MCP 生态崛起——像搭积木一样复用 AI 工具

前言

上一篇文章我们聊了 MCP 的基础概念和跨进程调用。今天继续深入，看看 MCP 生态到底能给我们的开发效率带来多大提升。本文将带你从零开始，掌握如何像搭积木一样，通过 MCP 快速集成各种 AI 工具，让你的 Agent 拥有无限扩展的能力。

先看一个场景：你的 Agent 需要——

• 查询某个坐标点附近的酒店
• 把结果保存到本地文件
• 打开浏览器展示酒店图片

放在以前，你可能要写一堆 HTTP 请求、文件操作、 Puppeteer 脚本，还要把这些功能封装成 Tool 供 LLM 调用。

但现在，有了 MCP 协议，这些能力全都有现成的 Server 可以直接复用。

一、MCP 基础：架构三组件 + 三大原语

在深入实战之前，我们先快速建立 MCP 的核心概念框架，避免后续混淆。

1.1 架构三组件：Host、Client、Server

MCP 的通信模型由三个角色组成：

组件	本质	示例
MCP Host	AI 应用程序（Agent）	LangChain 脚本、Cursor、Claude Desktop
MCP Client	协议通信层（内置在 Host 中）	MultiServerMCPClient
MCP Server	独立的工具/资源/提示提供者	my-mcp-server、高德 MCP、Filesystem MCP

一句话总结：Host 是大脑，Client 是神经，Server 是手脚。 Host 通过 Client 与多个 Server 通信，实现能力扩展。

1.2 三大原语：Tools、Resources、Prompts

MCP 协议定义了三种可暴露的能力，统称为“原语（Primitives）”：

原语	作用	交互方式	类比
Tools（工具）	执行动作、计算	模型主动调用（传参执行）	AI 的“手”
Resources（资源）	提供数据、知识	模型被动接收（注入上下文）	AI 的“备忘录”
Prompts（提示模板）	提供指令模板、话术	Client 主动获取并填充	AI 的“SOP”

• Tool 最常见，和平时说的 Tool Use 没本质区别，只是跨进程了（抛饵）。
• Resource 可以作为 SystemMessage 的一部分，成为 Content。
• Prompt 则是预定义的提示词模板，可带参数动态渲染。

三者在 Agent 工作流中协同工作：
启动时读取 Resources 和 Prompts 构建高质量的 System Prompt；运行时根据用户 Query 自主决定调用哪些 Tools；Tool 执行结果回传后继续推理，直至完成任务。

二、远程 MCP 的应用场景

MCP 本质上还是 Tool，只不过包了一层进程，可以通过 stdio 或 HTTP/SSE 来访问。

常见场景

MCP Server	功能	典型用途
高德地图 MCP	位置查询、路线规划、POI 搜索	酒店查询、导航、地理编码
Chrome DevTools MCP	打开/关闭页面、点击元素、截图	自动化测试、网页信息抓取
FileSystem MCP	读写文件、创建目录	日志记录、数据持久化、配置管理

这些 Server 可以是本地的（stdio），也可以是远程的（HTTP/SSE）。比如高德地图官方就提供了远程 MCP 服务，只需要一个 API Key 就能用。

三、一键集成多个 MCP Server

在 LangChain 中，MultiServerMCPClient支持同时配置多个 MCP Server，无论是本地还是远程。

3.1 配置示例

首先，安装必要的依赖包：

npm install @langchain/mcp-adapters @langchain/openai

然后，通过以下代码配置并连接多个 MCP Server：

import { MultiServerMCPClient } from '@langchain/mcp-adapters';
import { ChatOpenAI } from '@langchain/openai';

const mcpClient = new MultiServerMCPClient({
  mcpServers: {
    // 1. 远程 MCP（高德地图，通过 SSE）
    'amap-sse': {
      url: 'https://mcp.amap.com/sse?key=你的高德API密钥'
    },
    // 2. 本地 Node 编写的自定义 MCP（含 Tool + Resource + Prompt）
    'my-mcp-server': {
      type: 'stdio',
      command: 'node',
      args: ['路径/my-mcp-server.mjs']
    },
    // 3. 官方 FileSystem MCP（通过 npx 直接运行）
    'file-system-server': {
      type: 'stdio',
      command: 'npx',
      args: [
        '@modelcontextprotocol/server-filesystem',
        'C:Users...workspace' // 允许访问的根目录
      ]
    },
    // 4. Chrome DevTools MCP（通过 npx 运行）
    'chrome-devtools-server': {
      type: 'stdio',
      command: 'npx',
      args: [
        '--y',
        'chrome-devtools-mcp',
        '--port', '9222',
        '--chrome-path', 'C:Program FilesGoogleChromeApplicationchrome.exe'
      ]
    }
  }
});

