什么是MCP

大模型和外部工具交互的标准化协议，官方网址：https://modelcontextprotocol.io/docs/getting-started/intro

模型上下文协议(MCP ModelContextProtocol)正迅速成为AI领域的核心基础设施标准，它通过标准化大语言模型与外部工具的交互方式，解决了AI应用开发中的关键瓶颈，推动了智能体从实验室走向商业化的进程。这一由Anthropic于2024年11月开源的协议，已被OpenAI、阿里云、腾讯、字节跳动等全球科技巨头广泛采纳，形成了一场静默的AI革命。MCP的流行不仅源于其技术创新，更在于它满足了AI产业从单体智能向互联网络转变的迫切需求，为AI应用的规模化落地提供了关键支撑。

可以将 MCP 想象成用于 AI 应用程序的 USB-C 端口。正如 USB-C 提供了一种将设备连接到各种外围设备和配件的标准化方式一样，MCP 也提供了一种将 AI 模型连接到不同数据源和工具的标准化方式。

MCP原理

MCP的核心原理

MCP服务应用

MCP 的核心原理是将互联网服务（高德、谷歌）或本地操作系统 API（文件系统、数据库、终端）封装成 AI 智能体能够理解和使用的 Tools 工具，让 AI 智能体能够自由地调用这些 Tools 工具实现复杂的业务逻辑和功能。

我们可以在ModelScope市面上的一些各个方面的MCP服务，地址：https://modelscope.cn/mcp

MCP的优势

解决了智能体开发过程中的关键效率问题

MCP之所以迅速火爆，首先在于它解决了AI应用开发中的关键痛点。传统模式下，大模型与外部工具的集成需要为每个工具单独开发接口，形成了”M个智能体×N个工具“的复杂度。

MCP通过标准化交互规则，将复杂的”M×N”集成简化为”M+N”模式，使开发者只需遵循协议标准，就能实现AI模型与各类工具的即插即用。这种标准化不仅降低了开发门槛，还提高了系统的可扩展性和互操作性。

基于MCP的智能体架构

graph TD
    A[智能体] --> B[大模型]
    A --> C[工具]
    C --> D[本地工具 Function]
    C --> E[远程工具 MCP]
    E --> F[远程MCP Server]
    E --> G[本地MCP Server]

MCP服务接入示例

接入MCP核心包

# 用于自定义MCP开发服务
pip install mcp  
# langchian接入mcp服务
pip install langchain-mcp-adapters

高德MCP服务接入与智能体

高德MCP服务介绍，官方地址：https://lbs.amap.com/api/mcp-server/summary

第一步：MCP客户端开发

安装依赖：pip install langchain_mcp_adapters
获取高德应用key: https://lbs.amap.com/api/mcp-server/create-project-and-key

开发高德mcp客户端

# @Time：2025/9/16 15:40
# @Author：jinglv
import asyncio
import os

from dotenv import load_dotenv

# 加载 .env 文件中的变量
load_dotenv()
from langchain_mcp_adapters.client import MultiServerMCPClient


async def create_amap_mcp_client():
    """创建MCP客户端"""
    amap_key = os.environ.get("AMAP_KEY")

    client = MultiServerMCPClient({
        "amap": {
            "url": f"https://mcp.amap.com/sse?key={amap_key}",
            "transport": "sse",
        }
    })

    tools = await client.get_tools()

    return client, tools


if __name__ == '__main__':
    client, tools = asyncio.run(create_amap_mcp_client())
    print('-------------------------------查看是否创建完成客户端------------------------')
    print(client)
    print('-------------------------------查看提供的工具有哪些------------------------')
    print(tools)

