MCP-Chinese-Getting-Started-Guide · 学习资源

像给AI装上"万能转接头"：MCP编程入门完全指南

MCP工作原理示意 图1：MCP协议在AI应用中的位置——充当模型与外部工具之间的标准化桥梁

当AI陷入"信息孤岛"

想象一下，你正在开发一个 AI 助手，它突然告诉你："我无法访问你公司的数据库，也没法调用你团队积累的内部工具。"这是因为 AI 模型本身是"封闭"的——它只能看到训练时喂进去的数据，无法直接触及真实的外部世界。

MCP（Model Context Protocol）正是来解决这个问题的。它是 Anthropic 在 2024 年底正式发布的一个开源协议，本质上是为大语言模型（LLM）与外部世界建立一套标准化的通信规则。你可以把它理解为 AI 应用的"USB-C 接口"——无论是什么品牌的设备、什么类型的工具，只要遵循这套协议，就能即插即用。

教程截图 图2：项目教程页面，包含从入门到实战的完整代码示例

作者故事：布道者的初心

这个项目来自作者 liaokongVFX，是一份中文编程入门教程，专门面向希望快速掌握 MCP 开发的中国开发者。作者本身是一名技术布道者，教程以实战为导向，从项目初始化、服务器开发、客户端调用，到与 DeepSeek/Cline 的集成，循序渐进，手把手演示。发布后在 GitHub 迅速获得超过 3500 颗星，被大量中文 AI 开发者社群转发引用。

技术原理解析：四大核心原语

MCP 的架构围绕四个核心原语展开：**Tools（工具）**让 AI 能够执行搜索、文件读写、API 调用等操作；**Prompts（提示模板）**提供可复用的指令片段；**Resources（资源）**让 AI 读取数据库、文件系统等外部数据；**Sampling（采样）**则让 AI 在执行敏感操作前请求人类确认。服务端使用 Python 的 FastMCP 高层封装，通过 @mcp.tool() 装饰器即可将任意 Python 函数暴露为 AI 可调用的工具，参数说明直接写在函数的文档字符串中，协议自动提取并注册。

实战上手：从零构建一个MCP工具

使用 FastMCP 高层封装，定义一个网络搜索工具只需要：

from mcp.server import FastMCP
import httpx

app = FastMCP('web-search')

@app.tool()
async def web_search(query: str) -> str:
    """搜索互联网内容
    Args:
        query: 要搜索的内容
    Returns:
        搜索结果的总结
    """
    # ... 使用 httpx 调用智谱 web-search-pro API
    return results

if __name__ == '__main__':
    app.run(transport='stdio')

调用方只需要几行代码就能把这个工具注册到 DeepSeek：

from mcp.client.stdio import stdio_client
from mcp import ClientSession, StdioServerParameters

params = StdioServerParameters(command='uv', args=['run', 'web_search.py'])
async with stdio_client(params) as (read, write):
    async with ClientSession(read, write) as session:
        await session.initialize()
        result = await session.call_tool('web_search', {'query': '杭州天气'})

整个过程不需要任何特殊的网络配置，stdio 走子进程管道，SSE 走 HTTP 长连接，选择灵活。

调试工具 图3：MCP Inspector 可视化调试界面，无需编写测试代码即可验证工具行为

调试与部署

使用官方 Inspector（npx @modelcontextprotocol/inspector uv run web_search.py）或 mcp dev 命令行工具，在浏览器中即可实时调试工具的输入输出。完成开发后，可以将 MCP 服务器配置到 Claude Desktop、Cursor IDE 或 Cline，让 AI 助手直接驱动你的自定义工具。

上手门槛与适用人群

上手门槛极低——只要有 Python 3.11+ 和 uv 包管理器，不需要 GPU，不需要 Docker，不需要任何云资源。作者用中文编写了完整教程，代码示例涵盖 Web 搜索、图片生成（FLUX.1-schnell）、文件操作等常见场景，并提供了 Claude Desktop 的配置文件示例，可以直接将自定义 MCP 服务器接入 Claude Desktop 实现深度集成。

局限与风险

需要注意的是，当前 MCP 生态仍在快速发展中，官方规范和各大 SDK 接口时有变更，本教程的部分写法可能需要对照最新版本做适配。另外，教程中的 API Key（智谱、DeepSeek）需要用户自行申请，运行时会产生少量费用。

行业意义与未来展望

从更宏观的视角看，MCP 的出现标志着 AI 应用从"模型即产品"向"模型即平台"的转型。它不是某个公司的封闭生态，而是一个由 Anthropic 主导、社区共建的开放标准。Anthropic、OpenAI、Google 等主流 AI 厂商都在跟进。随着 Claude Desktop、Cursor、Cline 等主流开发工具陆续支持 MCP，这个协议正在成为 AI 工具链的事实标准。

图4：MCP生态正在快速扩展，支持 Claude Desktop、Cursor、Cline 等主流开发工具

像给AI装上"万能转接头"：MCP编程入门完全指南

MCP工作原理示意 图1：MCP协议在AI应用中的位置——充当模型与外部工具之间的标准化桥梁

当AI陷入"信息孤岛"

教程截图 图2：项目教程页面，包含从入门到实战的完整代码示例

作者故事：布道者的初心

技术原理解析：四大核心原语

实战上手：从零构建一个MCP工具

使用 FastMCP 高层封装，定义一个网络搜索工具只需要：

from mcp.server import FastMCP
import httpx

app = FastMCP('web-search')

@app.tool()
async def web_search(query: str) -> str:
    """搜索互联网内容
    Args:
        query: 要搜索的内容
    Returns:
        搜索结果的总结
    """
    # ... 使用 httpx 调用智谱 web-search-pro API
    return results

if __name__ == '__main__':
    app.run(transport='stdio')

调用方只需要几行代码就能把这个工具注册到 DeepSeek：

from mcp.client.stdio import stdio_client
from mcp import ClientSession, StdioServerParameters

params = StdioServerParameters(command='uv', args=['run', 'web_search.py'])
async with stdio_client(params) as (read, write):
    async with ClientSession(read, write) as session:
        await session.initialize()
        result = await session.call_tool('web_search', {'query': '杭州天气'})

整个过程不需要任何特殊的网络配置，stdio 走子进程管道，SSE 走 HTTP 长连接，选择灵活。

调试工具 图3：MCP Inspector 可视化调试界面，无需编写测试代码即可验证工具行为

调试与部署

上手门槛与适用人群

局限与风险

行业意义与未来展望

图4：MCP生态正在快速扩展，支持 Claude Desktop、Cursor、Cline 等主流开发工具