MCP 简介
MCP（Model Context Protocol，模型上下文协议）是专为大语言模型（LLM）应用设计的开放协议，旨在实现 LLM 与外部工具和数据源的无缝集成。它通过统一的接口规范，将原本分散的 API 工具集成简化为'即插即用'模式，解决传统 API 工具中存在的多协议适配、高开发成本等问题。
特别注意：等你跑通一遍 MCP 后，回过来再看一遍 MCP 的解释，你就会对 MCP 模型上下文协议这个概念有所了解，确实是上下文。
MCP（Model Context Protocol）可以理解为让 AI 模型（比如 ChatGPT）连接外部工具的'万能插座'。
简单来说：
- 以前 AI 只能靠自己的知识回答问题，现在通过 MCP，AI 可以安全地连接各种工具（比如读取文件、查询数据库、控制智能设备）。
- 就像给你的电脑插上 U 盘或打印机一样，MCP 让 AI 瞬间获得新能力，而且开发者可以轻松为 AI 创建新工具。
- 整个过程安全可控，AI 只能使用你明确允许的工具，不会越权访问。
举个例子：有了 MCP，你可以直接对 AI 说'帮我总结昨天写的文档'，AI 就会通过 MCP 读取你的文档并生成摘要，而之前这是做不到的。
下面将通过通义灵码插件来体验下 MCP 简单的开发和使用过程。
安装插件
博主使用 VSCode 进行开发，其核心辅助工具是'通义灵码'插件。安装非常简单，只需在 VSCode 扩展商店中搜索'Lingma'并安装，登录后即可开始使用它辅助 MCP 开发。
MCP 开发
本次开发的 MCP 功能主要是查询数据库表，设置多个工具，可以通过用户昵称查询当前排名，也可以输出所有排名信息等工具。
创建表
CREATE TABLE ranking_list (
id INT NOT NULL AUTO_INCREMENT COMMENT '编号',
total_rank INT NOT NULL COMMENT '总排名',
nickname VARCHAR(100) NOT NULL COMMENT '用户昵称',
blog_homepage VARCHAR(255) NOT NULL COMMENT '博客主页',
original_score INT NOT NULL COMMENT '原创博文得分',
quality_score INT NOT NULL COMMENT '质量分得分',
identity_score INT NOT NULL COMMENT '身份得分',
interaction_score INT NOT NULL COMMENT '互动得分',
ranking_score INT NOT NULL COMMENT '上榜得分',
total_score INT NOT NULL COMMENT '排名总分',
add_time TIMESTAMP DEFAULT CURRENT_TIMESTAMP COMMENT '添加时间',
data_memo VARCHAR(500) COMMENT '备注',
data_status TINYINT DEFAULT 1 COMMENT '数据状态（1-正常，0-删除，或其他状态码）',
PRIMARY KEY (id),
UNIQUE KEY uk_total_rank (total_rank),
INDEX idx_nickname (nickname),
INDEX idx_total_score (total_score DESC)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci COMMENT='榜单排名';
提示词
既然是 AI，那就用自然语言来让 AI 帮我们写代码实现 MCP 服务功能。 核心提示词就是：编写一个 FastMCP 框架实现 MCP Server 的脚手架工程，生成 python 文件。 目的是使用 python 对应的 mcp 框架。
编写一个 FastMCP 框架实现 MCP Server 的脚手架工程，生成 python 文件。 这个 MCP 服务主要实现如下功能： 1、获取某个用户排名信息，并通过【博客主页网址】获取当前用户个人主页信息以及发表文章篇数信息 调用此工具功能，必须调用查询条件 select * from ranking_list where nickname='昵称值参数' 2、获取汇总信息 输出汇总信息 sql 语句，可以按总分等汇总信息输出 【下面是 mysql 表信息】 CREATE TABLE ranking_list ( id INT NOT NULL AUTO_INCREMENT COMMENT '编号', total_rank INT NOT NULL COMMENT '总排名', nickname VARCHAR(100) NOT NULL COMMENT '用户昵称', blog_homepage VARCHAR(255) NOT NULL COMMENT '博客主页', original_score INT NOT NULL COMMENT '原创博文得分', quality_score INT NOT NULL COMMENT '质量分得分', identity_score INT NOT NULL COMMENT '身份得分', interaction_score INT NOT NULL COMMENT '互动得分', ranking_score INT NOT NULL COMMENT '上榜得分', total_score INT NOT NULL COMMENT '排名总分', add_time TIMESTAMP DEFAULT CURRENT_TIMESTAMP COMMENT '添加时间', data_memo VARCHAR(500) COMMENT '备注', data_status TINYINT DEFAULT 1 COMMENT '数据状态（1-正常，0-删除，或其他状态码）', PRIMARY KEY (id), UNIQUE KEY uk_total_rank (total_rank), INDEX idx_nickname (nickname), INDEX idx_total_score (total_score DESC) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci COMMENT='榜单排名';
根据提示词，最终会生成的代码和结构如下：
