MCP (Model Context Protocol) 技术理解 - 第六篇

引言

上一篇文章里，我们拆解了一个天气实时预报的MCP Server，相信大家对MCP的基本形态已经有了一些体感。那么这一篇，咱们重点聊聊MCP客户端在实际使用中会遇到的问题和配置方式。如果篇幅允许，还会顺带介绍几个MCP的高级特性。

在正式开始之前，先快速回顾一下此前的系列内容，方便大家保持知识连贯：MCP技术理解系列的前五篇文章，分别从协议基础、工作原理、Server实现等角度做了梳理。这一篇则要深入Client端，解决“怎么调”、“怎么配”这些更落地的问题。

如何调用MCP server

很多人会有一个误区：是不是让LLM直接发出指令，就能调用对应的MCP Server？这个理解其实是不对的。根本原因在于，LLM本身不具备外调能力——它不能直接发起一个HTTP请求或执行一个系统命令。

实际上，调用MCP Server的场景可分为两类。但无论哪种情况，真正的调用方都是AI应用通过MCP Client来完成的，LLM只负责推理输入和输出。弄清楚这两类场景，我们再去拆解MCP Client的配置细节，就会清晰很多。

这里先铺垫两个关键认识：

• 安全隔离
  ：这意味着你可以在Client层做前置拦截。如果LLM“发疯”了，想执行rm -rf /这样的危险操作，你的Ja va或Go代码完全可以在发送给Server之前检测并拦截这个请求。

• 协议转换
  ：LLM输出的是文本/Token，而MCP Server需要的是JSON-RPC消息。Client就是那个适配器（Adapter），负责完成这两种格式的互转。

场景一：作为用户在现有host中调用

如果你只是想让Claude Code或Cursor这类现成的AI应用，去调用一个现成的MCP Server（包括你自己编写的），那你根本不需要写任何MCP Client代码，只需要修改配置文件即可。在这种情况下，host就是AI应用本身，它已经内置了写好的MCP Client代码。你配置好MCP Server，它就会自动维护连接、完成后续的一切。

场景二：作为开发者通过代码调用

如果你想在自己开发的Ja va、Go或Python程序中调用一个MCP Server——比如构建一个能调用本地工具的AI Agent——那你就需要自己实现一个MCP Client。

以Stdio传输方式为例，核心交互流程可以简化为三步：

1. 启动进程
   ：你的程序（Client）启动MCP Server作为子进程，比如执行npx -y @modelcontextprotocol/server-filesystem这样的命令。

2. 握手（Initialization）
   ：发送initialize请求，协商协议版本和能力。

3. 发送指令
   ：发送tools/list、tools/call、resources/read等JSON-RPC消息。

在这个场景下，你需要自己编写MCP Client代码来处理初始化链接、维护协议和连接、发送消息以及处理响应。

一次MCP调用示例

看过上面的流程，可能有人还会疑惑：那LLM在整个过程中到底扮演什么角色？别急，我们上面其实已经说了——AI应用通过MCP Client调用MCP Server，LLM只负责推理输入和输出。下面用一个完整的调用链来演示，看完就清楚了。

先明确各个角色的职责：

• AI应用
  ：负责管控全局，协调各个请求和负载均衡。

• MCP Client
  ：负责连接Server、管理进程、维护对话上下文。

• MCP Server
  ：无状态的Worker。它不知道上下文，不关心是谁在问，只负责接收指令 → 干活 → 返回结果。

• LLM
  ：它没有“手脚”（不能联网、不能读文件）。它的工作是对用户的自然语言进行分析，对比AI应用提供的Tools List，然后生成一个结构化的JSON文本，告诉AI应用：“请帮我调用这个函数，参数是X和Y。”

下面是完整的交互流程：

• 初始化（Handshake）
  ：
  • Client启动Server。
  • Client询问Server：“你有什么本事？”（Tools List）
  • Server回答：“我会读文件（fs.read），我会查数据库（db.query）。”

• 用户提问
  ：
  • 用户对Client说：“帮我查一下user_id=101的订单。”

• Prompt组装（AI应用内部逻辑）
  ：
  • AI应用将用户的System Prompt + Server提供的工具定义（Schema）+ 用户问题，打包发给LLM。

• LLM决策
  ：
  • LLM经过推理，发现db.query工具能解决这个问题。
  • LLM返回给AI应用（而不是直接给Server）一个结构化的指令：{ "tool_use": "db.query", "params": { "sql": "SELECT * FROM orders WHERE user_id=101" } }

