模型-语境-协议 (MCP)：释放大模型的无限潜能

人工智能助手是否常常让你感到受限于一个数字沙箱？你希望它能总结桌面上的文档，却被告知无法访问本地文件；或者你希望强大的大模型不仅仅是聊天，而是能执行脚本或从私有 API 获取数据。这些限制如今可以通过 模型-语境-协议 (MCP) 来解决。

MCP（Model-Context-Protocol）是由 Anthropic 创建的开源协议，旨在安全有效地为你的大模型提供其一直缺失的语境和工具。就像 USB-C 为设备连接各种外围设备和配件提供标准化方式一样，MCP 提供了一种标准化方式，将 AI 模型连接到不同的数据源和工具。它将你的 AI 从被动的对话者转变为工作流程中的积极参与者，是时候打破 AI 的枷锁了！

MCP：AI 的通用接口

MCP 的核心在于其作为“通用协议”的角色。想象一下，你的大模型就像一位拥有强大脑力的专家，但却缺乏实际操作工具和对周边环境的感知。MCP 就像一个通用的适配器，允许这个专家与各种工具和数据源进行交互。

具体来说，MCP 采用标准的客户端-服务器架构。你正在使用的应用程序（例如文本编辑器或桌面应用程序）充当客户端，该客户端可以连接到一个或多个专用服务器。这些服务器提供 LLM 可以使用的“工具”或“上下文”。例如，你可以将 VS Code 或 Cursor 这样的文本编辑器作为 MCP Host，通过 MCP Client 管理与 MCP Server 的连接，将 LLM 的意图转化为服务器能够理解的请求。

例如，假设你想让你的大模型阅读并分析一份本地的 CSV 文件。如果没有 MCP，大模型只能依赖你手动复制粘贴文件内容，这既繁琐又容易出错。有了 MCP，你就可以创建一个 MCP Server，专门负责读取文件，并将文件内容以结构化的方式传递给大模型。这样，大模型就能够直接处理原始数据，进行更深入的分析和更准确的回答。

构建 MCP Server：让你的大模型“读懂”文件

理解 MCP 的最佳方式是动手构建一个简单的服务器。让我们使用 Python 创建一个 MCP Server，该服务器可以读取本地文件的内容。这将使我们的大模型能够在我们需要时从我们的机器读取文件，这是一项基本且非常有用的技能。

根据文章中的示例代码，我们可以创建一个名为 file_reader.py 的 Python 文件，并添加以下代码：

import os
from pathlib import Path
from typing import Optional
from mcp.server.fastmcp import FastMCP, Context

# Initialize FastMCP server
mcp = FastMCP("file_reader")

@mcp.tool()
async def get_file_content(
    file_path: str,
    encoding: str = "utf-8",
    max_size_mb: int = 10,
    ctx: Optional[Context] = None
) -> str:
    """
    Read and return the content of a file from the specified path.

    Args:
        file_path: The absolute or relative path to the file to read
        encoding: Text encoding to use when reading the file (default: utf-8)
        max_size_mb: Maximum file size allowed in megabytes (default: 10MB)
        ctx: FastMCP context for logging and progress reporting

    Returns:
        The content of the file as a string

    Raises:
        FileNotFoundError: If the file doesn't exist
        PermissionError: If there are insufficient permissions to read the file
        ValueError: If file is too large or other validation errors
    """
    if ctx:
        await ctx.info(f"Reading file: {file_path}")
    try:
        # Convert to Path object for better path handling
        path = Path(file_path)

        # Check if file exists
        if not path.exists():
            error_msg = f"File not found: {file_path}"
            if ctx:
                await ctx.error(error_msg)
            raise FileNotFoundError(error_msg)

        # Check if it's actually a file (not a directory)
        if not path.is_file():
            error_msg = f"Path is not a file: {file_path}"
            if ctx:
                await ctx.error(error_msg)
            raise ValueError(error_msg)

        # Check file size
        file_size_bytes = path.stat().st_size
        max_size_bytes = max_size_mb * 1024 * 1024

        if file_size_bytes > max_size_bytes:
            error_msg = f"File too large: {file_size_bytes / (1024*1024):.2f}MB exceeds limit of {max_size_mb}MB"
            if ctx:
                await ctx.error(error_msg)
            raise ValueError(error_msg)

        if ctx:
            await ctx.info(f"File size: {file_size_bytes / 1024:.1f} KB")

