Standardizing LLM Interaction with MCP Servers

使用 MCP 服务标准化大模型交互

模型上下文协议（Model Context Protocol，简称 MCP）是一项开放协议，用于标准化应用程序向大模型提供上下文的方式。换句话说，它为基于大模型的应用程序提供了一个统一框架，用于连接数据源、获取上下文、使用工具并执行标准提示词。

MCP 生态系统包含三个特定组件：

• MCP 服务负责：工具可用性（公开可用的函数）、工具执行（在收到请求时运行这些函数）、作为资源的静态内容（提供可供引用的数据）、预设提示词（用于常见任务的标准化模板）

• 客户端负责管理：与服务的连接、大模型集成、组件间的消息传递

• 主机提供：前端界面、向用户展示 MCP 功能、整个生态系统的集成点

这种架构创建了一个模块化系统，不同组件可以独立开发，同时保持互操作性。这样一来，用户就可以针对不同的大模型相关功能创建 MCP 服务，并在各种受支持的应用程序中即插即用。MCP 常用于集成服务 API 和工具，或连接到自己设备上的本地数据源。

MCP 服务组件

MCP 服务通过定义明确的接口公开标准化功能，构成了该协议的基础。主机和客户端随后可以使用协议标准连接到这些服务，但如何向用户呈现这些功能仍然灵活开放，由开发者决定。这意味着具体实现和用户体验完全取决于开发者——无论是通过命令行界面、图形应用程序，还是嵌入更大型的系统中。

在本指南中，我们将重点介绍如何构建一个具备核心功能的示例 MCP 服务，并实现一个简单的客户端来演示交互模式。首先，让我们了解 MCP 服务的主要组件：

工具

工具是大模型可以调用以执行操作或检索信息的函数。每个工具都由以下内容定义：

{
  name: string;          // Unique identifier for the tool
  description?: string;  // Human-readable description
  inputSchema: {         // JSON Schema for the tool's parameters
    type: "object",
    properties: { ... }  // Tool-specific parameters
  }
}

工具允许大模型与外部系统交互、执行代码、查询数据库或进行计算。它们代表会产生影响或计算出新信息的操作。

资源

资源代表客户端应用程序可以访问的数据源。它们通过 URI 标识，可以包括：

{
  uri: string;           // Unique identifier for the resource
  name: string;          // Human-readable name
  description?: string;  // Optional description
  mimeType?: string;     // Optional MIME type
}

资源可以是静态的（例如配置文件），也可以是动态的（例如数据库记录或 API 响应）。它们无需调用函数即可向大模型提供上下文。

提示词

提示词是定义特定交互模式的可复用模板。它们使服务能够公开标准化的对话流程：

{
  name: string;              // Unique identifier for the prompt
  description?: string;      // Human-readable description
  arguments?: [              // Optional list of arguments
    {
      name: string;          // Argument identifier
      description?: string;  // Argument description
      required?: boolean;    // Whether argument is required
    }
  ]
}

提示词有助于为常见任务创建一致、专用的交互方式，用户可以通过斜杠命令等 UI 元素调用它们。

注意：工具专为大模型交互而设计（类似于函数调用），而提示词和资源在 MCP 生态系统中承担不同的用途。提示词通常是由用户控制的模板，可通过斜杠命令等 UI 元素直接调用；资源则是由应用程序控制的数据源，可先呈现给用户以供选择，再纳入大模型上下文。

更多详情和其他功能，请参阅 MCP 官方文档

---

设置我们的示例

我们的 MCP 服务将展示工具、资源和提示词。核心概念是创建一个简单的知识库聊天机器人流程，实现以下功能：

1. 让大模型使用工具查询向量数据库，以提供 RAG 响应
2. 让用户选择现有资源以提供上下文
3. 让用户执行标准提示词，以完成更复杂的分析工作流

上图展示的内容已在 mcp_server.py 中实现，并提供了对应的简单命令行客户端 client.py。

如需参考资料，请查看 MCP 的服务列表，其中包含官方集成和社区制作的服务。

---

设置与安装

1. 克隆仓库

git clone https://github.com/ALucek/quick-mcp-example.git
cd quick-mcp-example

2. 创建 ChromaDB 数据库

按照 MCP_setup.ipynb 中的说明创建向量数据库，并将 PDF 嵌入其中。

3. 创建虚拟环境并安装软件包

# Using uv (recommended)
uv venv
source .venv/bin/activate  # On macOS/Linux
# OR
.venv\Scripts\activate     # On Windows

# Install dependencies
uv sync

4. 运行客户端和服务端

python client.py mcp_server.py