人工智能-模型上下文协议MCP

作者：马育民 • • 阅读：10030

介绍

AI领域的MCP即模型上下文协议（Model Context Protocol），是Anthropic于2024年11月推出的开源标准，核心是统一LLM与 外部工具/数据源的交互接口，实现“即插即用”的安全双向通信，适配 本地/远程 部署，被称为AI的“USB‑C接口”。

定位与解决的痛点

核心问题 传统方案 MCP方案
接口碎片化 为每个工具定制API连接代码，适配成本高 统一JSON‑RPC接口，一次开发适配全工具
能力局限 模型无法直接操作外部系统（数据库/文件） 通过MCP Server封装工具，支持函数调用与状态同步
安全风险 敏感数据暴露于开放接口 内置身份认证、权限控制与操作审计
生态割裂 模型与工具绑定，跨平台协作难 开放标准，支持Claude、GPT、国产模型等跨平台兼容

架构与组件

MCP采用Client‑Server架构，核心组件分工明确：

组件 角色 核心功能 典型示例
MCP Host LLM运行环境 用户交互入口，加载MCP配置 Claude Desktop、Cursor IDE、自定义PyTorch推理服务
MCP Client 通信枢纽 将模型指令转为标准化请求 基于JSON‑RPC 2.0封装请求，处理响应
MCP Server 工具适配器 注册工具/数据源，执行调用并返回结果 本地文件服务器、数据库代理、第三方API网关
资源/工具 服务载体 提供数据访问或可执行功能 本地CSV文件、PostgreSQL、天气API、Slack

工作流程（以查询本地CSV为例）

  1. 初始化：MCP Host加载Server配置（工具定义、权限规则）；
  2. 请求发起：用户输入“分析data.csv的销售额趋势”，Host传递给Client；
  3. 协议转换：Client将自然语言意图转为JSON‑RPC请求（指定工具、参数）；
  4. 服务执行：Server接收请求，读取CSV并计算趋势，返回结构化结果；
  5. 结果整合：Client解析响应，Host将结果转为自然语言呈现给用户。

关键技术细节

  1. 传输机制（基于JSON‑RPC 2.0）
    • stdio（标准输入/输出）：轻量同步，适合本地工具（如文件系统、SQLite）；
    • SSE+HTTP POST：异步事件驱动，适合远程服务（如GitHub、Slack API）。
  2. 核心能力分类
    • 资源（Resources）：静态/可查询数据（文件、数据库）；
    • 工具（Tools）：可调用函数/API（数据处理、邮件发送）；
    • 提示词（Prompts）：结构化模板，规范模型输出格式。
  3. 安全机制
    • 身份认证：API密钥、OAuth2.0；
    • 权限控制：细粒度资源访问策略；
    • 审计日志：记录工具调用、参数、结果，支持追溯。

PyTorch工程化示例（本地文件工具）

以下实现极简MCP Server（读取本地CSV）+ PyTorch Client（调用工具并分析数据），适配教学与实训场景。

1. 环境准备

pip install torch pandas jsonrpcserver[asyncio] jsonrpcclient

2. MCP Server（本地文件工具，stdio模式）

# mcp_file_server.py
from jsonrpcserver import method, async_dispatch
import pandas as pd
import asyncio
import sys

@method
async def read_csv(file_path: str, columns: list = None) -> dict:
    """读取CSV并返回指定列数据"""
    try:
        df = pd.read_csv(file_path)
        if columns:
            df = df[columns]
        return {
            "success": True,
            "data": df.to_dict("records"),
            "columns": df.columns.tolist()
        }
    except Exception as e:
        return {"success": False, "error": str(e)}

async def main():
    while True:
        data = await asyncio.get_event_loop().run_in_executor(None, sys.stdin.readline)
        if not data:
            break
        response = await async_dispatch(data)
        print(response, flush=True)

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

3. PyTorch Client（调用MCP工具并分析）

# pytorch_mcp_client.py
import torch
from jsonrpcclient import request, parse_json
import subprocess
import json

class MCPTorchClient:
    def __init__(self, server_path: str):
        self.server = subprocess.Popen(
            [sys.executable, server_path],
            stdin=subprocess.PIPE,
            stdout=subprocess.PIPE,
            stderr=subprocess.PIPE,
            text=True,
            bufsize=1
        )

    def call_tool(self, method: str, **params) -> dict:
        """发送MCP请求并接收响应"""
        req = request(method, **params)
        self.server.stdin.write(req + "\n")
        self.server.stdin.flush()
        response = self.server.stdout.readline()
        return parse_json(response).result

    def close(self):
        self.server.stdin.close()
        self.server.wait()

# 示例：用PyTorch分析CSV数据
if __name__ == "__main__":
    client = MCPTorchClient("mcp_file_server.py")
    try:
        # 1. 调用MCP工具读取CSV
        result = client.call_tool("read_csv", file_path="sales.csv", columns=["date", "revenue"])
        if not result["success"]:
            print(f"读取失败: {result['error']}")
            exit(1)

        # 2. PyTorch处理数据（趋势预测）
        revenues = torch.tensor([d["revenue"] for d in result["data"]], dtype=torch.float32)
        trend = torch.mean(revenues[-7:] - revenues[-14:-7])  # 周环比趋势

        # 3. 输出结果
        print(f"销售额周环比趋势: {'上升' if trend > 0 else '下降'} (幅度: {abs(trend):.2f})")
    finally:
        client.close()

总结

MCP是AI Agent时代的标准化基石，其价值在于“统一接口+安全可控+生态开放”。通过PyTorch与MCP的结合，可快速实现模型与外部系统的联动，适合在软件工程实训中用于“大模型应用开发”“智能体构建”等模块，帮助学生理解LLM落地的核心技术路径。

需要我把这个PyTorch+MCP示例扩展为完整的实训教案，包含教学目标、步骤、验收标准与常见问题吗？

原文出处：/show_1GW2djPAAPve.html

吉ICP备15003043号