【AI大模型】MCP不像想象的那么简单，MCP+数据库，rag之外的另一种解决方案，看到就是赚到！！

什么是MCP

MCP 是一个开放协议，它为应用程序向 LLM 提供上下文的方式进行了标准化。它设计出来的目标，主要是统一模型与外部数据源之间的协议，以解决大模型因数据孤岛限制而无法充分发挥潜力的难题。在这个统一标准下，应用端只要集成了MCP client，就没有了开发成本，通过配置可以调用任何已经发布的 mcp server。因此ai应用有了链接万物的。

而qwen3的发布，直接原生支持MCP。我们只要通过配置mcp server，提交给qwen3，就能调用对应的mcp 服务。

在没有MCP的时候，我们暴露出来的服务api接口，各个应用平台对接都需要进行适配。如左侧图所示。举个例子，在已经经有了高德的api的前提下，各个应用想用高德的api，每个应用都要对接一遍，再有其他的api还要再对接一遍。

而有了MCP以后，底层的各个api只需要将接口适配到MCP协议，我们在各个应用中引入一个MCP client 客户端就ok了，只需要对接一次。对于非开发人员还是非常友好的，解决了调用外部工具的技术门槛问题。

MCP与Function Calling的区别

这里有必要说一下和Function Calling的区别，两者都是为了增强大模型与外部数据的交互。但是MCP 不仅适用于大模型。

工作流程

资源MCP ServerMCP Client资源MCP ServerMCP Clientinitialize连接请求建立通信通道(返回协议版本和能力)发送initialized 确认发送消息请求返回处理结果返回响应消息断开连接请求确认断开连接

整个工作流程如上图所示。

• • 初始化：

• • • MCP Client发送包含协议版本和能力的initialize请求，给MCP Server
  • • MCP Server会返回支持的协议版本和能力
  • • MCP Client会发送initialized通知作为确认

• • 消息交换：支持Request-Response、双向 Notification

• • • MCP Client根据需求，构建请求消息，并把请求消息发送给MCP Server
  • • MCP Server接收到请求以后，解析请求消息，执行对应的操作，比如调用接口，读取文件，读取数据库等。
  • • MCP Server将处理的结果，封装成响应消息，发送给MCP客户端

• • 断开连接：

• • • 双方可以主动关闭连接
  • • 传输端口、错误终止也会断开
    

MCP 核心架构

MCP 遵循客户端-服务器架构

• • MCP Hosts ：是 LLM 应用， 如上图的 claude，以及我们使用的各种ai工具,内部集成了MCP client,他们发起链接。

• • Clients 在 host 应用中与 servers 保持 1:1 的连接

• • • 这就是一个长链接，建议在开发的时候，使用池化技术进行优化

• • Servers 为 clients 提供上下文、tools 和 prompts

基于MCP的集成架构

协议层

• • 负责消息的封装与拆解、请求/响应匹配，以及高层通信模式（消息类型）

传输层

传输层支持多种传输机制，使用 JSON-RPC 2.0 格式。

• • Stdio传输协议

• • • 基于标准输入输出进行通信
  • • 适用于本地进程，比如文件系统，在linux中，一切皆进程

• • 通过HTTP+SSE传输协议

• • • 使用 HTTP POST 发送消息，Server-Sent Events 推送通知
  • • 适合跨网络、需要 HTTP 兼容的场景

• • 定义传输

• • • 可以自定义网络协议，比如可以用WebSocket实现

消息类型

MCP具有以下四种主要的消息类型

• • Request： 需要对端返回结果的调用
• • Result 成功响应 Request
• • Error 请求失败时的错误码和信息
• • Notification 单向消息，无需响应

Resources

Resources 允许 MCP Server 将文件、数据库记录、API 响应、日志文件、图片等各种数据内容暴露给 Client，为 LLM 提供必要的上下文信息。

