MCP Tutorial | nops1ed's Blog

给大忙人看的MCP Tutorial

MCP是个啥？

{width=”5.75in” height=”3.2291666666666665in”}

MCP 全称 Model Context Protocol，于 2024 年 11 月由Anthropic推出。顾名思义，它是一组协议，更具体来讲是一组用于规定标准化LLM如何与外部信息源连接的规则。可以将 MCP 想象成 AI 应用程序的 USB-C 接口。就像 USB-C 为设备连接各种外设和配件提供了标准化方式一样，MCP 为 AI 模型连接不同的数据源和工具提供了标准化方式。

MCP架构

- WIP

MCP VS. Function Calling（可选）

什么是Function Calling ？

在不启用联网搜索的情况下，我们询问豆包：

{width=”5.75in” height=”1.6875in”}

可以看到LLM的自身数据截止到2024年10月, 如果这个问题需要人类帮助LLM来解决，那么一个有效的操作步骤可以是：

由于向大模型提供了足够的参考信息，可以得到类似的回复：

JSON
call_result
2025 年，NiKo 在 Falcons（猎鹰）战队。

2024 年 8 月，有外媒爆料称 G2 战队的 NiKo 将加盟 Falcons 战队。2024 年 10 月，有消息称 NiKo 加盟后的首秀帮助 Falcons 团队斩获 PGL 布加勒斯特站冠军。2025 年 1 月 3 日，沙特电竞俱乐部 Falcons 正式官宣 NiKo 加盟其 CS2 分部

LLM此时可以回答关于实时新闻的问题了，然而这个过程需要人的参与（选择工具、提取参数、运行工具），无法实现自动化运行的效果。

Function Calling（工具调用）可以自动化完成以上流程，在接收到提问后可以自动选择工具、提取参数、运行工具并总结工具的输出

这二者有何不同？

虽然Function Calling让 LLM的能力变强了很多，但它也有不少问题需要解决：

+——————————————————————————————————————————————————————————————————————————————————————————————————————————————-+
| function只能提前设定，不够灵活 |
| |
| 现在的 LLM只能用我们提前教给它的功能。比如你提前教它查天气、算数学题，它就只会这两样。如果突然问它 "怎么坐大巴去二仙桥然后在二仙桥跳广场舞最后在二仙桥安放C4炸弹"，因为没提前教过相关功能，它要么答不上来，要么只能随便说点通用的话。遇到需要分步骤解决的复杂问题或者需要创意的任务，固定的功能列表会限制它的发挥，很难灵活应对新需求。 |
| |
| function太多时，LLM会 "记混" |
| |
| 当提供的功能超过几十个或更多，模型就会出现两个问题：一是prompt太长，超过它能 "记住" 的内容长度；二是容易把功能搞混，比如把 "查天气" 的功能当成 "订外卖" 来用。这时候就需要给功能分类，否则LLM最终会乱套。 |
| |
| 容易 "犯低级错误" |
| |
| > LLM在使用function时可能犯两种错： |
| |
| 用错function：比如用户想算乘法，它却调用了查天气的功能。（当然并不会这么傻，比喻，现实场景往往会更复杂） |
| |
| 填错参数：比如让它用计算器算 "3 乘 5"，它可能写成 "3 加 5"，或者把格式搞错（比如本该写 JSON 格式却写错符号）。这些错误需要我们来介入，并做额外的检查和修正。 |
| |
| 多步骤任务又慢又”expensive” |
| |
| 每次call function都要走流程：AI 先输出指令→程序执行function→把结果返回给 AI，一来一回需要时间。如果一个任务需要走10 步function callin，就需要来回沟通 10 次，不仅速度会变慢，每次沟通都要消耗tokens，成本也会变高。 |
| |
| 不会自己发现new function |
| |
| LLM只能用当前对话中提前告诉它的function，就像一个只会按菜单点菜的服务员，菜单上没有的菜就不会做。如果外部有新function上线，必须手动更新它的 "function list"，它自己不会主动发现和学习新能力，灵活性很差。 |
+——————————————————————————————————————————————————————————————————————————————————————————————————————————————-+

总体来说，function calling让 AI 更能干，但也像个 "死板的工具人"：只能用固定工具、功能多了会乱、容易出错、做复杂事又慢又贵，还不会自己学新东西

