别再给每个 AI 平台重复写相同的 API 胶水了。同一个查天气的函数，我给 Claude Desktop 封了一套 RESTful，Coze 要插件 JS，Dify 填 YAML，LangChain 还得自定义 Tool 类。参数名、返回格式、认证方式全不一样。上游模型一更新，又得逐行检查兼容性，感觉自己像个手工接线员，把各种 AI 工具用胶水粘在一起，维护成本指数级上升。
这不是能力问题，是协议碎片化。AI 工具大爆发，但彼此孤立，每个框架都发明了自己的"方言"。直到 Anthropic 把 MCP 协议推出来，局面才开始有实质改变。MCP 不搞框架，它要统一通信标准，让工具开发一次，能被任何支持 MCP 的客户端调用。
这篇文章不聊 5 分钟手搓玩具，直接从工程角度把 MCP 的架构、生态、实战和踩过的坑一次讲清楚。
一、MCP 不是框架，是协议
很多人刚接触 MCP，会拿它和 LangChain、Semantic Kernel 对比，这完全搞错了赛道。MCP 不管你怎么实现工具，也不定义业务逻辑，它只定义一件事：AI 客户端（Host）如何通过标准化的方式发现并调用远程工具（Server）。
整个流程拆成三个角色：
- MCP Host：AI 应用本体，比如 Claude Desktop、Cherry Studio、Cline 等。发起用户指令，展示最终结果。
- MCP Client：内嵌在 Host 里的协议客户端，和 Server 保持 1:1 连接，翻译请求。
- MCP Server：你写的工具，封装了你的"独家能力"，查数据库、调 API、操作文件等。
交互流程很清晰：Host 启动时，Client 通过配置找到 Server，获取能力列表（list_tools）。用户发指令，Host 把问题加工具列表发给 LLM。LLM 分析后，决定调用哪个工具，生成符合 Schema 的参数。Client 把调用请求发给 Server，拿到结果返回给 LLM。最后 LLM 整合结果展示给用户。这就是 MCP 的"解耦"和"复用"价值：你写一次工具，所有支持 MCP 的客户端都能用，不用给每个平台重写胶水代码。
二、生态全景：不只有 Claude，国内也已经开卷
很多人以为 MCP 只为 Claude 服务，其实它的野心远不止于此。到 2026 年，MCP 生态已经覆盖了主流大厂、开源框架和创意应用。
微软官方出了 MCP Server 合集，覆盖 Azure、GitHub、Teams 等产品。阿里云也在博客里展示了 Grafana MCP Server 开发实例，用 MCP 让大模型直接返回 Dashboard 实时图片和列表。LangChain 推出了 langchain-mcp-adapters，可以直接把 MCP Server 的 tools 转成 LangChain Tool 对象，老牌框架无缝接入新协议。客户端方面，Cherry Studio 1.1.2 已经内置 MCP 支持，Cline（VS Code 插件）可以充当 Host，甚至 Unity 引擎通过 Codex 配置 MCP，让 AI 在游戏里操作场景对象。
掘金上《2026 年最佳 MCP 服务器完全指南》 列出了从知识获取、代码生成到自动化运维的数十个生产级 Server，强调"不要把它们当玩具，这是给 Agent 提供结构化访问的生产工具"。找 Server 就去三个地方：GitHub 官方仓库、awesome-mcp-servers 列表、glama.ai 市场。
现在入局不算晚。你不需要再为每个大模型平台单独写插件，把核心能力封装成 MCP Server，就能一次性接入所有主流 Host。
三、实战：从零写一个能跑的 MCP Server
下面用 Python 实现一个极简的 MCP Server，叫 math-tutor，提供两个工具：add 和 multiply。代码基于官方 mcp Python 库，完整可运行，适合 3.10+ 环境。
1. 环境准备：用 uv 管理项目
用 uv 省心：
# 安装 uv（如果没有）
curl -LsSf https://astral.sh/uv/install.sh | sh
# 创建项目
uv init math-tutor
cd math-tutor
uv add mcp[cli]2. 核心代码：server.py
import asyncio
from mcp.server import Server, NotificationOptions
from mcp.server.models import InitializationCapabilities
from mcp.server.stdio import stdio_server
from mcp.types import Tool, TextContent
server = Server("math-tutor")
@server.list_tools()
async def handle_list_tools() -> list[Tool]:
"""告诉 Host 我能干什么"""
return [
Tool(
name="add",
description="计算两个数字的和",
inputSchema={
"type": "object",
"properties": {
"x": {"type": "number", "description": "第一个加数"},
"y": {"type": "number", "description": "第二个加数"}
},
"required": ["x", "y"]
}
),
Tool(
name="multiply",
description="计算两个数字的乘积",
inputSchema={
