com/intl/zh-cn 注册并获取自己的team id

---

六、A2A协议：开启Agent间自然协作

6.1 A2A的发布

在AI Agent的世界里，主要解决两大互联领域的挑战：

1. Agent与Tools的交互 → MCP
2. Agent与Agent的交互 → A2A

谷歌于2025年4月10日发布开源的、应用层协议A2A（Agent-to-Agent协议）。其设计目的是使智能体（Agent）间能够以一种自然的模态进行协作，类似于人与人之间的互动。

📖 Github地址：https://github.com/google/A2A

6.2 A2A的设计意义

基于不同底层框架和供应商平台创建的AI Agent之间可以实现：

• 通信
• 发现彼此的能力
• 协商任务并开展合作

企业可以通过专业的智能体团队处理复杂的工作流程。这无疑是其最为突出的贡献。

6.3 举例

举例1：阿里云 & 火山云

阿里云上创建的AI Agent，通过A2A协议，可以与火山云上创建的AI Agent进行无缝的通信与协作。

举例2：修理汽车

用户（或代表用户的智能体）对修理店智能体说："给我看看左前轮的照片，似乎漏液了，这种情况多久了？"

• A2A协议使得人与智能体之间这种更自然、多轮次的对话式互动成为可能
• 修理店智能体在诊断出问题后，可能需要向零件供应商智能体查询某个零件的库存和价格

举例3：人才招聘

利用A2A协议，招聘流程可以如此高效：

1. 招聘经理向自己的智能体下达任务，让其寻找与职位描述相匹配的候选人
2. 该智能体立即与其他专业智能体展开互动，寻找潜在候选人
3. 用户收到推荐人选后，可以指示智能体安排面试
4. 面试结束后，可以启动另一个智能体来协助进行背景调查