熟知大模型中mcp概念 --by zk

MCP核心概念解析

什么是MCP：让大模型拥有“手和脚”

大模型本身只有对话和决策能力，没有执行调用工具，获取资源的能力。因此定义一套让大模型调用外部能力的通用协议很重要。
MCP（Model Context Protocol）是一套让大模型“安全、可控、可扩展”地调用外部能力的通用协议。
它统一了一件事：大模型只负责“决策”，真正的动作由你实现的工具去执行。

• 你可以把 MCP 理解为“给大模型接插件”的标准化方式：HTTP 接口、数据库查询、浏览器调试、内部文档检索，都可以被包装成一个个工具。
• 好处：规范的参数校验（JSON Schema）、一致的权限边界、可观测的调用链、更容易在 IDE/Agent/服务端之间迁移与复用。

MCP 与 tool_calls 的深层差异

在MCP早期，大模型实现外部能力调用，需要通过function calling和tool_calls两种方式。

function calling是早期的调用方式，现在已经不推荐使用。
tool_calls则是他的替代品，允许在上下文中发送一个Tools列表,告诉大模型，我有这些工具，这些工具应该在什么时候被调用，我需要哪些入参，返回的结果应该是怎么样的。

示意：

const tools = [{type: 'function',function: {name: 'get_weather',description:'获取指定城市的实时天气信息，包括温度、天气状况、湿度、风速等。通过调用高德天气 API 获取真实数据。',parameters: {type: 'object',properties: {location: {type: 'string',description: '地理配置信息，例如 "北京"、"上海"',},unit: {type: 'string',enum: ['celsius', 'fahrenheit'],description: '温度单位，默认为 "celsius"',},},required: ['location'],},},},
];

模型返回：

{"choices": [{"finish_reason": "tool_calls","index": 0,"message": {"content": null,"role": "assistant","tool_calls": [{"id": "call_abc123","function": {"arguments": "{\"location\":\"北京\",\"unit\":\"celsius\"}","name": "get_weather"},"type": "function"}]}}],"created": 1694268198,"id": "chatcmpl-...","model": "gpt-4-...","object": "chat.completion","system_fingerprint": "fp_..."
}

两者差异

为了彻底理解MCP和tool_calls的区别，我们用两张图来对比处理同一个用户请求（“北京今天天气怎么样？”）时的根本差异。

---

模式一：直接 tool_calls 调用

 

图解：您可以看到，为了完成这个简单任务，客户端和LLM之间进行了两次完整的来回交互。第一次是为了“决策”，第二次是为了“总结”。

---

模式二：MCP 调用

 

图解：从客户端的视角看，整个过程只有一次网络往返。它发出请求，然后等待最终结果。所有与 LLM 的多步交互、工具调用、结果回传都在服务端内部由 MCP Agent 完成。这才是 MCP 模式带来效率提升的关键。MCP通过自身的代码逻辑，“砍掉”了第一次用于决策的LLM调用，极大地优化了流程。

对比维度	模式一：直接tool_calls调用	模式二：MCP调用
决策主导者	LLM (凡事问LLM)	代码/MCP (小事自己定)
LLM交互次数	两次 (决策 + 总结)	一次 (仅总结)
核心优势	灵活性 (能处理模糊任务)	高效率 (快速处理明确任务)

一个设计精良的MCP，其真正的优势在于它是一个能够智能选择模式的调度中心：

• 遇到它能理解的简单任务，就采用模式二，追求极致效率。
• 遇到它看不懂的复杂任务，就自动切换到模式一，发挥LLM的灵活性。

通过这种方式，MCP在效率和灵活性之间取得了完美的平衡，为用户提供最佳的交互体验。

MCP的三种类型

MCP	特点	适用	局限
Stdio	通过标准输入/输出与子进程通信；零网络、延迟低、部署简单。	本地提供并执行所有能力。	如果往 stdout 打日志（会干扰协议），因此需要把日志打到 stderr 或文件。
SSE	HTTP 单向流（Server→Client），易部署，浏览器友好。	简单的云端推送、只需要“结果下行”的场景。	天然单向，复杂双向 RPC/并发多路复用需要额外回路与状态管理。
Streamable	支持“参数与结果的增量分片”“多通道并发”“可中断/可取消/背压控制”，把“文本流”和“工具结果流”统一起来。	需要边生成边调用工具、复杂 UI/长任务、多人协作与可观测的生产环境。

为什么用 Streamable 替代 SSE？

Streamable HTTP 相比于 SSE (Server-Sent Events) 提供了更简洁、高效且灵活的实现方式。以下是几个关键优势：

1. 实现更简洁，协议开销更低

• SSE 的复杂性：SSE 协议要求服务器严格遵循 data: ...\n\n 的格式来封装消息。这意味着前端和后端都需要实现特定的解析逻辑来处理这种格式，增加了实现的复杂度。
• Streamable 的简洁性：Streamable 本质上是一个标准的 HTTP 响应。服务器通过 Transfer-Encoding: chunked 持续向响应体中写入数据，客户端则像读取一个大文件一样持续接收。几乎所有的网络库都原生支持这种方式，无需额外的协议解析，代码逻辑更统一、简单。

2. 更好地利用 HTTP/2 的原生优势：多路复用 (Multiplexing)

• SSE 的限制：SSE诞生于 HTTP/1.1 时代，其设计模型是“一个 TCP 连接专门服务于一个单向数据流”。即使在 HTTP/2 环境下运行，SSE 协议本身也限制了这个连接的用途。
• Streamable 的高效：在 HTTP/2 环境下，Streamable 只是一个普通的 HTTP 请求。客户端可以在同一个 TCP 连接上发起这个流式请求，同时并行处理其他常规请求（如发送心跳、取消指令、获取元数据等）。所有通信都在一个连接上高效并发，极大地提升了网络资源利用率，这是 HTTP/2 的核心优势。

3. 更强的连接控制与可靠性

• 断线重连：对于长时间运行的流式连接，断线重连至关重要。标准的 HTTP 请求可以更方便地利用现代网络库提供的重试和恢复机制，从而实现更稳健的断线重连逻辑。而 SSE 的内置重连机制则相对固定，自定义和控制能力较弱。

如何开发一个简单的mcp

目标：做一个“内部文档检索”工具，支持 stdio，本地在 Cursor/Claude Code 中直接调用。

1）定义工具 Schema（告诉 LLM 你提供什么、需要什么）

{"name": "get_internal_doc","description": "根据关键词检索内部文档并返回摘要与链接","parameters": {"type": "object","properties": {"query": { "type": "string", "description": "检索关键词" },"limit": { "type": "number", "description": "返回条数", "default": 3 }},"required": ["query"]}
}

2）实现 handler（真正访问你的系统）

• 约定：收到 tool_calls → 解析 arguments → 执行以下逻辑。
• 示例流程：关键词 → 命中你的索引或 webhook 缓存 → 返回标准化结果

// 伪代码
async function getInternalDoc({ query, limit = 3 }) {const items = await searchIntranetDocs(query, limit);return items.map((i) => ({title: i.title,url: i.url,summary: i.snippet,}));
}

3）选择传输方式

• 本地试用：stdio（最轻），注意 stdout 只输出协议数据，日志用 stderr。
• 上云/协作：优先 Streamable；SSE 仅用于过渡或简单单向通知。