• 执行（真正的MCP调用发生在这里）
  ：
  • AI应用解析LLM的响应，发现它想调用工具，于是控制MCP Client发送相关请求和数据。
  • Client通过JSON-RPC（Stdio/SSE）向MCP Server发送tools/call请求。

• Server响应
  ：
  • Server执行SQL，返回JSON数据给Client。

• 回环（Loop Back）
  ：
  • AI应用接收到Client返回的数据，将Server的执行结果再次喂给LLM。
  • AI应用说：“刚才你让我调用的工具，结果是[Order A, Order B]，请生成给用户的最终回复。”

• 最终输出
  ：
  • LLM生成自然语言回复：“用户你好，ID为101的用户有两笔订单……”

在AI应用里面配置MCP server

相信通过上面的解析，大家对整个调用过程应该比较清晰了。接下来，我们再按场景逐步拆解MCP Client的配置问题。

前面提到，在Claude Code这类现成的AI应用里，我们只需要配置MCP Server即可，不需要编写MCP Client代码。下面以Claude Code为例，具体看看怎么配。

配置信息写在claude_desktop_config.json文件中：

// ~/Library/Application Support/Claude/claude_desktop_config.json { "mcpServers": { "weather": { "command": "uv", "args": ["--directory", "/absolute/path/to/weather", "run", "weather-server"] }, "filesystem": { "command": "npx", "args": ["-y", "@modelcontextprotocol/server-filesystem", "/Users/username/Documents"] }, "github": { "command": "npx", "args": ["-y", "@modelcontextprotocol/server-github"], "env": { "GITHUB_PERSONAL_ACCESS_TOKEN": "ghp_your_token_here" } } } }

可以将每一项配置理解为在终端执行一个长连接的子进程。以下是关键参数的拆解：

：根节点，是一个Map。Key（如weather、github）是该Server的唯一标识符，用于在AI界面显示和内部隔离。

这是Client尝试启动的二进制文件或脚本解释器，用于指定入口程序。常见值包括npx（Node.js）、python、uv（Python包管理器），或者你编译好的Go/Ja va二进制文件。

这是一个字符串数组，会被追加在command后面，形成完整的shell启动命令。

• weather示例
  ：uv --directory /path/to/weather run weather-server，这告诉uv切换到特定目录并运行该项目。

• filesystem示例
  ：npx -y @modelcontextprotocol/server-filesystem /Users/username/Documents。-y表示自动确认安装，最后一个参数是传给Server程序内部的参数，告知它允许访问哪个文件夹——这是一个白名单机制。

这是子进程启动时注入的环境变量，用于传递敏感信息（API Keys）或配置参数，从而避免将这些信息硬编码在代码或命令行参数中。就像在Docker中配置ENV或在本地.env文件中定义变量一样。以GitHub示例为例，GITHUB_PERSONAL_ACCESS_TOKEN会被注入到该进程的上下文中，Server代码可以通过os.Getenv("GITHUB_PERSONAL_ACCESS_TOKEN")（Go）或System.getenv(...)（Ja va）获取。

通过代码来调用MCP server

这就是前面说的场景二——在自己构建的AI应用中，需要使用官方提供的SDK来编写MCP Client代码。

这里补充一个信息：官方提供了多种SDK。其中，后端开发常用的Go SDK由Google和Go官方维护，Ja va SDK由Spring AI官方维护，而Python SDK则由MCP官方维护。

下面是用Python SDK编写MCP Client的示例代码：

from mcp import ClientSession, StdioServerParameters from mcp.client.stdio import stdio_client # 配置服务器参数 server_params = StdioServerParameters( command="uv", args=["--directory", "/path/to/weather", "run", "weather-server"], ) async def main(): async with stdio_client(server_params) as (read, write): async with ClientSession(read, write) as session: # 初始化连接 await session.initialize() # 列出可用工具 tools = await session.list_tools() print("A vailable tools:", tools) # 调用工具 result = await session.call_tool( "get_forecast", arguments={"latitude": 37.7749, "longitude": -122.4194} ) print("Forecast:", result) # 列出资源 resources = await session.list_resources() print("A vailable resources:", resources) # 读取资源 config = await session.read_resource("weather://config") print("Config:", config) if __name__ == "__main__": import asyncio asyncio.run(main())

总结

这一篇主要解答了MCP Client的几个核心问题：Client到底怎么调用Server？在不同场景下，我们该如何配置或编写客户端代码？相信结合前面的系列文章，大家对MCP的整体理解已经比较完整了。下一篇我们会继续深入，聊聊MCP的高级特性以及一些需要特别注意的细节——这些点在实际落地中尤为重要。