最近爆火的MCP究竟有多大魅力？MCP开发初体验｜得物技术

一、前言

MCP 全称 Model Context Protocol，是由 Anthropic公司在 2024 年 11 月推出一个开放协议，主要用于标准化应用程序向大语言模型提供上下文的方式。可以将 MCP 想象成 AI 应用程序的 USB-C 接口。就像 USB-C 为设备连接各种外设和配件提供了标准化方式一样，MCP 为 AI 模型连接不同的数据源和工具提供了标准化方式。

近期 MCP 的热度持续上升，网上也是喷涌出大量相关文章，相信在不远的将来 MCP 将成为每个开发者必备的技能之一，非常值得投入时间学习一下。下面会通过简单的实践来带大家理解一下 MCP 的工作原理，以及展望下 MCP 在未来可能的一些应用场景。

二、MCP 基础架构

基础架构

在开始实践之前，还是简单介绍一下 MCP 的基本架构和一些基础组件：

• MCP Host：需要通过MCP访问数据的程序，例如 Claude Desktop、Cursor、Cline等桌面工具。

  主要职责：接受&返回你的提问、跟模型交互、内置了 MCP Client，与服务器保持一对一连接的协议客户端。

• MCP Server：轻量级程序，每个程序都通过标准化的模型上下文协议 （MCP） 提供特定功能。

  主要职责：能力暴露（操作本地文件&浏览器，访问数据库，访问远程服务）。

• 本地数据源：MCP 服务器可以安全访问的数据库、本地文件、浏览器等。
• 远程服务：MCP 服务器可以通过互联网（例如通过 API）连接到的外部系统。

工作流程

从用户提问，到最终完成任务的完整流程可参考下图：

百闻不如一见，百见不如一练。下面我们手把手开发一个 MCP Server，并且通过 Cline 来使用它，实践过程中会容易帮助我们去理解 MCP。

三、MCP Server 开发&实践

准备MCP Client

这里我用的是 Cline，是 VSCode中的一个插件，直接在 VSCode 插件市场中搜索安装即可，其实这里的 Cline 在 MCP 的概念中是 MCP Host，只是 Host 里面内置了 MCP Client（负责跟模型&MCP Server 交互）。

其实更推荐使用 Claude，但是 Claude注册流程相对复杂一点，对网络环境要求也更高（需要科学上网）。

安装好后，第一步就是需要配置大模型，这里我选择的是 DeepSeek。

需要自行购买 API Key（https://platform.deepseek.com/api_keys）

然后就可以开始配置 MCP server 了，点击右上角的第二个图标。

这里可以使用开源的 MCP Server，也可以使用自己开发的 MCP Server，下面我们尝试自己动手开发一个简单的 MCP Server。

开发MCP Server

想要开发一个 MCP Server，并不需要关心协议本身的一些细节，因为官方推出了各种语言的 SDK （https://modelcontextprotocol.io/sdk/java/mcp-server） ，通过 SDK 可以快速搭建一个 MCP Server，并且主流语言都针对 MCP 推出了自己的框架，Java 也不例外，这里我们选择使用 Spring 框架来搭建一个 MCP Server （https://docs.spring.io/spring-ai/reference/api/mcp/mcp-server...）。

引入依赖

<dependency>    <groupId>org.springframework.ai</groupId>    <artifactId>spring-ai-starter-mcp-server-webmvc</artifactId></dependency>

定义 Tools

这里我们定义一个发送飞书消息的工具类：

import org.springframework.ai.tool.annotation.Tool;import org.springframework.ai.tool.annotation.ToolParam;import org.springframework.stereotype.Service;import com.lark.oapi.Client;import com.lark.oapi.core.cache.LocalCache;import com.lark.oapi.core.enums.AppType;import com.lark.oapi.service.im.v1.enums.MsgTypeEnum;import com.lark.oapi.service.im.v1.enums.ReceiveIdTypeEnum;import com.lark.oapi.service.im.v1.model.CreateMessageReq;import com.lark.oapi.service.im.v1.model.CreateMessageReqBody;import com.lark.oapi.service.im.v1.model.CreateMessageResp;import java.util.concurrent.TimeUnit;/** * @author xinyi */@Servicepublic class LarkService {    private final Client larkClient = feishuClient();    public Client feishuClient() {        return Client.newBuilder(System.getenv("larkAppId"),                   System.getenv("larkAppSecret")).appType(AppType.SELF_BUILT) // 设置app类型，默认为自建                .tokenCache(LocalCache.getInstance()) // 设置token缓存，默认为内存缓存                .requestTimeout(10, TimeUnit.SECONDS) // 设置httpclient 超时时间，默认永不超时                .logReqAtDebug(false)                .build();    }    @Tool(description = "用飞书给用户发消息")    public String sendLarkCardMessage(@ToolParam(description = "接收人邮箱") String receiveEmail,                                      @ToolParam(description = "飞书卡片内容（参考飞书文档要求的结构体）") String cardContent) throws Exception {        CreateMessageReq req = CreateMessageReq.newBuilder().receiveIdType(ReceiveIdTypeEnum.EMAIL.getValue())                .createMessageReqBody(CreateMessageReqBody.newBuilder()                        .receiveId(receiveEmail)                        .msgType(MsgTypeEnum.MSG_TYPE_INTERACTIVE.getValue())                        .content(cardContent)                        .build())                .build();        CreateMessageResp resp = larkClient.im().message().create(req);        return resp.getMsg();    }}