资源是 “application-controlled” 的，意味着 Client 决定何时、如何使用资源，包括用户手动选择或自动化策略。

按照定义，一共有两类资源：文本资源和二进制资源

• • 文本资源：UTF-8编码

• • • 源代码
  • • 配置文件
  • • 日志文件
  • • json/xml数据，比如api的响应，数据库记录
  • • 纯文本

• • 二进制资源： base64编码的二进制数据

• • • 图片
  • • pdf
  • • 音频文件
  • • 视频发现
  • • 其他非文本格式

资源发现与读取

• • 直接资源

• • • 服务器通过 resources/list 端点公开一系列具体资源，包含uri, name, description, mimeType。

• • 动态模板

• • • 对于动态或目录型资源，Server 可提供符合 RFC 6570 的 URI 模板，Client 根据模板构建具体 URI 后再发起读取请求。

• • 读取

• • •

  • • • Client 提交某个资源的 URI，Server 返回包含一组 contents 的列表，每项可带 text（文本）或 blob（Base64 二进制）。

  • • 一次读取请求可返回多个资源（如读取目录下所有文件）。

资源更新

• • 列表变更通知

• • • 当 Server 的资源集合发生变化时，发送 notifications/resources/list_changed，Client 可重新拉取最新列表。

• • 内容变更通知

• • • Client 可通过 resources/subscribe 订阅某个 URI，Server 在内容变化时发送 notifications/resources/updated，Client 再用 resources/read 获取更新后的内容；取消订阅则用 resources/unsubscribe。

Prompts

在 MCP 中，Prompts 是服务器暴露给客户端的一组可复用的提示模板和工作流，用于统一、标准化与大型语言模型（LLM）的交互。服务器通过 prompts/list 和 prompts/get 两个 JSON-RPC 接口，向客户端公开可用的提示项（包括名称、描述和参数定义），客户端在用户触发时填充参数并向 LLM 发送生成请求。通过参数化、上下文嵌入和多步工作流，Prompts 实现了对复杂操作的封装与复用，并可在客户端以快捷命令、上下文菜单、表单等 UI 形式展现，大大提升了 LLM 应用的一致性与可用性。

发现与使用

发现

客户端通过调用 prompts/list，服务器返回所有可用 Prompt 的元数据列表。

// 请求
{
  method:"prompts/list"
}

// 响应
{
  prompts:[
    {
      name:"analyze-code",
      description:"Analyze code for potential improvements",
      arguments:[
        {
          name:"language",
          description:"Programming language",
          required:true
        }
      ]
    }
]
}

• • name 是提示词的名称
• • description 描述提示词的用户
• • arguments 描述该提示词有哪些参数，这些参数是否必填

使用

客户端调用 prompts/get，传入 name 与对应的 arguments，服务器返回用于 LLM messages

// 请求获取
{
  method:"prompts/get",
  params:{
    name:"analyze-code",
    arguments:{
      language:"python"
    }
}
}

// 服务器响应
{
  description:"Analyze Python code for potential improvements",
  messages:[
    {
      role:"user",
      content:{
        type:"text",
        text:"Please analyze the following Python code for potential improvements:\n\n```python\ndef calculate_sum(numbers):\n    total = 0\n    for num in numbers:\n        total = total + num\n    return total\n\nresult = calculate_sum([1, 2, 3, 4, 5])\nprint(result)\n```"
      }
    }
]
}

Tools

MCP Server 能够将任意可执行操作封装为函数接口，供客户端发现与调用。

• • 工具调用意图由LLM决定，客户端根据模型输出执行实际调用
• • 从简单计算到复杂 API 集成，Tools 均可覆盖，并可修改系统状态或与外部实体交互。

资源MCP ServerMCP Client资源MCP ServerMCP Client请求工具列表 (tools/list)返回可用工具及元数据发送调用意图 (tools/call)根据 name 与 arguments 执行逻辑返回执行结果返回 content 数组 (包括资源)调用LLM 生成自然语言输出

这里最后一步，没问题，qwen3内置mcp client，目前在模型没有支持mcp协议的时候，都是通过外部应用内置mcp client实现。

结构

每个工具都使用下面的结构定义

{
  name:"github_create_issue",
  description:"Create a GitHub issue",
  inputSchema:{
    type:"object",
    properties:{
      title:{ type:"string"},
      body:{ type:"string"},
      labels:{ type:"array", items:{ type:"string"}}
    }
}
}

