缪斯：MCP 协议重磅发布：智能体开发迎来全新变革

缪斯：MCP 协议重磅发布：智能体开发迎来全新变革 缪斯：MCP 协议重磅发布：智能体开发迎来全新变革 Modified April 7, 2025 Code block Python Copy 这里，uv会自动识别当前项目主目录，然后自动创建虚拟环境。 现在，我们通过add方法在虚拟环境中安装相关的库。 注意：如果网络问题，安装依赖失败，可以更改镜像源，或者使用科学上网工具。 Code block Python Copy 安装 MCP依赖包 uv add mcp 新增client所需依赖 后面，为了支持调用大模型，读取env环境变量中的API KEY等信息，需要先安装如下依赖： Code block Python Copy uv add mcp openai python dotenv 接入硅基流动的免费大模型 创建env文件 env文件用来存放大模型API Key等配置信息： Code block Python Copy BASE URL=https://api.siliconflow.cn/v1 MODEL=Pro/deepseek ai/DeepSeek V3 API KEY="你的API KEY" 编写MCP客户端 具体也可以参考官方示例：https://modelcontextprotocol.io/quickstart/client 客户端代码如下： Code block Python Copy import asyncio import os from openai import OpenAI from dotenv import load dotenv from contextlib import AsyncExitStack 加载 .env 文件 load dotenv() class MCPClient: def init (self): """初始化 MCP 客户端""" self.exit stack = AsyncExitStack() self.openai api key = os.getenv("API KEY") 读取 OpenAI API Key self.base url = os.getenv("BASE URL") 读取 BASE URL self.model = os.getenv("MODEL") 读取模型 if not self.openai api key: raise ValueError("未找到 API KEY. 请在 .env 文件中配置 API KEY") self.client = OpenAI(api key=self.openai api key, base url=self.base url) async def process query(self, query: str) str: """调用 OpenAI API 处理用户问题""" messages = [ {"role": "system", "content": "你是一个智能助手，帮助用户回答问题。"}, {"role": "user", "content": query} ] try: 调用大模型API response = await asyncio.get event loop().run in executor( None, lambda: self.client.chat.completions.create(model=self.model, messages=messages) ) return response.choices[0].message.content except Exception as e: return f"调用模型API时出错: {str(e)}" async def chat loop(self): """运行交互式聊天循环""" print("MCP 客户端已启动！输入 'exit' 退出") while True: try: query = input("问: ").strip() if query.lower() == 'exit': break response = await self.process query(query) print(f"AI回复: {response}") except Exception as e: print(f"发生错误: {str(e)}") async def clean(self): """清理资源""" await self.exit stack.aclose() async def main(): client = MCPClient() try: await client.chat loop() finally: await client.clean() if name == " main ": asyncio.run(main()) 运行client，测试大模型是否连接成功 Code block Plain Text Copy uv run client.py MCP服务端 创建服务端文件 server.py： Code block Python Copy from mcp.server.fastmcp import FastMCP 初始化FastMCP服务器 mcp = FastMCP("filesystem") @mcp.tool() async def create file(file name: str, content: str) str: """ 创建文件 :param file name: 文件名 :param content: 文件内容 :return: 