安装依赖 觉得 AI 同时生成了 README.md 文件，帮我们把项目使用和启动等步骤都写得非常清楚，省了不少时间。
配置数据库连接 根据自己得 mysql 连接信息进行填写
启动服务
第一次启动的时候可能会提示一些报错，直接复制报错信息让 AI 进行修复即可，经过多轮修复后，启动的效果如下：
由于当前生成的代码是以 STDIO 方式启动的 MCP 服务，这里想使用的是 http 形式启动：
py app.py --transport http --host 127.0.0.1 --port 8080 --path /mcp
直接继续让 AI 进行修复兼容即可，基本不用写任何代码，全部由 AI 来完成。
下面就是以 http 方式启动效果图
复制网址在浏览器上是可以直接访问的，显示下面信息说明启动成功。
本地部署 MCP
点击右上角的用户信息，下拉点击个人设置
点击 MCP 服务
点击 MCP 右上角的加号，相关信息填写如下： 名称：mcp_demo（根据自己业务来） 类型：SSE 或 Streamable HTTP（STDIO 这个类型还没试过） 服务地址：http://127.0.0.1:8080/mcp（就是刚刚启动的地址） 高级设置：这里暂时没有用到这个就没有填写，可留空
MCP 服务这里就会自动获取对应工具信息
调用测试
询问： 示例用户目前排名第几
AI 会优先查找可用的 MCP 服务插件，然后智能调用对应的工具获取信息。
从上图可以看到，已经成功调用到 MCP，并且查询数据库返回了相关信息，最后大模型根据从 MCP 工具中数据库表获取到的数据进行优化输出，询问的是示例用户当前排名第几，不仅输出了用户是第几名，还有额外的具体各维度得分信息输出。 很显然，MCP 在整个大模型 AI 输出过程中起到了数据补充的作用，是不是有点像知识库一样，而且还是动态化的数据，相比起知识库会更加灵活。
再测试个例子： 询问： 总分都有那些档次，划分档次并统计都有多少名用户
从上图可以看到，根据用户的提问 AI 能够准确知道调用获取所有排名的 MCP 工具，然后再进行汇总输出输出，是不是非常有意思，有没有对 MCP 有一定了解了。
| 档次划分 | 分数范围 | 人数 |
|---|---|---|
| 顶级 | 500 分 | 1 |
| 超高级 | 470-489 分 | 4 |
| 高级 | 450-469 分 | 61 |
| 中级 | 440 分 | 97 |
| 良好 | 430 分 | 107 |
| 中等 | 420 分 | 84 |
| 合格 | 410 分 | 46 |
| 总计 | 410-500 分 | 300 |
到此，本地化部署 MCP 服务插件就算完成了，虽然过程中会出现一些问题，但是基本都是可以通过 AI 进行多轮询问得到解决，并且在过程中基本没有写过一行代码，全程由 AI 来完成，实现思路由我们自己通过自然语言来控制。
线上部署
由于对 Windows 服务器更为熟悉，本次部署环境选定为 Windows。 具体步骤为：首先在服务器上运行 MCP 服务的 Python 程序，随后配置 Nginx 反向代理，并绑定域名以实现外网访问。
上传源码
直接将本地 python 代码上传到外网服务里
安装 Python
在启动前确保已经安装了 python 相关软件。 安装 python 软件的 cmd 命令，直接通过链接下载安装
# 下载 Python 安装程序 curl -o python-installer.exe https://www.python.org/ftp/python/3.14.0/python-3.14.0-amd64.exe
或者直接下载进行安装（推荐用这个方式，下载速度比较快）
cmd 命令：python --version，能够显示版本号则标识已经安装成功
安装依赖
直接在当前 python 文件目录执行 cmd 命令，README.md 这个文件里也有具体步骤：
pip install-r requirements.txt
启动服务
在当前目录下，执行下面命令启动服务
py app.py --transport http --host 127.0.0.1 --port 8080 --path /mcp
nginx 反向代理
在上一步，MCP 服务已在服务器的本地环境成功启动。 接下来，需配置 Nginx 反向代理，将本地服务映射至公网域名，以实现通过域名访问。 nginx windows 版本下载地址：https://nginx.org/en/download.html
建议解压到 mcp 所在同级目录
修改 nginx.conf 文件内容，由于 80 端口已经被占用，这里使用其他端口号测试
worker_processes 1; # 必须要有 events 块
events {
worker_connections 1024;
}
http {
include mime.types;
default_type application/octet-stream;
sendfile on;
keepalive_timeout 65;
# 您的反向代理配置
server {
listen 8081;
server_name 自己域名;
location / {
proxy_pass http://127.0.0.1:8080;
proxy_set_header Host $host;
proxy_set_header X-Real-IP $remote_addr;
proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
proxy_set_header X-Forwarded-Proto $scheme;
proxy_connect_timeout 60s;
proxy_send_timeout 60s;
proxy_read_timeout 60s;
}
}
# 可选：默认的 localhost 服务器
server {
listen 8081;
server_name localhost;
location / {
root html;
index index.html index.htm;
}
error_page 500 502 503 504 /50x.html;
location = /50x.html {
root html;
}
}
}
设置 bat 启动文件
@echo off
cd C:\web\mcp_demo\nginx
start nginx.exe
echo Nginx started.
