小白10分钟上手MCP：理论+实操，给你的AI加点料！（附详细教程）

哈喽，大家好，我是狗哥！

这是Ai Coding系列的又一篇干货，今天咱们来聊一聊如何通过MCP让AI变得更加强大。

前言

虽然之前狗哥已经写了好几篇介绍MCP工具的文章，但是基本都是直接介绍如何配置使用，太偏实践，会让大家有种知其然，不知其所以然的感觉。

所以本文将先尽量用相对通俗的语言和图形介绍基本的理论，然后通过实操开发一款自定义MCP工具，让大家能更好地理解和掌握 MCP。

什么是MCP？

模型上下文协议（MCP） ，听起来好像挺唬人的，但是简单来说大家可以认为它其实就是 AI 应用程序的USB端口，为 AI 模型连接不同数据源和工具提供了标准化方法。

从技术角度来看，MCP 采用经典高效的客户端-服务器架构，通过标准化协议实现 LLM 与外部资源的高效互联，其中主机应用可以连接到多个服务器。

其通常包含三个部分：

• • MCP Host： 它代表的是需求方，是 MCP Client 的运行时环境，负责协调用户、LLM 与外部资源之间的交互。代表任何提供 AI 交互环境的应用程序(如 Claude 桌面版、Cursor)
• • MCP Client： Host 内部负责与 MCP Server 交互的组件。Client 由 Host 创建并与 Server 建立一对一的有状态会话，会将 Host 的请求转换为符合 MCP 标准的消息发送给 Server，再将 Server 的响应解析为 Host 可以理解的格式。
• • MCP Server： 暴露特定功能给LLM并提供数据访问。这里指的能力可以是读取本地磁盘文件，写入本地数据库，查询天气/股票价格等等，但 Server 不是能力/资源本身，Server 是通过统一的标准协议将能力对外暴露的代理。

上面三个部分，咱们可以看出MCP Server 是其中的关键部分，而Server 本身对外暴露的能力又分为三种：

• • Resources： 向 LLM 公开服务器中的数据和内容。一般是静态或者半动态的原始数据，这些数据可以直接被 LLM 理解并放在上下文中用于推理。比如是日志或配置等基础信息，类似于一个只读的文件或者数据库。
• • Tools： 使 LLM 能通过Server执行操作。当 LLM 将用户需求拆分为多个具体的子步骤时，可以通过调用 Tools 实现其中的一步或者多步，可以是写入数据库的操作，可以是基于敏感信息进行计算然后输出脱敏信息。
• • Prompts： 可复用的 LLM 提示模板。通常 LLM 在处理不同任务时会使用预定义的 Prompt 模板进行引导，但当处理一些私域场景时可能需要一些特化逻辑，比如输入/输出格式或上下文片段等，这些逻辑可以固化为 Prompts 保存在 MCP Server 中。

另外 MCP Server 的通信方式也有多种，这里咱们主要介绍两种：基于标准输入输出（stdio）的本地通信和基于SSE（Server-Sent Events）的远程通信。

• • 本地通信：通过 stdio 传输数据，适用于在同一台机器上运行的客户端和服务器之间的通信，最常见的是命令行调用Command。这种通信方式需要咱们将代码下载到本地后在配置执行，对新手可能不太友好。

• • 远程通信：利用 SSE 与 HTTP 结合，实现跨网络的实时数据传输，适用于需要访问远程资源或分布式部署的场景。这种配置起来最简单。

MCP 相比传统 API 的优势

看到这里，估计有人要问了："这不就是API调用吗？有啥新鲜的？"

嘿，这问题问到点子上了！咱们来举个例子哈：

传统API的痛点：

比如你现在有一个天气API，最初只需要两个参数(例如位置和日期)，应用程序会携带这两个参数进行请求，然后收到响应结果。

但是如果API需要添加第三个必需参数，那么应用程序就必须更新代码以包含新参数。如果不更新，请求可能失败、返回错误或提供不完整结果。

MCP的优势：

MCP相对来说就灵活了很多，当客户端(如 Cursor)连接到 MCP 服务器时，它会发送初始请求以了解服务器的能力。

这里可以理解为每次请求时客户端都会问一句 : "兄弟，你现在支持什么功能？"

这样就算功能升级了，也无需我们人工干预，可以直接无缝链接。

MCP 是怎么干活的？

整个流程其实很简单：

1. 1. 用户提出问题
2. 2. AI 选择合适的MCP工具
3. 3. 征求用户同意（可设置自动同意）
4. 4. 调用MCP服务执行任务
5. 5. 返回结果给AI

6. 6. AI整理答案给用户

实战：自己动手做个MCP服务

说了这么多，是不是已经跃跃欲试了？来，跟着狗哥实际操作一波！

文档准备

在开始之前，收集必要的文档来帮助大模型理解 MCP：

官方文档： 直接去 https://modelcontextprotocol.info/llms-full.txt 把整个文档复制下来

选择 SDK： 复制 README 文件和其他相关文档

• • TypeScript： MCP TypeScript SDK
• • Python： Python SDK

环境准备： 将上面的文档粘贴到你与大模型的对话中；我这里直接使用Cursor进行开发。

开发你的MCP服务

接下来，你需要向AI说清楚你想要啥功能的MCP。大家可以从如下几点进行描述：

• • 你的服务器将暴露哪些资源

• • 它将提供什么工具

• • 它应该提供什么提示

• • 它需要与哪些外部系统交互

这里狗哥来演示开发一个能操作本地数据库的MCP：

  

    
     
       
       
       
       
     
     构建一个 MCP 服务器，它能：- 连接到我本地的数据库- 将表结构作为资源暴露- 提供运行只读 SQL 查询的工具
    

接下来把需求丢给Cursor，让它开始给你打工吧。

测试和调试

代码出来以后，咱们按文档跑一下，如果没生成的话，可以让cursor帮你生成一份详细的markdown文档。

如果有问题的话，也可以让Cursor帮我们处理。

很好，上来就给我报错了。

问题不大，谁写的bug谁解决。咱们直接把错误日志扔给Cursor，它会帮我们解决的 。几轮调试下来后：

搞定！服务器跑起来了。

配置Cursor使用你的MCP服务

最后一步，在Cursor中配置你的MCP服务：

配置完成后，让我们来试试效果：

完美~从此以后，我的Cursor也能直接帮我操作数据库了。

写在最后

其实狗哥第一次接触MCP的时候，也觉得这玩意儿太复杂了。但是现在呢？MCP简单吧？相信大家现在应该都能有个大致的认识了。

现在轮到你了，快按照上面的教程动手开发一个自己的MCP服务试试呢，让你的AI助手变得更加强大。

如果这篇文章对你有帮助，不知道大家能否点个关注，顺便给我个三连击：点赞、转发和再看。有什么问题也欢迎在评论区留言，我会一一回复的～

我是狗哥，关注我获得更多优质内容。