企业官网建设流程全解析

MCP 协议：Tool Calling 标准化背后的故事

你写了 10 个工具——天气查询、股票数据、文件操作、数据库访问……想给 Claude 用，得按 Anthropic 格式定义一遍。想换成 OpenAI？再按 OpenAI 格式定义一遍。想换成 Gemini？再来一遍。你开始怀疑：工具调用为什么不能像 USB-C 一样，一个接口通吃？MCP 就是答案。

Tool Calling 的"巴别塔"问题

你一定已经会 Tool Calling 了。用 LangChain 的@tool装饰器，让 LLM 自动调用外部函数：

fromlangchain_core.toolsimporttool@tooldefget_weather(city:str)->str:"""查询城市天气"""returnweather_api.query(city)llm_with_tools=llm.bind_tools([get_weather])# LLM 自动判断何时调用、传什么参数

这很好。但有一个根本问题：工具定义和 LLM 平台是绑定的。

不同平台有不同的 Tool Calling 格式：

OpenAI: tools=[{"type": "function", "function": {"name": "...", "parameters": {...}}}] Anthropic: tools=[{"name": "...", "description": "...", "input_schema": {...}}] Google Gemini: tools=[{"functionDeclarations": [{"name": "...", "parameters": {...}}]}]

如果你有 10 个工具，想给 3 个平台用——维护成本 = 10 × 3 = 30 套工具定义。

而且工具还嵌在你的应用代码里。换了项目就得重新写一遍。没有隔离——工具崩溃可能影响整个应用。没有发现机制——LLM 不知道你新加了什么工具，除非你手动更新配置。

这就是 MCP 要解决的问题。

MCP 是什么：LLM 的"USB-C 接口"

MCP（Model Context Protocol）= LLM 和外部工具的"USB-C 标准"。

USB-C 出现之前，每种设备有自己的接口。USB-C 之后，一个接口通吃所有设备。MCP 对 LLM 工具调用做了一模一样的事——定义了一个统一协议，任何 LLM 平台都能通过这个协议发现和调用任何工具。

三角色架构

┌──────────────────────────────────────┐ │ MCP Host │ ← AI 应用（Claude Desktop、Cursor 等） │ ┌────────────────────────────────┐ │ │ │ MCP Client │ │ ← 协议客户端，管理连接和 Tool 列表 │ │ • 连接 Server │ │ │ │ • 发现 Tool/Resource/Prompt │ │ │ │ • 调用 Tool │ │ │ └────────────┬───────────────────┘ │ └───────────────┼───────────────────────┘ │ JSON-RPC over stdio/SSE ┌───────────────┼───────────────────────┐ │ ┌────────────┴───────────────────┐ │ │ │ MCP Server │ │ ← 工具提供方（独立进程） │ │ • 声明 Tool/Resource/Prompt │ │ │ │ • 执行 Tool 调用 │ │ │ │ • 返回结果 │ │ │ └────────────────────────────────┘ │ └───────────────────────────────────────┘

通信方式极其简单——JSON-RPC 2.0 over stdio（本地）或 SSE（远程）。Host 启动 Server 作为子进程，通过 stdin/stdout 收发 JSON。

没有 MCP vs 有了 MCP

一句话：传统 Tool Calling 是"把工具焊死在 LLM 上"，MCP 是"把工具变成可插拔的服务"。

MCP Server 提供三种能力

一个 MCP Server 不只是提供工具，它提供三种元能力：

┌─────────────────────────────────────────┐ │ MCP Server │ │ │ │ Tools Resources Prompts │ │ (执行) (读取) (模板) │ │ ─────── ──────── ─────── │ │ 查天气 读配置文件 周报模板 │ │ 写文件 数据库Schema 代码审查模板 │ │ 调API 日志内容 提交信息模板 │ │ │ │ LLM 主动调用 LLM 被动读取 LLM 请求模板 │ └─────────────────────────────────────────┘

Tool（工具）——LLM 可以调用的"函数"。这是 MCP 最核心的概念。

Tool(name="get_weather",description="获取指定城市的天气信息。当用户询问天气时使用。",inputSchema={"type":"object","properties":{"city":{"type":"string","description":"城市名称"},},"required":["city"],},)

三个要素：name（LLM 用来标识）、description（LLM 用来判断"什么时候用"）、inputSchema（LLM 用来生成正确的参数）。description 是最关键的——LLM 完全靠它来决定要不要调你的工具。

Resource（资源）——LLM 可以"读取"的数据源。和 Tool 的区别：

Prompt（提示模板）——预定义的提示词模板，让 LLM 快速获取特定场景的提示词。比如 “write_weekly_report” 模板带参数 project 和 highlights，LLM 可以直接获取结构化的周报 Prompt。

实战：构建一个 MCP Server

我们用 Python 构建一个 MCP Server，提供两组工具：文件系统操作（list_directory、read_file、search_files、write_file）和SQLite 数据库查询（db_list_tables、db_describe_table、db_query、db_export_table）。