"type": "object",
"properties": {
"a": {"type": "number", "description": "乘数"},
"b": {"type": "number", "description": "被乘数"}
},
"required": ["a", "b"]
}
)
]
@server.call_tool()
async def handle_call_tool(name: str, arguments: dict) -> list[TextContent]:
"""执行具体工具"""
if name == "add":
result = arguments["x"] + arguments["y"]
return [TextContent(type="text", text=f"结果是 {result}")]
elif name == "multiply":
result = arguments["a"] * arguments["b"]
return [TextContent(type="text", text=f"结果是 {result}")]
else:
raise ValueError(f"未知工具: {name}")
async def main():
async with stdio_server() as (read_stream, write_stream):
await server.run(
read_stream,
write_stream,
InitializationCapabilities(
sampling={},
experimental={},
),
notification_options=NotificationOptions()
)
if __name__ == "__main__":
asyncio.run(main())3. 配置启动
修改 pyproject.toml，添加执行入口：
[project.scripts]
math-tutor = "server:main"然后 uv run math-tutor 就可以跑起来。现在需要一个 Host 来测试。
4. 用 MCP Inspector 测试
官方提供了调试工具 Inspector，不需要自己写客户端：
npx @anthropic-ai/mcp-inspector uv run math-tutor浏览器打开给出的地址，就能看到 Server 暴露的工具列表，点 add 输入参数，立刻看到返回结果。这比在 Claude Desktop 里反复重启调试高效得多。
5. 接入 Claude Desktop（或其他 Host）
编辑 claude_desktop_config.json（通常在 ~/Library/Application Support/Claude/ 下）：
{
"mcpServers": {
"math-tutor": {
"command": "uv",
"args": ["run", "math-tutor"]
}
}
}重启 Claude Desktop，在对话框输入"用数学助手帮我算 3.14 乘以 2.5"，它就会自动调用你的 Server 并返回结果。
你不需要写任何 HTTP 路由、JSON 解析、认证逻辑，MCP 框架把通信层全包了，你只需要专注在 call_tool 里实现业务逻辑。
四、进阶：对接真实业务，以 Grafana 为例
写一个玩具 Server 只是第一步，真正有用的是把企业内部系统封装成 MCP Server，让 AI 能直接操作。阿里云云原生团队的文章 MCP Server 开发实战｜大模型无缝对接 Grafana 给出了一个好示范：让大模型通过 MCP 返回 Grafana 的 Dashboard 列表和实时曲线图。
核心思路：你的 call_tool 里调用 Grafana API（用 API Key 认证），获取 JSON 数据，然后按需处理。比如 list_dashboards 工具返回面板列表，get_dashboard_image 工具调用 Grafana 的渲染 API 返回图片 URL。当用户说"显示应用监控大盘"，AI 就能直接拿出图片，而不是只给一串 ID。
实战要点：
- 工具描述（
description）一定要写得足够详细，因为 LLM 靠它来决定什么时候调用你。比如："获取指定 Grafana 面板的实时截图，需要提供 dashboardUid、panelId 和时间范围。" - 参数 Schema 严格定义，
required字段要准确，否则 LLM 可能会漏传关键参数。 - 安全性：如果涉及敏感数据，考虑使用只读 API Key，并限定作用域（如仅允许查看指定 Dashboard）。建议分三步走：第一步只读服务，第二步狭窄范围，第三步完整日志，逐步放开权限。
五、避坑与选型：别让 MCP 变成新累赘
工具描述是写给 LLM 看的。 很多开发者习惯在描述里写"这是一个加法工具"，这等于没写。LLM 需要足够多的上下文来判断何时调用你。正确的写法："计算两个数字的和，适用于需要算术运算的场景，比如用户问'1+2 等于几'或'把 3 和 5 加起来'。"
一个 Server 一个职责。 别把数据库查询、文件操作、邮件发送全塞到一个 Server 里。MCP 的每个 Server 应该是正交的，职责单一，方便组合，也方便权限控制。
不要忽略传输层选择。 MCP 支持多种传输：stdio（适用于本地进程）、HTTP（Streamable HTTP，支持流式输出）。本地开发调试用 stdio 最方便，要暴露给远程团队或生产环境，就需要用 HTTP 模式，并加上认证。新规范已经在推进更安全的流式传输，值得关注。
参考来源