pause
本地测试
直接在 VSCode 里通过域名方式来添加 MCP
上架 MCP
非常简单，和在 VSCode 里手动添加类似
工具调试
使用 MCP
创建一个智能体并使用 MCP，这里主要是用来测试，所以简单创建一个智能体引用 MCP 即可查看效果
到此，MCP 的开发、本地部署、线上部署、智能体使用 MCP 就搞定啦
MCP 和 API 区别
在开发 MCP 前有疑问，为啥不直接用 api 就得了，非得出来个 MCP，实际上他们也都是类似调用的一个地址，所以，这里还是要了解下他们之间的区别，也能知道 MCP 的核心价值。
| 特性维度 | API | MCP |
|---|---|---|
| 全称与定义 | 应用程序编程接口 一种通用技术标准与规范，定义了软件组件之间如何通信。 | 模型上下文协议 一个具体的协议和框架，专为让 AI 助手能安全、标准化地使用工具和数据源而设计。 |
| 本质与角色 | '通用语言'或'服务菜单' 任何软件（服务器、库、操作系统）都可以提供 API，任何客户端（其他软件或开发者）都可以调用。 | '专用工具箱连接协议' 它是API 的使用者，也是一个标准化的包装层。它定义 AI（客户端）如何发现、调用工具（服务器），以及工具如何被描述。 |
| 核心目的 | 实现系统间的集成与功能调用。 （例如：前端获取后端数据，App 集成支付功能） | 安全、可控地扩展 AI 助手的能力边界。 （例如：让 AI 能读取数据库、执行命令、操作日历，而无需微调模型本身） |
| 主要使用者 | 开发者 编写代码来调用。 其他软件程序也可以调用。 | AI 助手/智能体（如 Claude Desktop, Cursor 等）自动发现并调用。 （开发者负责为 AI创建MCP 工具） |
| 关系与比喻 | 基础技术设施。 好比电力系统（提供标准的电压和接口）。 | 建立在 API 之上的应用层协议。 好比一套标准插头和智能家电协议，让所有电器都能安全、即插即用地接入电力系统，并被智能管家统一控制。 |
| 关键特性 | - 风格多样（REST, GraphQL, gRPC 等） - 注重性能、数据格式 - 认证和授权机制各异 | - 标准化工具描述（名称、参数、schema） - 资源概念（可读取的静态数据流） - 强调安全与控制（主机严格控制可用工具） - 动态发现（AI 启动时自动获取可用工具列表） |
| 一个简单类比 | 餐厅的纸质菜单和点餐流程。 （顾客需要自己阅读菜单、呼叫服务员、说出菜品） | 餐厅的智能点餐平板。 （平板自动连接后，主动推送所有可点的菜，顾客（AI）只需描述需求，平板就能理解并格式化成标准订单发送后厨。） |
了解之后，只要是后端开发语言，大部分都会有 MCP 插件库，像 Python、Java、C#都有类似 MCP 插件库直接可使用和封装 MCP。
总结
至此，MCP 的开发、本地与线上的部署应用，以及智能体调用 MCP 的全流程已完成。 简而言之，它与常规 API 的作用类似，但封装了特定领域的业务逻辑，是大模型功能调用的标准化接口。 感兴趣的朋友可以动手实践体验 MCP 服务插件。