这里 Spring 会自动把@Tools 注解的方法按照 MCP 标准暴露出来，大模型会根据其中的描述来决策是否可以调用此方法。

启动类

import org.springframework.ai.tool.ToolCallbackProvider;import org.springframework.ai.tool.method.MethodToolCallbackProvider;import org.springframework.boot.SpringApplication;import org.springframework.boot.autoconfigure.SpringBootApplication;import org.springframework.context.annotation.Bean;@SpringBootApplicationpublic class McpServerApplication {    public static void main(String[] args) {        SpringApplication.run(McpServerApplication.class, args);    }    @Bean    public ToolCallbackProvider weatherTools(LarkService larkService) {        return MethodToolCallbackProvider.builder().toolObjects(larkService).build();    }}

打包

到这里一个简单的 MCP Server 就已经开发完成了，下面只需要执行 mvn clean package 打成可执行 jar 包就能配置到 Cline 中了。

配置MCP Server

回到 VSCode 的 Cline 插件，点击第二个图标，然后点击下面的 Configure MCP Servers，然后开始编辑右侧的配置文件：

这里的配置文件是 MCP 标准化的，下面基于我们这个 MCP Server 介绍下几个核心配置的含义：

 "mcpServers": {      "lark": {        "disabled": false,        "timeout": 60,        "command": "/Users/admin/Documents/jdk-17.jdk/Contents/Home/bin/java",        "args": [          "-Dspring.ai.mcp.server.stdio=true",          "-Dspring.main.web-application-type=none",          "-Dlogging.pattern.console=",          "-jar",          "/Users/admin/Documents/git/open-source/spring-ai-mcp-server-demo/target/spring-ai-mcp-server-demo-1.0-SNAPSHOT.jar"        ],        "env": {          "larkAppId": "xxx",          "larkAppSecret": "xxx"        },        "autoApprove": [          "sendLarkCardMessage"        ],        "transportType": "stdio"      },

• mcpServers：JSON 配置跟 Key
• lark：MCP Server 唯一标识&名称
• command：启动 MCP Server 的命令（如 Java 就是 java -jar，Node 一般是 npx，Python 一般是 uvx）
• args：执行命令后面的自定义参数
• env：环境变量，用于配置一些可配置参数，比如密钥、外部 URL 等

这里配置好了后，如果右上角的点变成了绿色说明 MCP Server 加载成功，而且在下面还可以看到 MCP Server 提供的所有 Tools，以及每个 Tool 的参数跟描述。

开始体验

点击右上角的+号开始聊天：给我发一条下午好的飞书卡片消息，附带一下今日的热点新闻。

可以看到 Cline 调用了大模型开始思考，并且根据 MCP Server 提供的 Tools 开始选择发送消息接口并执行。

而且如果第一次尝试失败，还会自动纠错，最后成功调用了我们 MCP Server 提供的 Tools，发送了一条消息给我。

进阶体验

上面的例子我们只用到了一个 Tools，我们可以尝试组合多个 Tools&多个 MCP Server 来实现更复杂的任务，比如我们现在再开发一个可以操作 ES 的 MCP Server，然后打包后配置到 Cline 中。

@Tool(description = """        通用ES查询工具，参数示例：        path: 请求路径        method: HTTP请求方法 GET 或 POST        queryJson: 具体请求体        """)public String searchByQuery(        String path,        String method,        String queryJson) {    String url = String.format("%s/%s", System.getEnv("esBaseUrl"), path);    HttpEntity<String> request = buildEsRequest(queryJson);    ResponseEntity<String> response = restTemplate.exchange(            url, HttpMethod.valueOf(method), request, String.class);    return response.getBody();}

配置好后，在对话中发送：分析一下 es 集群目前的索引分布，重点分析一下哪些索引的分片设置不合理，最终整理后飞书发给我。

然后会根据请求 ES 返回的结果，再次吐给模型进行分析。

最终整理后通过飞书发送一份简单报告。

联想一下

想象一下，如果组合一下飞书文档、浏览器操作、文件系统、发布系统对接等 MCP Server，一句话就可以让大模型从自动连接浏览器，打开飞书文档，分析需求，分析视觉稿，然后自己写代码，对比视觉稿，你就喝杯咖啡，静静的看着它工作。

顺带推荐一下常用的 MCP Client 以及一些现成的 MCP Server。

• MCP Client List：
• • https://modelcontextprotocol.io/clients

<!---->

• MCP Server List：
• • https://github.com/modelcontextprotocol/servers
  • https://github.com/punkpeye/awesome-mcp-servers/blob/main/README-zh.md

四、总结

相信大家通过上面的实践后，对 MCP 有了一个基本的认识，组合多个 MCP Server 的工作流可以自主完成非常复杂的任务，关键是这协议统一了连接标准，有大量现成的 MCP Server 可以即插即用，大幅降低建设成本。总之 MCP 协议的持续落地，让 AI 不再只是聊天工具，而是工业智能革命的万能操作平台，在未来潜力无限，想象无限，值得每一位开发者去学习并掌握它！

往期回顾

1. 得物可观测平台架构升级：基于GreptimeDB的全新监控体系实践

2. 得物业务参数配置中心架构综述

3. 得物增长兑换商城的构架演进

4. 得物自研DGraph4.0推荐核心引擎升级之路

5. 大语言模型的训练后量化算法综述 | 得物技术

文 / 新一

关注得物技术，每周更新技术干货

要是觉得文章对你有帮助的话，欢迎评论转发点赞～

未经得物技术许可严禁转载，否则依法追究法律责任。