MCP：“AI界的USB-C“

Bing zi

339人浏览 · 2026-05-11 10:07:23

Bing zi · 2026-05-11 10:07:23 发布

MCP：“AI界的USB-C”

这篇文章整理自我参加MCP培训后的学习笔记，也结合了课件里的示例。复盘：MCP 是什么、解决什么问题，以及怎么用起来。

一、先说说MCP到底是个啥

用人话解释一下

MCP = Model Context Protocol = 模型上下文协议

名字听着挺学术的，其实就是 Anthropic 在2024年11月搞出来的一个开放标准。目的很单纯：给大模型和外部工具之间搭一座标准化的桥。

为什么叫"USB-C接口"？

这个比喻真的绝了，我直接上张表对比一下：

	USB-C接口	MCP协议
解决什么问题	以前各种数据线乱七八糟	以前各种AI工具适配器乱七八糟
核心特点	一根线通吃	一个协议通吃
能干嘛	充电、传数据、连显示器	调工具、查数据、传上下文
谁都能用	任何品牌设备	任何大模型

说人话就是：以前每接一个设备都要找专门的线，现在一根Type-C搞定；以前每接一个大模型都要写专门的适配器，现在一个MCP搞定。

二、MCP到底解决了什么痛点？

2.1 "M×N"的集成噩梦

培训的时候讲师画了个图，我直接给大家还原一下：

没有MCP的时候：

有M个大模型（Claude、GPT、Qwen…）
有N个外部工具（数据库、API、文件系统…）
集成工作量 = M × N

有了MCP之后：

工具开发者：按MCP标准开发一次
任何支持MCP的模型：直接就能用
集成工作量 = M + N

举个栗子：你有3个大模型、5个工具

以前：3 × 5 = 15次适配
现在：3 + 5 = 8次对接

2.2 四个核心价值

价值点	之前怎么办	现在怎么办
通用连接器	每个模型单独适配	写一次，到处用
上下文管理	自己写一堆状态管理代码	MCP帮你管好
安全控制	自己设计权限系统	自带细粒度权限控制
功能扩展	改代码、加接口	像插U盘一样加工具

三、MCP是怎么工作的？

3.1 架构其实很简单

就是个经典的C/S架构，我画个图给大家看看：

用户 ──▶ AI应用 ──▶ MCP客户端 ──▶ MCP服务 ──▶ 你的工具
            ▲                                  │
            │                                  ▼
            └──────────────── 收到结果 ◀───────┘

2.2 里面的几个角色

角色	是什么	举个栗子
Host	运行大模型的应用	Claude Desktop、Dify
Client	Host里面的MCP客户端	内置的，不用管
Server	你写的MCP服务	你自己开发的
工具	大模型能调用的函数	查数据库、调用API

2.3 工作流程是什么样的？

大概就是这么个过程：

Host启动，连上你的MCP Server
俩人先"商量"一下：你能干啥？我有啥能力？
大模型需要用工具的时候，通过MCP调用
MCP Server执行工具，把结果返回给大模型
大模型基于结果继续回答用户

四、怎么写一个MCP服务？

4.1 准备工作

先装个SDK：

pip install mcp -U

就这么简单，一行命令搞定。

4.2 来个最简单的例子

先来个"Hello World"级别的——获取当前时间：

from mcp.server.fastmcp import FastMCP
import datetime

# 创建一个MCP服务
mcp = FastMCP(host="0.0.0.0", port=8000)

@mcp.tool()  # 用这个装饰器定义工具
def get_current_datetime() -> dict:
    """
    获取当前的日期和时间

    入参：无
    返参：当前日期和时间
    """
    current_datetime = datetime.datetime.now()
    formatted_datetime = current_datetime.strftime("%Y-%m-%d %H:%M:%S")
    print(f"大模型叫我干活了！当前时间：{formatted_datetime}")
    return {"current_datetime": formatted_datetime}

if __name__ == "__main__":
    # 启动服务
    mcp.run(transport="streamable-http")

运行这个脚本，你的MCP服务就启动了！任何支持MCP的应用都能调用这个get_current_datetime工具。

4.3 来个实战点的例子

培训的时候我们做了一个自然语言查数据库的例子：

from utils import get_tools, execute_sql
from mcp.server.fastmcp import FastMCP

tools = get_tools()
mcp = FastMCP(host="0.0.0.0", port=8001)
db_path = "school.db"

@mcp.tool()
def query(query: str) -> dict:
    """
    用自然语言查询数据库

    入参：
        query: 你的问题（比如"查一下所有18岁的学生"）

    返参：
        查询结果
    """
    print(f"收到问题：{query}")

    # 第一步：把自然语言转成SQL
    sql = tools[0].invoke(input=query)
    print(f"生成的SQL：{sql}")

    # 第二步：执行SQL
    result = execute_sql(db_path, sql)

    return result

if __name__ == "__main__":
    mcp.run(transport="streamable-http")

这个例子挺有意思的，大模型负责理解你的问题，生成SQL，然后MCP负责执行，最后把结果返回给大模型让它用自然语言告诉你结果。

4.4 写MCP工具要注意啥？

培训的时候讲师强调了几个原则，我记下来了：

原则	啥意思	举个反例
职责分离	工具负责"执行"，资源负责"读取"	别把读取文件做成工具
单一专注	一个服务干一类事	别把天气查询和邮件发送放一个服务里
安全可控	用户要明确授权	别偷偷执行危险操作
标准定义	参数用JSON Schema定义好	别返回奇奇怪怪的数据格式

五、在Dify里用MCP

5.1 Dify有五种应用，选哪个？

培训的时候老师花了不少时间讲这个，我整理了一下：

类型	适合干嘛	能不能用MCP工具
文本生成	一句话生成文本	不能
聊天助手	聊天问答	勉强能
Agent	复杂任务+工具调用	强烈推荐
工作流	后台自动化处理	可以，要手动配置
Chatflow	复杂的对话流程	可以

重点： 如果你想用MCP工具，选 Agent 就对了！

5.2 怎么把MCP接到Dify？

其实挺简单的，就几步：

先把你的MCP服务跑起来（比如 http://localhost:8001）
打开Dify，创建一个Agent应用
在工具配置里选"自定义工具"或者"MCP工具"
填上你的MCP服务URL
保存，搞定！

然后你就可以在Dify的对话里直接用了：

你：帮我查一下所有18岁的学生
Agent：[调用你的query工具] → 找到了3个学生...

5.3 还能接别人的MCP服务

这个真的挺有意思的，比如高德地图搞了个MCP服务：

https://mcp.amap.com/mcp?key=你的密钥

把这个URL填到Dify里，你的Agent就能：

根据地址名查经纬度
规划路线
查周边有什么

不用写任何代码，直接就能用！

六、MCP的三种传输方式

培训的时候提了一嘴这个，简单说下：

方式	啥特点	现状
stdio	本地用，标准输入输出	没人用
SSE	远程调用，单向传输	已经淘汰了
streamable-http	远程调用，双向传输	现在就是这个