MCP (Model Context Protocol) 模型上下文协议详解

2024年11月14日，凌晨3点47分。

我站在两个AI Agent之间，它们互相瞪着对方，就像两个只会说方言的人试图交流。一个说"给我调个API"，另一个回"收到，正在搜索函数..."然后陷入沉默。

那一刻我意识到：这世界上缺的从来不是AI，而是一种让它们能听懂彼此的语言。于是Anthropic站了出来，说："Let there be MCP."

📖 什么是 MCP？

MCP (Model Context Protocol)，翻译过来叫"模型上下文协议"，是Anthropic在2024年底推出的开源协议标准。

用通俗的话说：它是AI Agent世界的"USB-C接口"。就像你的手机、电脑、耳机都能用USB-C充电一样，MCP让不同的AI工具、数据源、外部服务能用统一的标准语言交流。

        🎯 一句话理解：MCP让AI能轻松连接外部世界，无需为每个工具写一堆适配代码。
      

以前，如果你想让AI读取GitHub仓库、查询数据库、发送Slack消息，你得为每个服务写专门的集成代码。现在有了MCP，只需配置一个服务器地址，AI就能像访问本地文件一样访问这些资源。

⚙️ 工作原理

MCP采用客户端-服务器架构：

核心组件

MCP 客户端：AI应用（如Claude Desktop、OpenClaw）内置MCP客户端
MCP 服务器：提供特定功能的连接器（文件系统、数据库、API等）
传输层：stdio或SSE进行通信

通信流程

AI: "我要读取这个GitHub仓库的最新提交"
  ↓
MCP 客户端 → 发送请求给 GitHub MCP Server
  ↓
GitHub MCP Server → 调用 GitHub API
  ↓
返回标准化数据格式 → MCP 客户端
  ↓
AI: "收到了，最新提交是'Fix bug in auth module'"
      

整个过程对AI来说是透明的，它不知道也不关心GitHub API长什么样，只管发请求收数据。

🔥 OpenClaw 实战应用

OpenClaw原生支持MCP，你可以在配置文件中轻松添加MCP服务器：

1. 配置文件示例

# ~/.openclaw/config.yaml
mcp:
  servers:
    # 文件系统访问
    filesystem:
      command: npx
      args: ["-y", "@modelcontextprotocol/server-filesystem", "/home/user/docs"]
    
    # GitHub 集成
    github:
      command: npx
      args: ["-y", "@modelcontextprotocol/server-github"]
      env:
        GITHUB_PERSONAL_ACCESS_TOKEN: "your-token-here"
    
    # PostgreSQL 数据库
    postgres:
      command: npx
      args: ["-y", "@modelcontextprotocol/server-postgres", "postgresql://localhost/mydb"]
      

2. 在 Agent 中使用 MCP 工具

# SKILL.md - 定义skill时直接使用MCP工具
---
name: github_analyzer
description: "分析GitHub仓库并提供代码审查建议"
tools:
  - github/read_file
  - github/list_repositories
  - github/search_code

handler: |
  使用GitHub MCP工具读取代码，分析代码质量，
  返回详细的审查报告和改进建议。
      

3. 实际对话示例

用户：帮我看看OpenClaw仓库最近有什么重要更新

AI：（自动调用github MCP工具）正在查询...

AI：过去一周有23个commit，主要更新包括：新增MCP支持、优化sub-agent性能、修复了3个安全漏洞...

💡 代码示例：自建 MCP 服务器

想把自己的服务变成MCP服务器？其实很简单：

// 使用 @anthropic-ai/mcp 包创建MCP服务器
import { Server } from '@anthropic-ai/mcp';

const server = new Server({
  name: 'my-custom-server',
  version: '1.0.0'
});

// 定义工具
server.addTool({
  name: 'fetch_user_data',
  description: '获取用户数据',
  parameters: {
    userId: { type: 'string', description: '用户ID' }
  },
  handler: async ({ userId }) => {
    const data = await db.users.findById(userId);
    return { 
      content: [{ type: 'text', text: JSON.stringify(data) }] 
    };
  }
});

server.start();
      

✅ 优缺点分析

✅ 优点	❌ 局限
标准化接口，一次编写到处运行丰富的生态（GitHub、Slack、Postgres等）类型安全，自动参数验证支持流式响应社区活跃，生态快速增长	目前主要是Anthropic主导需要Node.js环境运行部分服务器某些服务的Token管理需手动配置文档还在完善中

🎯 最佳实践

安全第一：敏感服务的Token用环境变量管理，别写死在配置里
按需加载：别把所有MCP服务器都打开，按需启用减少资源占用
错误处理：MCP服务器可能挂，Agent要有降级方案
权限控制：文件系统MCP要限制访问路径，别让AI能读到/etc/passwd

📚 相关资源

🎬 写在最后

MCP就像是AI世界的瑞士军刀接口。2025年，它正在快速成为AI集成的标准。如果你还在写一堆胶水代码来连接AI和外部服务，不妨试试看MCP——它可能让你省下80%的集成时间。