创建成功消息 """ try: with open(file name, "w", encoding="utf 8") as file: file.write(content) return f"文件'{file name}'创建成功" except Exception as e: return f"创建文件失败: {str(e)}" @mcp.tool() async def read file(file name: str) str: """ 读取文件内容 :param file name: 文件名 :return: 文件内容或错误消息 """ try: with open(file name, "r", encoding="utf 8") as file: return file.read() except FileNotFoundError: return f"文件'{file name}'未找到" except Exception as e: return f"读取文件失败: {str(e)}" @mcp.tool() async def write file(file name: str, content: str) str: """ 写入文件内容 :param file name: 文件名 :param content: 文件内容 :return: 写入成功消息 """ try: with open(file name, "w", encoding="utf 8") as file: file.write(content) return f"文件'{file name}'写入成功" except Exception as e: return f"写入文件失败: {str(e)}" if name == " main ": 以标准 I/O 方式运行 MCP 服务器 mcp.run(transport="stdio") 服务端代码详解 服务端代码的逻辑主要是： 初始化服务 启动一个名为 filesystem 的MCP服务 Code block Plain Text Copy mcp = FastMCP("filesystem") 创建tool方法 通过@mcp.tool()装饰器注册三个 MCP 服务器工具：read file 、write file，create file，能够被客户端调用。 注意：方法注释一定要写上，内容包含：tool的功能，入参，出参，他是服务端tool的说明书，是大模型能否成功调用该方法的关键。 服务端入口代码 以标准 I/O 方式运行 MCP 服务器 Code block Plain Text Copy mcp.run(transport="stdio") 通过 mcp.run(transport='stdio') 启动 MCP 服务器，采用标准 I/O 通信方式，等待客户 端调用，适合客户端和服务端在同一台电脑上通信。 stdio 模式是一种本地进程间通信（IPC，Inter Process Communication）的方式，它需要服务端程序作为子进程运行，并通过标准输入输出 （ stdin / stdout ）进行数据交换。 因此，当我们指定 transport='stdio' 运行 MCP 服务器时，需要先启动服务端程序server.py ，然后再启动客户端程序 client.py 。 这样客户端才能和服务端通信。 启动服务 我们可以在启动一个命令行运行服务端程序： Code block Python Copy 这里，uv会自动识别当前项目主目录，然后自动创建虚拟环境。 现在，我们通过add方法在虚拟环境中安装相关的库。 注意：如果网络问题，安装依赖失败，可以更改镜像源，或者使用科学上网工具。 新增client所需依赖 后面，为了支持调用大模型，读取env环境变量中的API KEY等信息，需要先安装如下依赖： 接入硅基流动的免费大模型 创建env文件 env文件用来存放大模型API Key等配置信息： 编写MCP客户端 具体也可以参考官方示例：https://modelcontextprotocol.io/quickstart/client 客户端代码如下： 运行client，测试大模型是否连接成功 MCP服务端 创建服务端文件 server.py： 服务端代码详解 服务端代码的逻辑主要是： 初始化服务 启动一个名为 filesystem 的MCP服务 创建tool方法 通过@mcp.tool()装饰器注册三个 MCP 服务器工具：read file 、write file，create file，能够被客户端调用。 注意：方法注释一定要写上，内容包含：tool的功能，入参，出参，他是服务端tool的说明书，是大模型能否成功调用该方法的关键。 服务端入口代码 以标准 I/O 方式运行 MCP 服务器 通过 mcp.run(transport='stdio') 启动 MCP 服务器，采用标准 I/O 通信方式，等待客户 端调用，适合客户端和服务端在同一台电脑上通信。 stdio 模式是一种本地进程间通信（IPC，Inter Process Communication）的方式，它需要服务端程序作为子进程运行，并通过标准输入输出 （ stdin / stdout ）进行数据交换。 因此，当我们指定 transport='stdio' 运行 MCP 服务器时，需要先启动服务端程序server.py ，然后再启动客户端程序 client.py 。 这样客户端才能和服务端通信。 