MCP协议助力AI实现外部世界连接

在人工智能快速进步的当下，大型语言模型 (LLM) 正在从基础的“对话机器人”进化为能独立处理复杂任务的“智能体” (Agent)。这一进化的关键点在于怎样使LLM动态获取训练数据之外的知识，以及怎样安全、高效地与外部环境互动，比如访问数据库、调用API、操作文件系统等。

MCP(Model Context Protocol)协议应运而生，由Anthropic在2024年11月发布，为LLM与外部数据、应用之间的通信提供一种安全且标准化的协议。作为桥梁，MCP使 AI 成为一个能够检索最新信息并执行各类操作的动态智能体，并迅速在各大互联网公司和云服务厂商间得到广泛的运用。

本文将深入MCP协议的底层原理，并结合FastMCP框架，带大家从0~1快速搭建一个MCP Server。

MCP采用Client-Server架构，其中MCP Host(类似Cursor,Claude Code,OpenClaw等 AI 应用)基于各类需要与MCP服务器发起请求。MCP Host针对每个MCP Server创建一个MCP Client，每个客户端与其对应的服务器保持专属连接。

MCP基于JSON-RPC 2.0交换协议，该协议定义了消息结构和语义。主要包括会话生命周期管理，服务器功能标准，客户端功能标准，以及其他额外功能 (如实时更新通知，长时间运行进度跟踪)。

通信传输模式：

整个过程的关键在于：MCP把“工具发现+工具调用”标准化为JSON-RPC协议，LLM只负责 “用哪个工具、传什么参数、怎么串起来”，具体能力则由各MCP Server独立提供，做到即插即用、多源协同。

MCP和检索增强生成 (RAG)都通过外部信息来增强LLM，但方式不同，目的各异。RAG主要用于多路信息检索让LLM更准确的生成结果，而MCP是一个更广泛的交互与操作执行，不局限为获取更多信息以增强LLM上下文。

MCP对比技能 (Skills): MCP让LLM连接到外部服务和数据源。Skills提供程序性知识–关于如何完成特定任务或工作流程的指令。可以将两者结合使用：MCP连接为LLM提供工具访问，而技能则教LLM如何有效使用这些工具。

FastMCP是一个基于Python构建的MCP应用标准框架，底层支持STDIO, Streamable-HTTP等多种通信方式，以及Sync与Async运行模式。在覆盖几乎所有MCP标准方法的同时，也支持类似FastAPI的中间件加载，依赖注入等功能。使用FastMCP，可快速搭建属于自己的MCP Server，以用于提供多种自定义服务给AI Agent。

完整类别与方法可参考官网：https://gofastmcp.com/servers/

例如作者创建一个名为useful-mcp的服务，基于Python 3.14，FastMCP 3.2.0，以及pydantic，pydantic-settings等 (具体Python项目创建规范可参考从“能用”到“好用”: Python项目最新实战指南)。该MCP服务提供对AWS S3Bucket的文件罗列，读取，和写入等操作。

工具方法：

MCP中间件：

FastMCP启动：

启动成功后，Terminal会呈现FastMCPBanner

HTTP POST请求 http://localhost:8000/mcp 会有对应返回

此外，FastMCP还提供很多开箱即用的交互式UI插件，有助于快速实现MCP服务管理，监控等各式各样的能力。[https://gofastmcp.com/apps/overview]

MCP Server验证有效 (或部署远端服务器)后，可注册到本地Agent使用。作者本地简单对话一般使用Cherry Studio

结合LLM对话/使用效果：

一句话总结：MCP让AI拥有了"手脚"，而FastMCP让搭建这座桥梁变得像写FastAPI一样简单。目前市场上已有很多MCP服务提供使用，可以在https://mcpservers.org,https://mcp.so尝试寻找自己需要的功能。不过，使用前请务必验证MCP工具的安全性与可靠性，以及数据隐私问题，以避免对话信息或关键数据泄露。此外，作者将陆续推出🤖AIAgent搭建，📜Skill编写，📊特征分析等大厂实战贴，敬请期待！🔔