MCP是Anthropic 2024年11月开源的协议标准，解决AI Agent跨工具协作的碎片化问题。底层用JSON-RPC 2.0，采用Host-Client-Server三层架构。Cursor、Claude Code、Codex CLI已原生支持，社区Server超5000个。核心提供Tools、Resources、Prompts、Sampling四类能力，让Agent动态发现和调用外部工具，不需要硬编码API端点。

AI Agent要完成复杂任务，往往需要调用多个外部工具：读文件、查数据库、跑测试、部署代码。在MCP出现之前，每个AI编程工具是信息孤岛，Cursor不认识Claude Code写了什么，不同工具之间无法传递上下文。MCP协议就是给这些工具一个共同语言，让它们能互相传递上下文、调用彼此的工具。

MCP协议解决什么实际问题

MCP解决的核心痛点是m个模型乘n个工具需要m×n次定制开发的碎片化问题。引入MCP后只需m+n次实现即可全互联。一个典型场景：产品经理用Vibe Coding工具画出原型，开发者在Cursor里实现，测试在Claude Code里跑。以前这三步需要手动传递上下文，MCP让它们自动衔接。产品经理画的原型里的组件定义，直接变成开发者Cursor里的代码骨架，测试结果自动回传。

从架构上看，MCP采用Host-Client-Server三层模型。Host是运行Agent的应用（比如Cursor），Client是Host内部负责MCP通信的模块，Server是暴露工具和数据的外部进程。Host可以同时连接多个Server，Agent通过Client动态发现各Server提供的能力列表，按需调用。这种设计让Agent的工具有了可插拔的扩展性。

MCP的核心能力有哪些

MCP Server通过JSON-RPC 2.0协议暴露四类核心原语供Agent调用：

• Tools：让Agent调用外部工具，比如运行测试、部署代码、查询数据库。Agent发起tools/call请求，Server执行操作并返回结果。
• Resources：让Agent读取外部数据，比如文件系统内容、API响应、数据库记录。Agent通过resources/read按URI读取。
• Prompts：预定义的提示模板，比如代码审查模板、测试生成模板。Agent通过prompts/get获取标准化提示，确保输出一致性。
• Sampling：让Server反向请求Agent生成内容，用于动态提示补全等场景。

怎么在项目中接入MCP

接入MCP的核心步骤是：选择或编写MCP Server暴露你的工具能力，在Agent客户端配置Server连接，然后通过标准接口调用Tools和Resources。下面是一个完整的stdio客户端实现，展示Agent如何通过JSON-RPC 2.0与MCP Server通信。

Python客户端实现

import asyncio
import json
from typing import Any, Dict, List, Optional

class MCPStdioClient:
    """MCP stdio 客户端
    通过子进程启动 MCP Server，使用 JSON-RPC 2.0 over stdio 通信。
    支持 tool（工具调用）和 resource（资源读取）两类能力。
    """

    def __init__(self, command: List[str]):
        self.command = command
        self.process: Optional[asyncio.subprocess.Process] = None
        self.request_id = 0

    async def connect(self) -> Dict[str, Any]:
        """启动 MCP Server 子进程，发送 initialize 握手"""
        self.process = await asyncio.create_subprocess_exec(
            *self.command,
            stdin=asyncio.subprocess.PIPE,
            stdout=asyncio.subprocess.PIPE,
            stderr=asyncio.subprocess.PIPE,
        )
        return await self._request("initialize", {
            "protocolVersion": "2024-11-05",
            "capabilities": {},
            "clientInfo": {"name": "my-agent", "version": "1.0.0"},
        })

    async def list_tools(self) -> List[Dict[str, Any]]:
        """列出 Server 暴露的工具列表"""
        result = await self._request("tools/list", {})
        return result.get("result", {}).get("tools", [])

    async def call_tool(self, name: str, arguments: Dict[str, Any]) -> Any:
        """调用指定工具"""
        return await self._request("tools/call", {
            "name": name,
            "arguments": arguments,
        })

    async def read_resource(self, uri: str) -> Any:
        """读取指定资源（文件、数据库等）"""
        return await self._request("resources/read", {"uri": uri})

    async def _request(self, method: str, params: Dict[str, Any]) -> Any:
        """发送 JSON-RPC 2.0 请求，逐行读取响应"""
        self.request_id += 1
        payload = json.dumps({
            "jsonrpc": "2.0",
            "id": self.request_id,
            "method": method,
            "params": params,
        })
        self.process.stdin.write((payload + "\n").encode())
        await self.process.stdin.drain()
        line = await asyncio.wait_for(
            self.process.stdout.readline(), timeout=15.0
        )
        return json.loads(line)

    async def close(self):
        """终止子进程"""
        if self.process:
            self.process.terminate()
            await self.process.wait()

async def main():
    """连接 filesystem MCP Server，演示工具发现与调用"""
    client = MCPStdioClient([
        "npx", "-y",
        "@modelcontextprotocol/server-filesystem", "/tmp",
    ])
    try:
        # 1. 握手
        init = await client.connect()
        print(f"已连接: {init.get('result', {}).get('serverInfo', {})}")

        # 2. 发现工具
        tools = await client.list_tools()
        print(f"发现 {len(tools)} 个工具")
        for t in tools[:5]:
            print(f"  - {t.get('name')}: {t.get('description', '')[:40]}")

        # 3. 读取资源
        result = await client.read_resource("file:///tmp")
        print(f"资源读取: {json.dumps(result, ensure_ascii=False)[:120]}")
    finally:
        await client.close()

if __name__ == "__main__":
    asyncio.run(main())

Cursor配置示例

在实际项目中，配置MCP Server不需要写代码。在Cursor的配置文件.cursor/mcp.json中声明要连接的Server即可：

{
  "mcpServers": {
    "claude-code": {
      "command": "claude",
      "args": ["--mcp-server"],
      "env": {
        "ANTHROPIC_API_KEY": "${ANTHROPIC_API_KEY}"
      }
    },
    "filesystem": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-filesystem", "/workspace"]
    },
    "postgres": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-postgres", "postgresql://localhost/mydb"]
    }
  }
}

配置完成后，Agent在启动时会自动连接所有声明的MCP Server，动态发现它们提供的工具和资源，不需要在代码中硬编码API端点。

哪些工具已经支持MCP

截至2026年初，Cursor、Claude Code、Codex CLI已原生支持MCP，社区Server数量超过5000个，覆盖文件系统、数据库、Git、Kubernetes等常见场景。Windsurf和Copilot官方尚未宣布支持，生态还在快速扩展。MCP已成为智能体生态里事实上的标准协议。

对于想在终端环境实践MCP工作流的开发者，SophCode CLI既可以作为MCP Client调用外部Server，也可以作为Server暴露本地能力给其他Agent。内置8款模型自由切换，代码不出本地，文件读写有沙箱限制，命令执行逐条确认。在sophnet.com/sophcode-cli可以了解详情。

MCP协议的意义在于把AI Agent从单工具孤岛推向多工具协作。理解MCP的设计思路，有助于在选型和搭建Agent工作流时做出更好的决策。从m×n到m+n的简化，不只是工程效率提升，更是Agent生态从碎片化走向标准化的关键一步。