第二步：创建智能体，集成MCP工具

获取mcp tools
创建智能体
创建提示词
异步运行智能体

import os

from dotenv import load_dotenv

# 加载 .env 文件中的变量
load_dotenv()
from langchain_mcp_adapters.client import MultiServerMCPClient


async def create_amap_mcp_client():
    """创建MCP客户端"""
    amap_key = os.environ.get("AMAP_KEY")

    client = MultiServerMCPClient({
        "amap": {
            "url": f"https://mcp.amap.com/sse?key={amap_key}",
            "transport": "sse",
        }
    })

    tools = await client.get_tools()

    return client, tools
  
from langchain_openai import ChatOpenAI

from langchain.prompts import PromptTemplate
from langchain.agents import initialize_agent, AgentType


async def create_run_agent():
    """创建智能体，集成MCP工具"""
    # 1.获取mcp tools
    client, tools = await create_amap_mcp_client()
    # 2.创建智能体
    qv_llm = ChatOpenAI(
        model=os.getenv("LLM_MODEL"),
        base_url=os.getenv("LLM_BASE_URL"),
        api_key=os.getenv("LLM_API_KEY"),
        streaming=True,
    )
    agent = initialize_agent(
        tools=tools,
        llm=qv_llm,
        agent=AgentType.STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION,
        verbose=True,  # 打开调试模式
    )
    # 3.创建提示词
    prompt_template = PromptTemplate.from_template(
        "你是一个智能助手，可以调用高德 MCP 工具。\n\n问题: {input}"
    )

    prompt = prompt_template.format(input="提供北京南站的坐标")
    # 4.异步运行智能体
    res = await agent.ainvoke(prompt)
    return res

基于高德MCP的复杂路径规划+可视化展示

增加文件工具及扩展智能体工具，文件工具需要安装依赖:pip install langchain_community

import asyncio
import os

from dotenv import load_dotenv

# 加载 .env 文件中的变量
load_dotenv()
from langchain_mcp_adapters.client import MultiServerMCPClient


async def create_amap_mcp_client():
    """创建MCP客户端"""
    amap_key = os.environ.get("AMAP_KEY")

    client = MultiServerMCPClient({
        "amap": {
            "url": f"https://mcp.amap.com/sse?key={amap_key}",
            "transport": "sse",
        }
    })

    tools = await client.get_tools()

    return client, tools


from langchain_openai import ChatOpenAI
from langchain_community.agent_toolkits import FileManagementToolkit

from langchain.prompts import PromptTemplate
from langchain.agents import initialize_agent, AgentType


async def create_run_agent():
    """创建智能体，集成MCP工具"""
    # 1.获取mcp tools
    client, tools = await create_amap_mcp_client()

    # 增加获取文件工具
    file_toolkit = FileManagementToolkit(root_dir="/Users/jinglv/PycharmProjects/ai-agent-dev/temp")
    file_tools = file_toolkit.get_tools()

    # 2.创建智能体
    qv_llm = ChatOpenAI(
        model=os.getenv("LLM_MODEL"),
        base_url=os.getenv("LLM_BASE_URL"),
        api_key=os.getenv("LLM_API_KEY"),
        streaming=True,
    )

    agent = initialize_agent(
        tools=tools + file_tools,
        llm=qv_llm,
        agent=AgentType.STRUCTURED_CHAT_ZERO_SHOT_REACT_DESCRIPTION,
        verbose=True,  # 打开调试模式
    )
    # 3.创建提示词
    prompt_template = PromptTemplate.from_template(
        "你是一个智能助手，可以调用高德 MCP 工具。\n\n问题: {input}"
    )

    prompt = prompt_template.format(input="""
    目标：
    - 明天上午10点我要从北京南站到北京望京SOHO
    - 线路选择：公路地址或打车
    - 考虑出行时间和路线，以及天气状况和穿衣建议
    
    要求:
    - 制作网页来展示出现线路和位置，输出一个HTML页面，将网页保存到：/Users/jinglv/PycharmProjects/ai-agent-dev/temp目录下
    - 网页使用简约美观的页面风格，以及卡片展示
    """)
    # 4.异步运行智能体
    res = await agent.ainvoke(prompt)
    return res


if __name__ == '__main__':
    client, tools = asyncio.run(create_amap_mcp_client())
    print('-------------------------------查看是否创建完成客户端------------------------')
    print(client)
    print('-------------------------------查看提供的工具有哪些------------------------')
    print(tools)
    res = asyncio.run(create_run_agent())
    print('-------------------------------智能体结合MCP客户端执行结果------------------------')
    print(res)

Jean's Blog

MCP模型上下文协议介绍