        # Read the file content
        try:
            with open(path, 'r', encoding=encoding) as file:
                content = file.read()

                if ctx:
                    lines_count = content.count('\n') + 1
                    chars_count = len(content)
                    await ctx.info(f"Successfully read file: {lines_count} lines, {chars_count} characters")

                return content

        except UnicodeDecodeError as e:
            error_msg = f"Failed to decode file with encoding '{encoding}': {str(e)}"
            if ctx:
                await ctx.error(error_msg)
            raise ValueError(error_msg)

        except PermissionError as e:
            error_msg = f"Permission denied reading file: {file_path}"
            if ctx:
                await ctx.error(error_msg)
            raise PermissionError(error_msg)
    except Exception as e:
        error_msg = f"Unexpected error reading file: {str(e)}"
        if ctx:
            await ctx.error(error_msg)
        raise

# Main execution block
if __name__ == "__main__":
    mcp.run(transport="stdio")

这段代码定义了一个名为 get_file_content 的工具，它接收文件路径作为输入，并返回文件内容。通过使用 FastMCP 库，我们可以轻松地将此函数转换为 MCP Server。

测试与集成：让你的大模型“用起来”

在将 MCP Server 集成到你的大模型之前，对其进行测试至关重要。 MCP SDK 提供了 MCP Inspector 来测试 MCP 服务器上的所有功能是否正常工作。通过 MCP Inspector，您可以列出工具、输入所需的参数，并验证结果是否符合预期。

完成测试后，您可以将 MCP Server 添加到您喜欢的 AI 助手（确保它支持 MCP）。对于 VS Code，您可以在 settings.json 文件中添加以下配置：

"mcp": {
  "file-reader": {
    "command": "uv",
    "args":[
      "run",
      "--with",
      "mcp[cli]",
      "mcp",
      "run",
      "your-full-path/file_reader.py"
    ]
  }
}

配置完成后，您就可以在 GitHub Copilot chat 部分（使用 agent mode）中使用该服务器。例如，您可以要求 Copilot 读取一个文件并进行总结，它将能够通过 MCP Server 读取文件内容并完成任务。

MCP 生态系统：无限的可能性

你无需从头开始构建每个工具。作为一个开放标准，MCP 鼓励开发者社区构建和共享服务器。这意味着你可以利用现有的 MCP Server，快速扩展你的大模型的能力。

例如，目前已经存在一些流行的 MCP Server，包括：

文件系统工具：允许 大模型 列出目录、创建文件和搜索整个项目。
GitHub：允许 大模型 管理您的存储库、审查 PR 等。
Context7：你的文档 LLM 伙伴，允许你的 LLM 使用更新的文档。
Memory：允许 LLM 记住所有聊天历史记录或上下文。
Sequential Thinking: 通过思维序列进行动态问题解决。

这些 MCP Server 为 大模型 提供了访问各种数据源和工具的能力，从而解锁了新的应用场景。

例如，借助 GitHub MCP Server，你可以让 大模型 帮你审查代码，并根据代码库的风格和最佳实践提出修改建议。或者，你可以使用文件系统工具，让 大模型 在你的项目文件中查找特定的信息，从而加速开发过程。

MCP 的技术细节：传输层与 JSON-RPC

MCP 具有灵活性，并支持两种主要的传输方法：

Stdio 传输：使用程序的标准输入 (stdin) 和标准输出 (stdout) 进行通信。它简单、高效，非常适合在本地机器上运行工具。
可流式 HTTP 传输：使用 HTTP Server-Sent Events (SSE) 从服务器向客户端流式传输数据，并使用标准 HTTP POST 请求进行客户端到服务器的消息传递。这非常适合需要通过网络访问的工具。

无论使用哪种传输方式，所有通信都使用 JSON-RPC 2.0 标准，确保消息结构化、可靠且通用。JSON-RPC 确保客户端和服务器可以以标准化的方式进行通信，而无需关心底层的传输细节。这简化了 MCP Server 的开发和集成过程。

MCP 的未来：交互式 AI 的新时代

模型-语境-协议不仅仅是另一个工具；它是人机交互未来的蓝图。它弥合了 大模型 的抽象智能与我们的个人数据和应用程序的具体、语境丰富的世界之间的关键差距。

通过为模型提供安全和标准化的工具访问方式，MCP 开启了一类新的功能。你的 大模型 可以成为真正的助手——它不仅提供信息，还积极帮助你在自己的环境中完成工作。

下一次你希望你的 AI 可以做更多的事情时，请记住 MCP。提升你最喜欢的 LLM 的力量，从字面上看，就在你手中。

模型-语境-协议 (MCP)：释放大模型的无限潜能