MCP 协议从入门到实战：用 AI 连接你的数据库与外部工具

一、什么是 MCP？为什么它突然火了？

MCP（Model Context Protocol，模型上下文协议）是由 Anthropic 推出的一种开源标准协议，旨在为 AI 应用与外部系统之间建立统一的通信接口。你可以把它理解为 AI 世界的"USB-C 接口"——就像 USB-C 统一了电子设备的连接方式一样，MCP 统一了大模型与数据库、API、文件系统等工具的交互方式。

截至 2026 年中，MCP 生态已经相当成熟：Claude Desktop、ChatGPT、Cursor、VS Code、JetBrains 等主流 AI 客户端都已原生支持 MCP，GitHub 上各类型 MCP Server 项目累计获得数十万 Star。华为云、金仓数据库等厂商也纷纷推出官方的 MCP Server 方案。

二、MCP 的核心架构

MCP 采用标准的客户端-服务器架构：

• MCP Host：运行 AI 模型的客户端，如 Claude Desktop、Cursor、VS Code
• MCP Client：Host 内部与 Server 建立一对一连接的通信层
• MCP Server：轻量级程序，通过标准化接口暴露特定功能

每个 MCP Server 可以暴露三种核心能力：

• Tools（工具）：可由 LLM 调用的函数，如查询数据库、调用 API
• Resources（资源）：可被客户端读取的文件类数据
• Prompts（提示词）：预定义的模板

数据传输支持两种模式：

• Stdio：本地开发首选，无需开放端口
• SSE/Streamable HTTP：远程访问，支持 HTTPS

三、实战：从零构建一个 MCP Server

下面用 Python 构建一个实用的文本分析 MCP Server，提供文本统计分析和关键词提取两个工具。以下代码已在本地验证通过。

环境准备

curl -LsSf https://astral.sh/uv/install.sh | sh
uv init text-analyzer-mcp
cd text-analyzer-mcp
uv venv
source .venv/bin/activate
uv add "mcp[cli]"

编写 Server 代码

创建 text_analyzer.py：

import re
import sys
from collections import Counter
from typing import Any
from mcp.server.fastmcp import FastMCP

mcp = FastMCP("text-analyzer")

def count_words(text: str) -> dict[str, Any]:
    words = re.findall(r"[a-zA-Z]+", text)
    return {
        "total_words": len(words),
        "unique_words": len(set(words)),
        "word_frequencies": dict(Counter(words).most_common(10)),
    }

def count_sentences(text: str) -> dict[str, Any]:
    sentences = re.split(r"[。！？.!?\n]+", text)
    sentences = [s.strip() for s in sentences if s.strip()]
    total = len(sentences)
    avg_len = round(sum(len(s.split()) for s in sentences) / max(total, 1), 2)
    return {"total_sentences": total, "avg_sentence_length": avg_len}

def count_characters(text: str) -> dict[str, Any]:
    chinese_chars = len(re.findall(r"[\u4e00-\u9fff]", text))
    return {"chinese_chars": chinese_chars, "total_chars": len(text)}

@mcp.tool()
def analyze_text(text: str) -> str:
    """分析文本并返回综合统计信息"""
    word_stats = count_words(text)
    sentence_stats = count_sentences(text)
    char_stats = count_characters(text)
    result = f"""📊 文本分析结果

📝 基本统计
  · 总字符数: {char_stats['total_chars']}
  · 中文字数: {char_stats['chinese_chars']}
  · 英文单词数: {word_stats['total_words']}
  · 唯一单词数: {word_stats['unique_words']}
  · 句子数: {sentence_stats['total_sentences']}

🔝 高频词汇 Top 10:"""
    freq = word_stats["word_frequencies"]
    if freq:
        for i, (word, count) in enumerate(freq.items(), 1):
            result += f"\n  {i}. \"{word}\" — {count} 次"
    else:
        result += "\n  （文本中未检测到英文词汇）"
    return result

@mcp.tool()
def extract_keywords(text: str, top_n: int = 5) -> str:
    """提取文本中的关键词"""
    stop_words = {"the", "a", "an", "is", "are", "was", "were",
                  "have", "has", "had", "do", "does", "did",
                  "to", "of", "in", "for", "on", "with", "and", "or"}
    words = re.findall(r"[a-zA-Z]+", text.lower())
    filtered = [w for w in words if w not in stop_words and len(w) > 1]
    freq = Counter(filtered)
    keywords = freq.most_common(top_n)
    if not keywords:
        return "未检测到足够的关键词"
    result = f"🔑 关键词提取（Top {top_n}）\n"
    for i, (word, count) in enumerate(keywords, 1):
        result += f"  {i}. \"{word}\" — {count} 次\n"
    return result

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

验证

uv run text_analyzer.py

启动后，任意支持 MCP 的客户端均可连接使用这两个工具。

四、接入 AI 客户端

以 Cursor/VS Code 为例，在 MCP 配置中添加：

{
  "mcpServers": {
    "text-analyzer": {
      "command": "uv",
      "args": ["run", "--directory", "/path/to/text-analyzer-mcp", "text_analyzer.py"]
    }
  }
}

五、实际应用场景

• 数据库查询：自然语言查询 MySQL/PostgreSQL，无需手写 SQL
• 文件操作：AI 直接读写本地文件、JSON 配置
• API 集成：调用 GitHub、Slack、Notion 等第三方服务
• 浏览器自动化：MCP + Playwright 实现 AI 驱动浏览器操作

六、总结

MCP 协议通过标准化接口，大幅降低了 AI 与外部工具的集成门槛。一次编写，多客户端复用。掌握 MCP 开发是搭建 AI 时代基础设施的重要技能。