• name: Tool的唯一标识

• description 描述这个Tool是干嘛的

• inputSchema： 调用这个Tool的输入参数的Schema

• properties： Tool需要的所有参数，定义了参数名和类型

Sampling

在 MCP 中，Sampling 允许 Server 通过 Client 向 LLM 发起补全（completion）请求，形成一种“反向调用”模式，既能支持复杂的多步骤智能代理行为，又通过“人机在环”设计确保安全与隐私控制

• 反向调用机制：Sampling 让 MCP Server 能主动向 Client 请求 LLM 补全，而非仅在 Client 发起时调用，扩大了协议的灵活性与支持多方交互的能力。
• 人机在环设计：通过在请求和补全阶段都引入 Client 审核，确保用户对提示词和生成结果拥有修改或拒绝的权利，强化安全与隐私保护。
• Agentic 行为支持：Sampling 是实现智能代理（agentic workflows）的关键，使 Server 可以动态读取资源、决策、生成结构化数据并执行多步任务。

LLMMCP ClientMCP ServerLLMMCP ClientMCP Server调用 sampling/createMessage展示给用户审核，修改或拒绝基于请求内容调用LLM，生成补全将结果展示给用户，用户可再次修改或拒绝将最终的补全结果返回给 Server

通过Sampling 让整个流程可人为控制，通过交互式确认，让整个生成过程更可控。

Roots

Roots 是 MCP 中用于限定服务器可操作的上下文边界的机制。客户端在连接时以根 URI（如文件路径、HTTP API 地址等）告知服务器“关注哪些资源”，从而实现对资源范围的清晰划分与组织管理。

举个栗子：当我们开发代码的时候，我们使用一个MCP Server，用于读取项目文件，我们不可能让让MCP Server读取所有的文件，也不可能一个工程开发一个MCP Server，怎么办？我们开发MCP Server的时候，把工程路径给它，它只处理这个工程里的文件即可，这样就限定了边界。

当然MCP Server并不是只能处理当前目录下的文件，它可以处理任何目录，但是没有意义了。

虽然不是一个强制性约束，当时在开发的MCP Server的时候，建议遵循该约束。

使用MCP 查询数据库

server端配置

我使用mysql_mcp_server 作为mcp server。
https://github.com/designcomputer/mysql_mcp_server

要求

uv
python>=3.11
mcp>=1.0.0
mysql-connector-python>=9.1.0

安装uv

#macos或 linux安装，没有curl就用get
curl -LsSf https://astral.sh/uv/install.sh | sh

wget -qO- https://astral.sh/uv/install.sh | sh

# win安装
powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

# uv验证
uv -V

python环境配置

# 使用uv安装python3.11环境
uv python install 3.11
#创建mcp环境
uv venv mcp
# 激活环境
source mcp/bin/activate
# 验证环境
python  -V
# 安装依赖
uv pip install mysql-mcp-server  --index-url https://pypi.tuna.tsinghua.edu.cn/simple

Cherry studio

我重度使用cherry studio。使用的v1.2.10版本。

点击1设置，点击2MCP 服务器，点击3添加服务器。

官方给了一个claude和visual studio code两个配置方案。我参考了vs的配置

{
  "mcpServers":{
    "mysql":{
      "type":"stdio",
      "command":"uvx",
      "args":[
        "--from",
        "mysql-mcp-server",
        "mysql_mcp_server"
      ],
      "env":{
        "MYSQL_HOST":"localhost",
        "MYSQL_PORT":"3306",
        "MYSQL_USER":"root",
        "MYSQL_PASSWORD":"123456",
        "MYSQL_DATABASE":"admin"
      }
    }
}
}

