目录

一、 什么是 MCP？为什么它是 AI Agent 的“标准插座”？

二、 从零搭建：一个简单的“天气/运维”MCP Server

1. 环境准备

2. 编写核心代码 (server.py)

三、 无状态架构：为什么是“无状态”？

四、 如何让 AI 调用它？

五、 给开发者的进阶技巧（实战避坑）

六、 总结：通往 AI Agent 运维化之路

---

如果您喜欢此文章，请收藏、点赞、评论，谢谢，祝您快乐每一天。

随着 Model Context Protocol (MCP) 在 7 月底的正式发布，AI Agent 的开发范式发生了剧变。过去，开发者需要为每一个 AI 模型（Claude, ChatGPT 等）重复对接各种工具；而现在，MCP 提供了一个标准的“通用接口”，让 AI 服务器像连接打印机一样连接各种工具、数据库和 API。

一、 什么是 MCP？为什么它是 AI Agent 的“标准插座”？

MCP 的核心在于将 AI 模型（Host） 与 外部资源/工具（Server） 分离：

• Host (客户端): 例如 Claude Desktop, Cursor, 或你自己写的 Agent。
• Server (服务端): 实现 MCP 协议的程序，提供工具（Tools）、资源（Resources）和提示词（Prompts）。

核心优势： 一次开发，随处调用。你用 Node.js 或 Python 写一个 MCP Server，Claude Desktop 能用，Cursor 能用，未来所有支持 MCP 的 AI 都能直接调用。

---

二、 从零搭建：一个简单的“天气/运维”MCP Server

我们以 Python SDK 为例，搭建一个能够查询内网服务状态或简单信息的 MCP Server。

1. 环境准备

# 创建项目目录
mkdir my-mcp-server && cd my-mcp-server
python -m venv venv && source venv/bin/activate
pip install mcp

2. 编写核心代码 (server.py)

MCP Server 的本质是一个基于 JSON-RPC 的无状态通信程序。

from mcp.server.fastmcp import FastMCP

# 初始化 Server，名字叫 "Ops-Tools"
mcp = FastMCP("Ops-Tools")

# 定义一个工具：AI 可以直接调用这个函数
@mcp.tool()
def get_service_status(service_name: str) -> str:
    """查询指定服务的运行状态"""
    # 模拟内网运维逻辑
    if service_name == "db-prod":
        return "Service 'db-prod' is running normally (latency: 12ms)."
    return f"Service '{service_name}' not found."

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

三、 无状态架构：为什么是“无状态”？

MCP 协议被设计为无状态 (Stateless) 是极其明智的：

1. 弹性扩展： 由于 Server 不保存对话上下文，你可以通过 Nginx 或负载均衡器轻松横向扩展多个实例。
2. 安全隔离： 每个请求都是独立的，不会出现跨用户污染。
3. 便于调试： 你可以通过标准输入/输出 (stdio) 直接运行脚本进行调试，而不需要搭建复杂的长连接。

---

四、 如何让 AI 调用它？

你需要告诉 AI（以 Claude Desktop 为例）你的 Server 在哪里。在配置文件 ~/Library/Application Support/Claude/claude_desktop_config.json 中添加：

{
  "mcpServers": {
    "my-ops-tool": {
      "command": "python",
      "args": ["/path/to/my-mcp-server/server.py"]
    }
  }
}

重启 Claude Desktop 后，你会看到一个“小插头”图标，点击它，AI 就已经“学会”了如何通过 get_service_status 函数与你的系统交互。

重启 Claude Desktop 后，你会看到一个“小插头”图标，点击它，AI 就已经“学会”了如何通过 get_service_status 函数与你的系统交互。

---

五、 给开发者的进阶技巧（实战避坑）

1. 数据流监控： MCP Server 默认通过 stdio 通信。如果你想调试，可以在启动脚本中将 stderr 重定向到一个日志文件，或者在代码中加入 logging.basicConfig(filename="mcp.log", level=logging.DEBUG)。

2. 安全性（重中之重）：

   • 不要暴露敏感权限： MCP Server 运行在本地，如果你的工具允许执行 rm -rf，AI 可能会误操作。
   • 最小化原则： 工具函数中一定要加入权限检查，比如只读数据库连接，或者通过鉴权层拦截请求。

3. 利用资源（Resources）而非工具（Tools）：

   • Tools 是“动作”（如发送邮件、查询数据库）。
   • Resources 是“数据”（如读取服务器配置文档、查看日志片段）。
   • 如果你只是给 AI 提供信息，请使用 Resources，它能让模型更高效地获取上下文。

---

六、 总结：通往 AI Agent 运维化之路

MCP 的发布标志着 AI Agent 从“玩具”向“基础设施”的转变。

• 对于运维： 你不再需要开发繁琐的 API 接口，只需要把现有的运维脚本套上一层 MCP 外壳，AI 就能自主诊断故障。
• 对于开发者： 你正在构建的是一个标准化的生态。今天你为自己的公司写了一个 MCP 数据库查询工具，明天你就可以把同样的逻辑迁移到 Cursor 中，作为你个人的代码分析助手。

建议下一步： 尝试将你的企业内网 API 或常用的 CLI 工具封装进一个 MCP Server。当你第一次在聊天框输入“查询下 db-prod 的状态”并看到 AI 自主执行该函数时，你会感受到 AI 运维的真正魅力。

如果您喜欢此文章，请收藏、点赞、评论，谢谢，祝您快乐每一天。