那MCP可以做到上述几点吗？我们可以把 MCP 想象成一个”智能升级”的AI助手，它针对function calling的痛点，做了实实在在的改进：

+————————————————————————————————————————————————————————————————+
| MCP允许AI在运行时通过tools/list接口查询服务器支持的工具列表，无需提前硬编码所有函数。例如，新增”文件删除”功能时，AI可自动发现并使用，无需人工更新提示。 |
| |
| 工具只需实现一次MCP server，即可被所有兼容AI client调用（如Claude、IDE插件），避免为不同LLM重复开发函数，解决”M×N集成问题”。 |
| |
| MCP server返回的工具列表包含输入模式（如参数类型、格式），AI可根据结构化信息生成更准确的调用指令，减少参数错误，并且client可在执行前验证工具调用格式（如JSON正确性），部分错误可在协议层拦截。 |
| |
| MCP支持原生动态发现，这也是本质上的区别。AI可通过protocol主动查询server，实时感知工具增减或升级。例如，server新增”图像生成”功能后，AI无需人工干预即可使用。 |
+————————————————————————————————————————————————————————————————+

维度 Function Calling局限 MCP的改进点

灵活性 固定函数限制，难处理复杂流程动态工具发现+自主多步规划

可扩展性 函数数量多导致上下文爆炸标准化协议+按需数据加载

动态适应性 无法感知新工具，需人工更新 runtime工具查询+自动协议适配

错误处理 依赖人工校验参数和格式结构化工具描述+协议层校验

Make your hands dirty

构建你的第一个空间透镜

让我们在实践中快速上手MCP

如果你想要完整的了解MCP，请移步：https://modelcontextprotocol.io/introduction，这里只做快速上手指南，旨在让用户快速搭建一个自己的MCP service

首先介绍一下MCP server端为我们提供的3种原语：

原语控制方描述

Prompts 用户控制由用户选择调用的交互式模板

Resources 应用控制由客户端附加并管理的上下文数据

Tools 模型控制暴露给 LLM 以便其执行操作的功能接口

这里我们用到了Tools

code skeleton：

python
code skeleton
import os
from MCP.server.fastMCP import FastMCP

# 创建一个MCP服务器实例
MCP = FastMCP("StorageAnalyzer")

# @MCP.tool() decorator将这个函数注册为MCP工具
@MCP.tool()
def get_storage_usage(path: str = '.') -> dict:
return analyze_storage(path)

# 启动MCP服务器
if __name__ == "__main__":
MCP.run()

完整代码如下：

python
server.py
import os
from mcp.server.fastmcp import FastMCP

def analyze_storage(path: str) -> dict:
if not os.path.exists(path):
raise ValueError(f"Path not found: {path}")
if not os.path.isdir(path):
raise NotADirectoryError(f"Not a dir: {path}")
storage_data = {}
file_type_stats = {}
for root, dirs, files in os.walk(path):
dir_size = 0
for file in files:
file_path = os.path.join(root, file)
try:
file_size = os.path.getsize(file_path)
dir_size += file_size
storage_data[file_path] = file_size
EXT_MAPPING = {
'.jpeg': '.jpg',
'.htm': '.html',
'.tiff': '.tif'
}
ext = os.path.splitext(file)[1].lower() or 'no_ext'
ext = EXT_MAPPING.get(ext, ext)
if ext not in file_type_stats:
file_type_stats[ext] = 0
file_type_stats[ext] += file_size
except PermissionError:
storage_data[file_path] = 'Permission denied'
storage_data[root] = dir_size
file_type_human = {}
for ext, size in file_type_stats.items():
if size >= 1e9:
file_type_human[ext] = f'{size/1e9:.2f} GB'
elif size >= 1e6:
file_type_human[ext] = f'{size/1e6:.2f} MB'
elif size >= 1e3:
file_type_human[ext] = f'{size/1e3:.2f} KB'
else:
file_type_human[ext] = f'{size} B'
storage_data['file_type_stats'] = {
'raw_bytes': file_type_stats,
'human_readable': file_type_human
}

storage_data['large_files'] = []
LARGE_FILE_THRESHOLD = 100 * 1024 * 1024
for file_path, size in storage_data.items():
if isinstance(size, int) and size > LARGE_FILE_THRESHOLD and not os.path.isdir(file_path):
storage_data['large_files'].append({
'path': file_path,
'size_bytes': size,
'size_human': f'{size/1e9:.2f} GB' if size >= 1e9 else f'{size/1e6:.2f} MB'
})
return storage_data

mcp = FastMCP("StorageAnalyzer")

@mcp.tool()
def get_storage_usage(path: str = '.') -> dict:
return analyze_storage(path)

if __name__ == '__main__':
mcp.run()