小提示：

如果使用远程 MCP 服务（如高德地图），请确保将 你的高德API密钥 替换为真实密钥，并妥善保管，避免泄露到公共代码仓库中。

3.2 获取所有 Tool、Resource 和 Prompt

配置完成后，就可以通过以下方法，获取所有 MCP Server 暴露的能力：

// 获取所有工具（用于绑定给 LLM）
const tools = await mcpClient.getTools();

// 获取所有 Resources（可注入 System Prompt）
const resources = await mcpClient.listResources();
let resourceContent = '';
for (const [serverName, resList] of Object.entries(resources)) {
  for (const res of resList) {
    const content = await mcpClient.readResource(serverName, res.uri);
    resourceContent += content[0].text;
  }
}

// 获取 Prompts（可动态获取提示模板）
const prompts = await mcpClient.listPrompts();

// 例如获取 'tra vel_guide' 模板并传入城市参数
const promptResult = await mcpClient.getPrompt('tra vel_guide', { city: '西安' });
// promptResult.messages 即为渲染后的提示消息

注意：

listResources() 和 getPrompt() 等方法是异步的，必须使用 await 等待结果。如果忘记使用 await，可能会返回 undefined 或 Promise 对象，导致程序行为异常。

四、为什么 MCP 让复用变得如此简单？

在 MCP 之前，如果你想复用别人写的 Tool，通常要：

• 复制代码，修改依赖
• 或者封装成 REST API，自己写 Client
• 语言不同时还要跨语言 RPC

而现在，只要对方按照 MCP 规范暴露了一个 Server（stdio 或 HTTP），你就可以直接通过MultiServerMCPClient配置一下 URL 或命令，零代码侵入地拿到所有工具、资源和提示。

这种“插件化”的架构，让 AI Agent 的能力边界可以无限扩展——需要什么能力，就加一个 MCP Server 配置。

五、生态现状

目前 MCP 生态已经涌现出大量官方和社区贡献的 Server：

• 官方维护：FileSystem、GitHub、Slack、Google Drive 等
• 第三方：高德地图、Browser Automation、Database（PostgreSQL/MySQL）、Redis 等
• 自定义：你可以为自己的业务系统开发专属 MCP Server

未来，MCP 极有可能成为 AI Agent 领域的 “USB 接口标准” ——任何工具只要插上这个接口，就能被任意 Agent 识别和使用。

六、常见问题

Q1：MCP 的三大原语（Tools、Resources、Prompts）有什么区别？

• Tools
  是让 AI 主动去“做事”的，比如执行计算、调用 API。AI 模型会自主决定何时调用它们。

• Resources
  是“知识库”，比如一份文档或数据库内容，会自动注入到模型的上下文中，但 AI 不会主动去“读”它们，而是由系统在启动时预先注入。

• Prompts
  是“模板”，开发者可以定义一些带参数的提示词模板，AI 或客户端可以根据需要动态获取并填充，从而生成更精准的指令。

Q2：配置多个 MCP Server 时，如果其中一个 Server 启动失败，会影响其他 Server 吗？

通常不会。每个 Server 在 MultiServerMCPClient 中是独立配置和启动的。如果某个 Server 配置错误或无法连接，只会导致该 Server 相关的工具、资源、提示不可用，不影响其他正常运行的服务。建议在启动时通过 try...catch 捕获异常，并记录日志以便排查问题。

Q3：本地 MCP 与远程 MCP 在配置上有什么区别？

主要区别在于连接方式：

• 本地 MCP
  通过 stdio 协议启动，需要指定 command 和 args，例如 node、npx 等。本地服务运行在同一个进程中，延迟较低。

• 远程 MCP
  通过 HTTP/SSE 协议连接，只需提供 url 地址和必要的认证信息（如 API Key）。远程服务通常部署在云端，适合需要共享数据或跨团队协作的场景。

Q4：在 Windows 和 macOS 上路径写法不同，如何保证配置通用？

建议使用 path 模块（Node.js）或 os.path（Python）来动态拼接路径，避免硬编码。例如在 Node.js 中：

const path = require('path');
const workspaceDir = path.join(os.homedir(), 'workspace');

这样就能自动适配不同操作系统。另外，在配置 Chrome 路径时，Windows 通常需要完整路径，而 macOS 上可能只需 /Applications/Google Chrome.app/Contents/MacOS/Google Chrome。

七、小结

• MCP 架构：Host（Agent） 内嵌 Client，通过 stdio/HTTP 连接多个 Server
• MCP 能力三原语：Tools（行动）、Resources（知识）、Prompts（话术）
• MultiServerMCPClient 支持同时接入本地和远程多个 Server
• 生态正在迅速丰富，从地图、浏览器到文件系统应有尽有

下一篇文章，我们将基于这些 Server，实现一个完整的实战案例：查询酒店 -> 保存结果 -> 浏览器展示图片。