注意官方写的是servers，其实应该写mcpServers,将对应的配置填写进去

将上面的配置拆解后填进去。注意

4

参数那里，两个

mysql-mcp-server

少一个都不行。通过

6

可以看该mcp提供了哪些工具，通过

7

可以看该mcp提供了哪些资源。

资源是这个账户可以查看的表。

使用

在聊天框点击箭头指向的位置，添加mysql的mcp服务。

通过

cherry studio

获取连接的mysql的所有资源。这个时候它会调用mcp的工具执行

Show databases

，每个模型的能力不一样，最后执行的sql不一样。

使用cline，就严格处理指定资源内的资源。

我指定数据库让它分析这个库有什么功能，它只是通过表结构进行分析。

当你没有限定它必须依赖查询到的数据的时候，它就开始出现了幻觉。而且瞎掰。

当你限定以后，它完全可以根据你的语义来。

使用同样的提示词，cherry studio中，并没有精准的统计出我想要的信息，不过只花费了560tokens。

使用cline能完美的查询到我想要的结果。但是一个查询耗费了13万多的tokens。

cline配置

在测试的过程中cline的效果最好，而且支持你修改交互内容。附上cline的配置。

授权

你有哪个账户选哪个。我一般选github

配置mcp服务。

点击1切换模型服务,点击2选择模型供应商，然后根据自己的需求配置。

安全

远程调用，基于http协议，我们可以在请求mcp server之前，先获取一个access_token,然后把access_token作为交互的凭证，等退出以后清空，访问的时候，动态续期。后端可以设置过期时间。

MCP常用地址

文档

• MCP 官网： https://modelcontextprotocol.io/introduction
• 中文版文档地址（机器翻译的，可读性有点差）： https://mcp-docs.cn/introduction

综合性网站

• https://mcp.so/

servers 地址

• 官方披露的server
• glama ai MCP Server
• 精选的MCP Server

工具

• MCP转化网关，把stdio转化为SSE
• 官方 python sdk
• fastmcp python开发
• fastmcp TypeScript开发

后记

• MCP 不仅仅是一个标准化协议，它提供了一套解决方案。如果大模型实现了它，基本上通过自然语义+MCP Server就能完成各种工作流。
• MCP能提供各种资源，真正好不要，还要看应用或者LLM如何组织
• 在测试的过程cline消耗的tokens是最多的，基本上一个任务10万左右的tokens，但是效果是真的不错。Cherry Studio消耗的比较少，但是功能比较简单。
• 使用mcp查询数据库，一定要限定账户的权限，同时还要限定查询范围，要不然查询的数据太多，会把数据库查崩

最后

为什么要学AI大模型

当下，⼈⼯智能市场迎来了爆发期，并逐渐进⼊以⼈⼯通⽤智能（AGI）为主导的新时代。企业纷纷官宣“ AI+ ”战略，为新兴技术⼈才创造丰富的就业机会，⼈才缺⼝将达 400 万！

DeepSeek问世以来，生成式AI和大模型技术爆发式增长，让很多岗位重新成了炙手可热的新星，岗位薪资远超很多后端岗位，在程序员中稳居前列。

与此同时AI与各行各业深度融合，飞速发展，成为炙手可热的新风口，企业非常需要了解AI、懂AI、会用AI的员工，纷纷开出高薪招聘AI大模型相关岗位。

最近很多程序员朋友都已经学习或者准备学习 AI 大模型，后台也经常会有小伙伴咨询学习路线和学习资料，我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频 全系列的学习资料，这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

AI大模型系统学习路线

在面对AI大模型开发领域的复杂与深入，精准学习显得尤为重要。一份系统的技术路线图，不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点，还能提供一条高效、有序的学习路径。

但知道是一回事，做又是另一回事，初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性，在这基础上，找到高质量的学习资源，不浪费时间、不走弯路，又是重中之重。

AI大模型入门到实战的视频教程+项目包

看视频学习是一种高效、直观、灵活且富有吸引力的学习方式，可以更直观地展示过程，能有效提升学习兴趣和理解力，是现在获取知识的重要途径

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

海量AI大模型必读的经典书籍（PDF）

阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。

600+AI大模型报告（实时更新）

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

AI大模型面试真题+答案解析

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】