最小 Server 结构

frommcp.serverimportServerfrommcp.typesimportTool,TextContentfrommcp.server.stdioimportstdio_server server=Server("my-tools-server")# 1. 声明 Tool 菜单（LLM 先调用这个）@server.list_tools()asyncdeflist_tools()->list[Tool]:return[Tool(name="list_directory",description="列出目录内容",inputSchema={...}),Tool(name="read_file",description="读取文件内容",inputSchema={...}),Tool(name="db_query",description="执行 SELECT 查询",inputSchema={...}),# ...]# 2. 实现 Tool 调用（LLM 决定调哪个）@server.call_tool()asyncdefcall_tool(name:str,arguments:dict)->list[TextContent]:ifname=="list_directory":return[TextContent(type="text",text=format_dir(arguments["path"]))]elifname=="read_file":return[TextContent(type="text",text=read_file(arguments["path"]))]elifname=="db_query":return[TextContent(type="text",text=query_db(arguments["sql"]))]# ...# 3. 启动（监听 stdin/stdout）asyncwithstdio_server()as(read_stream,write_stream):awaitserver.run(read_stream,write_stream,...)

就这么简单。三个核心步骤：声明菜单 → 实现调用 → 启动服务。

安全是 MCP 设计的核心

因为 MCP Server 是独立进程，你需要明确控制 LLM 的权限边界。我们的 Server 做了三层安全：

1. 路径穿越防护：

defsafe_path(user_path:str,allowed_root:str)->Path:"""防止 LLM 读取允许目录之外的文件"""resolved=(Path(allowed_root)/user_path).resolve()allowed=Path(allowed_root).resolve()ifnotstr(resolved).startswith(str(allowed)):raisePermissionError(f"拒绝访问：'{user_path}' 超出允许范围")returnresolved# safe_path("../../../etc/passwd") → PermissionError!# safe_path("demo/hello.py") → /home/user/mcp-workspace/demo/hello.py ✅

2. SQLite 只读连接：

# 以只读模式连接，LLM 即使想删表也删不了conn=sqlite3.connect(f"file:{DB_PATH}?mode=ro",uri=True)

3. SQL 注入防护：

defhandle_db_query(args):sql=args["sql"].strip()ifnotsql.upper().startswith("SELECT"):return"只允许 SELECT 查询"forkeywordin["DROP","DELETE","INSERT","UPDATE","ALTER"]:ifkeywordinsql.upper():returnf"查询包含禁止的关键词 '{keyword}'"

这就是 MCP 的权限模型：最小权限原则。只给 LLM 完成任务所需的最小权限。

连接 Claude Code

配置极其简单。在项目根目录创建.mcp.json：

{"mcpServers":{"local-tools":{"command":"python3","args":["mcp_server.py"],"env":{"WORKSPACE_DIR":"/path/to/your/workspace","DB_PATH":"/path/to/your/database.db"}}}}

然后直接在 Claude Code 对话中用：

"帮我看看 workspace 下有什么文件" "读取 config.json 的内容" "查询 sales.db 的 orders 表中 2026 年的订单总数"

Claude Code 会自动：发现你的 Server → 获取工具菜单 → 根据用户意图选择工具 → 调用工具 → 把结果融入回答。你什么都不用做。

MCP vs Function Calling vs LangChain Tool

这三个概念容易混淆，一张表说清楚：

它们不是互斥的，而是互补的：

MCP Server → 负责"提供工具"（独立进程，标准化发布） LangChain → 负责"使用工具"（在 Node 里调用 MCP 工具） OpenAI FC → 负责"工具调用格式"（LLM 层面的实现细节） 三者配合：用 @tool 开发 → 用 MCP 发布 → 任何 LLM 都能用

什么时候用 MCP

单个 OpenAI 项目，1-2 个简单工具 → OpenAI Function Calling 够用 LangChain 项目，需要 LLM 组件配合 → LangChain @tool 多平台、多项目、需要复用的工具 → MCP Server 需要进程级安全隔离 → MCP Server 想用社区现成的工具 → MCP（数百个现成的 Server）

MCP 的生态现状

MCP 由 Anthropic 于 2024 年 11 月发布，作为一个开放协议。短短半年多，生态已经相当丰富：

• Claude Desktop原生支持 MCP
• Claude Code（你正在用的）内置 MCP Client
• Cursor / VS Code Copilot支持 MCP
• 社区已有数百个 MCP Server：文件系统、GitHub、Slack、Postgres、Puppeteer……

这意味着什么？你不需要自己写所有的工具。有人已经写好了 GitHub MCP Server，你直接在.mcp.json里配置一下，Claude Code 就能自动获取 GitHub Issues、创建 PR、查看代码。这是一个"工具市场"的雏形。

总结

MCP 做的事情极其简单，但影响深远：

1. 标准化—— 一次定义，所有 LLM 平台通用。不再重复造轮子
2. 解耦—— 工具和 LLM 分离成独立进程，各自独立开发部署
3. 复用—— 一个 Server 多个项目共用，生态里数百个现成的 Server
4. 安全—— 进程级隔离，最小权限原则，路径校验、只读连接

OpenAI 发明了 Function Calling → "LLM 能调工具了" LangChain 提供了 @tool 装饰器 → "写工具变简单了" Anthropic 发布了 MCP → "工具可以跨平台复用了" 三者配合：用 @tool 开发 → 用 MCP 发布 → 任何 LLM 平台都能用

去 github.com/barryness/cc-ai-learning 的008-mcp-learning/跑python mcp_server.py --demo，自测模式会模拟 LLM 调用所有工具，让你直观感受 MCP Server 是怎么工作的。