MCP 如何连接 AI 应用与外部系统
文章介绍 MCP 的主机、客户端、服务端分工,以及服务端能力和传输方式。协议基于 JSON-RPC 2.0,兼容的 AI 应用可以复用同一个 MCP 服务提供的工具和数据。
AI 深度解读
团队接入第二个 AI 助手时,常会遇到一个重复劳动:同一套内部文档、监控查询和工单接口,又要接一遍。MCP 试图把这部分工作收拢到一个服务里,让兼容的编辑器、聊天应用和内部 Agent 通过同一套协议发现并使用这些能力。
原文从运维和平台团队的角度拆解了 MCP。对前端和全栈开发者来说,最值得读懂的是三个边界:谁负责授权,哪些信息会发给服务端,以及本地能跑的配置在团队共享时要补上什么。
编辑器、Client 和 Server 各管哪一段?
MCP(Model Context Protocol)是 Anthropic 在 2024 年末发布的开放标准,底层消息使用 JSON-RPC 2.0。它规定 AI 应用如何和外部服务交换请求与结果,不限定应用使用哪个模型,也不规定模型如何推理。规范以日期作为版本,有多种语言的官方 SDK。接入时要核对两端支持的规范修订版,尤其是可选能力。
用户打开的编辑器、聊天应用或内部 Agent 是 Host。它管理模型交互和用户同意,也决定允许连接哪些 Server。Client 是 Host 内部负责连接的组件,一条连接对应一个 Server。编辑器同时连了三个 Server,内部就有三个 Client。
Server 负责把查询监控、读取知识库、创建工单等能力暴露出来。一次调用中,Server 收到的是具体请求及其参数,Host 再把返回结果和对话一起组织成模型上下文。完整对话归 Host 管理,但如果工具参数里包含业务数据,Server 仍然会收到这些数据。审查一次调用会传出什么,得看参数和实际消息。
为什么故障手册可以是 Resource,也可以通过 Tool 查询?
三种原语的区别,首先看谁来发起、要完成什么事。Tool 是模型可以选择调用的函数,有名称、自然语言描述和定义入参的 JSON Schema。Client 通过 tools/list 发现工具,再用 tools/call 调用。查指标和创建工单都可以是 Tool,后者会改动外部系统,开放权限时要分别考虑。
Resource 是用 URI 标识的数据,比如文件、故障手册或数据库 schema。应用可以通过 resources/list 和 resources/read 找到并读取内容,再决定是否放进上下文。以支付服务为例,编辑器可以直接读取一份已知 URI 的手册,也可以给模型一个查询 Tool,让模型根据用户提到的服务名找手册。两种入口的区别在于由谁选择读取什么。
Prompt 是可复用的消息模板,通常由用户主动触发。例如用户选择「分析当前故障」,应用就可以取回一组预设问题。相关方法是 prompts/list 和 prompts/get。原文还提到 Client 侧的 sampling,即 Server 请求 Host 的模型生成内容,以及向用户请求信息。支持情况取决于 Host 和规范修订版。
下面这条请求展示了支付服务的手册查询在线路上长什么样。
{
"jsonrpc": "2.0",
"id": 7,
"method": "tools/call",
"params": {
"name": "get_runbook",
"arguments": { "service": "paiement" }
}
}
看 arguments 这一行,Server 收到的业务入参是 service: paiement,工具名由同一层的 name 指定。
本地跑通 MCP 后,团队共享还要补什么?
本地使用通常选 stdio。Host 拉起 Server 进程,通过标准输入和标准输出传消息,不需要启动网络服务。原文的示例在 mcpServers 下配置名为 runbooks 的服务,用 command 指定 python,用 args 传入 serveur_runbooks.py,再通过 env 把 RUNBOOKS_DIR 设为 /opt/runbooks。具体配置格式由 Host 决定。
这个模式有一个容易踩的坑。标准输出留给协议消息,调试日志要写到标准错误。对 Node 开发者来说,随手加一条 console.log 就可能把普通文本混进协议流。
团队共享通常选 Streamable HTTP,它支持流式响应,取代早期的 HTTP + SSE 传输。原文把 OAuth 作为 HTTP 鉴权的基础,并建议按共享微服务的方式做部署和监控。此时除了确认 Host 能连通,还要确定谁可以调用哪些工具,以及发生故障时能否追到某次具体调用。原文建议用 MCP Inspector 查看消息和重放调用,用 OpenTelemetry 追踪调用,再逐步扩大开放范围。
我的判断
MCP 的价值在于把「能力怎么被 AI 应用发现」统一了。如果编辑器、内部聊天应用和 Agent 都要查同一套监控数据,平台团队可以在现有 REST API 外包一层 MCP Server,集中维护工具定义。要是只有一个固定应用和几个稳定接口,直接调用 REST 往往更省事。原文也建议核对 Host 支持的修订版和可选能力,接入多端时仍要逐一验证。
作者提到 Dynatrace 插件在 Cursor 里用真实监控数据辅助定位问题,但没有给出操作记录、对照组或修复耗时。这个案例能说明工作流如何串起来。原文关于「工具选项太多会影响选择」的说法也没有给出模型、工具数量或错误率,适合当作经验之谈。团队可以用自己的故障问题观察调用记录,再决定是否拆分工具。
能拿来做什么
- 先给编辑器接一个只读的监控或手册 Server,用一条真实故障问题走完查询流程。用 MCP Inspector 检查 Host 发出的参数、Server 返回的内容,以及模型引用了哪些信息。
- 用 Node 写本地
stdioServer 时,把调试日志送到stderr。先验证tools/list和一次实际tools/call,再排查模型为什么选错工具或传错参数。 - 为团队共享的 Server 配置 HTTP 访问控制和调用追踪,固定第三方 Server 版本并审查升级。加入创建工单等写操作时,给执行步骤加上明确的人工批准。