启动服务 我们可以在启动一个命令行运行服务端程序： 入口方法也要做调整 开头的导入内容也要对应做修改 客户端最终完整代码 更多MCP服务器合集导航地址 号称最大的MCP集合导航站：https://mcp.so/ MCP集合：https://github.com/ahujasid/blender mcp 官方MCP合集：https://github.com/modelcontextprotocol/servers Github热门MCP导航：https://github.com/punkpeye/awesome mcp servers 结语 以上，我们通过一个极其简单的案例，让MCP客户端与服务端进行通信，并成功调用服务端的对应工具，帮我们完成了一件事情。 这意味着，AI可以通过MCP服务完成几乎任何事情，比如：操作电脑本地文件夹，帮我们浏览网页并获取内容存，然后存入本地等等很多场景，想象空间很大，而这一切都是由AI驱动完成的！ MCP的功能远不止此，它还支持SSE传输模式，实现服务器与客户端异地运行；提供Resources类资源接口和Prompt类提示词模板；通过标准化协议促进开发者协作，已有数千服务器可供调用。 快快实战起来吧，何以破局，唯有行动！ MCP是一个典型的CS架构，对于有编程基础的同学来说，很容易理解，因为开发中常见的MySql就是典型的CS架构，程序员日常开发过程中，会经常接触到CS架构的产品。 本文不做太多关于MCP是什么的解释，尽最可能减少无关的噪音，只需要知道，MCP（Model Context Protocol）是一个标准化协议，通过客户端 服务端架构，让AI模型能够安全地调用工具、访问外部数据源，并实时获取信息。 接下来我们通过极简单的案例，带大家手搓一个MCP客户端和服务端代码，来快速了解MCP是什么？：让AI根据你的输入自动规划并调用MCP服务端，给本地电脑创建一个文件，并写入一句话。 如果这个案例你跑通了，你就会对MCP有一个初步的且正确的认知了。后面，你再去看网上其他关于MCP的大段文字科普，或者眼花缭乱的客户端配置MCP服务器的教程，再或者通过Dify等工作流与MCP结合，就会有种拨云见日，一览众山小的感觉。 🎉 昨天晚上，Claude 团队正式发布了 MCP 协议（模型上下文协议，Model Context Protocol），这项协议被称为智能体开发领域的“万能插头”。它不仅支持外部多种类型的数据源和功能模块的无缝接入，还完全开源。这意味着，未来企业和开发者可以基于 MCP 协议，自由构建像 Coze、Dify 或 MetaGPT 这样的智能体框架型中间件平台。本文将带您了解这项协议的核心亮点及其对行业的深远影响。 昨天晚上，Claude 团队正式发布了 MCP 协议（模型上下文协议，Model Context Protocol），这项协议被称为智能体开发领域的“万能插头”。它不仅支持外部多种类型的数据源和功能模块的无缝接入，还完全开源。这意味着，未来企业和开发者可以基于 MCP 协议，自由构建像 Coze、Dify 或 MetaGPT 这样的智能体框架型中间件平台。本文将带您了解这项协议的核心亮点及其对行业的深远影响。 什么是 MCP 协议？ 🎉 MCP 协议的设计初衷是打通智能体构建的“最后一公里”。传统智能体开发往往依赖于封闭平台，如 Coze 或 GPTs。这些平台虽然提供便捷的开发支持，但开发者的 工作流、配置文件和知识产权 依赖于平台方，容易导致隐私泄露或产权纠纷。 MCP 协议的设计初衷是打通智能体构建的“最后一公里”。传统智能体开发往往依赖于封闭平台，如 Coze 或 GPTs。这些平台虽然提供便捷的开发支持，但开发者的 工作流、配置文件和知识产权 依赖于平台方，容易导致隐私泄露或产权纠纷。 🎉 而 MCP 协议 的完全开源模式，彻底解决了这些问题： 1. 自主可控：工作流和数据处理可以完全在本地运行，无需托管在第三方平台。 2. 隐私与安全：不再暴露核心知识产权，开发者可以掌握全局。 3. 高扩展性：通过开放的接口规范，任何工具、数据源或模型都可轻松接入。 而 MCP 协议 的完全开源模式，彻底解决了这些问题： 1. 自主可控：工作流和数据处理可以完全在本地运行，无需托管在第三方平台。 2. 隐私与安全：不再暴露核心知识产权，开发者可以掌握全局。 3. 高扩展性：通过开放的接口规范，任何工具、数据源或模型都可轻松接入。 为什么 MCP 协议是行业的“破局者”？ 🎉 区别于传统 GPTs 平台 GPTs（如 Coze）更多是走封闭生态路线，开发者的知识产权和工作流往往受限于平台。以往，即使有人复制了你的智能体配置文件，你也难以维权。而 MCP 协议则完全开源，授权明晰，开发者拥有绝对的控制权。这种模式更符合现代开发者对 隐私、安全和自主性 的需求。 区别于传统 GPTs 平台 GPTs（如 Coze）更多是走封闭生态路线，开发者的知识产权和工作流往往受限于平台。以往，即使有人复制了你的智能体配置文件，你也难以维权。而 MCP 协议则完全开源，授权明晰，开发者拥有绝对的控制权。这种模式更符合现代开发者对 隐私、安全和自主性 的需求。 🎉 重新定义 Agent 中间件市场 MCP 协议的发布，可能使现有中间件平台的市场空间被极大压缩。随着模型公司直接提供底层协议支持，开发者可以直接基于 MCP 构建场景化应用，而无需依赖中间件平台。这对专注于智能体中间件开发的公司无疑是个重大挑战。 重新定义 Agent 中间件市场 MCP 协议的发布，可能使现有中间件平台的市场空间被极大压缩。随着模型公司直接提供底层协议支持，开发者可以直接基于 MCP 构建场景化应用，而无需依赖中间件平台。这对专注于智能体中间件开发的公司无疑是个重大挑战。 🎉 推动行业分工优化 MCP 协议将模型端和应用端的分工更加明确： • 模型端：专注于训练和优化模型。 • 应用端：基于 MCP 协议，灵活扩展工具和场景化应用。 这种优化有助于提升开发效率，降低重复开发成本。 推动行业分工优化 MCP 协议将模型端和应用端的分工更加明确： • 模型端：专注于训练和优化模型。 • 应用端：基于 MCP 协议，灵活扩展工具和场景化应用。 这种优化有助于提升开发效率，降低重复开发成本。 如何体验 MCP 协议？ 🎉 桌面体验：直接下载官方桌面版本，快速测试协议功能。这是最便捷的方式，适合新手体验。 桌面体验：直接下载官方桌面版本，快速测试协议功能。这是最便捷的方式，适合新手体验。 🎉 自定义 MCP 服务 开发者可以基于 MCP 官方说明，完全自定义自己的服务。这部分是基于 Python 实现的，并且提供了丰富的开发工具和模块，包括： • Tool：支持外部工具扩展。 • Promise：实现任务调度。 • Sample：提供丰富的使用示例。 自定义 MCP 服务 开发者可以基于 MCP 官方说明，完全自定义自己的服务。这部分是基于 Python 实现的，并且提供了丰富的开发工具和模块，包括： • Tool：支持外部工具扩展。 • Promise：实现任务调度。 • Sample：提供丰富的使用示例。 对智能体行业的未来影响 MCP 协议的发布对智能体领域有着深远影响，甚至可以称之为“行业重构”： 🎉 1. 降低开发门槛：任何企业都能基于 MCP 自主开发智能体，无需依赖第三方封闭平台。 2. 推动开源生态繁荣：随着 MCP 的开源协议被广泛采用，全球开发者社区将迎来新一轮创新浪潮。 3. 中间件平台生存空间缩减：由于 MCP 打破了中间件平台的垄断，传统中间件公司的竞争压力将大幅增加。 1. 降低开发门槛：任何企业都能基于 MCP 自主开发智能体，无需依赖第三方封闭平台。 2. 推动开源生态繁荣：随着 MCP 的开源协议被广泛采用，全球开发者社区将迎来新一轮创新浪潮。 3. 中间件平台生存空间缩减：由于 MCP 打破了中间件平台的垄断，传统中间件公司的竞争压力将大幅增加。 🎉 MCP 协议的出现，将智能体开发从封闭走向开放，为开发者提供了更自由、更安全的生态环境。未来，随着更多模型公司加入 MCP 协议生态，智能体行业的格局或将彻底改写。如果你是一名开发者，建议尽早熟悉和应用 MCP 协议，把握这一历史性机遇。 MCP 协议的出现，将智能体开发从封闭走向开放，为开发者提供了更自由、更安全的生态环境。未来，随着更多模型公司加入 MCP 协议生态，智能体行业的格局或将彻底改写。如果你是一名开发者，建议尽早熟悉和应用 MCP 协议，把握这一历史性机遇。 官方项目地址 🎉 • Claude 中文文档：（https://docs.anthropic.com/zh CN/docs/welcome） • Claude 官网：（https://claude.ai/） • MCP 协议 GitHub 项目：（https://github.com/modelcontextprotocol/servers） • Claude 中文文档：（https://docs.anthropic.com/zh CN/docs/welcome） • Claude 官网：（https://claude.ai/） • MCP 协议 GitHub 项目：（https://github.com/modelcontextprotocol/servers） 环境安装 下载并安装python 官网：https://www.python.org/ 这里就不深入讲解如何安装了，不懂的同学网上找找教程。 安装uv 1. uv介绍 MCP开发要求借助uv进行虚拟环境创建和依赖管理。uv 是一个Python 依赖管理工具，采用 Rust 编写， 功能类似于pip，venv，但它更快、更高效，并且可以更好地管理 Python 虚拟环境和依赖项。也就是说他兼有了创建虚拟环境和包管理工具的功能，可以平替pip，venv。 它完全兼容 pip ：支持 requirements.txt 和 pyproject.toml 依赖管理。 跨平台：支持 Windows、macOS 和 Linux。 2. uv安装 ctrl+r，打开命令行，输入一下命令安装uv uv常见使用命令可以自行问AI或百度，此处不再赘述。 案例场景概述 我们先从最简单的案例入手，创建client端，server端，然后联调通，对mcp建立起一个初步完整的认知即可，尽最大可能避免引入复杂的东西。 所以，我们的案例就是：通过手动创建的client运行起来后，来调用server端的逻辑，server端的逻辑就是：创建一个名为aaa.txt文件，写入 今天天气真好！ ，即可。 MCP客户端 初始化client项目 进入自己的代码目录下，创建一个文件夹： 可以看到一个完整的初始化项目目录：包含项目入口文件，依赖管理文件等。 创建MCP客户端虚拟环境 这里我们用cursor打开项目，进行后面的操作。 修改客户端使其能与服务端通信 客户端核心逻辑 前面，我们写了客户端代码，但是只是说接通了在线或本地大模型，客户端若需要与服务端通信，就需要修改客户端代码了，客户端的核心逻辑就要调整为： 1、启动并初始化 MCP 客户端 2、连接MCP服务端 2、列出 MCP 服务器上的工具 3、运行交互式聊天循环，处理用户对话 • • 将用户输入发送给 OpenAI 模型 • • 如果模型想调用 MCP 工具（Function Calling），就执行 call tool • • 将结果重新发给模型，并返回最终回答 修改原有客户端代码 在原有基础上修改代码，只需要增加或修改一下代码即可： 增加连接服务端的方法 增加列出服务端工具列表的方法 修改用户对话逻辑