MCP 学习路线图
quote 一句话定位
MCP 是 AI 的 USB-C 接口。在它出现之前,每个 AI 应用都得自己造一套插头,和每个外部工具单独谈判;有了它之后,接口统一了,世界清净了。
为什么需要这个系列
2024 年底,Anthropic 发布了 Model Context Protocol(MCP)。这件事的意义不亚于当年 USB-C 统一充电标准——之前你的笔记本、手机、相机各有一套接口,充电线一抽屉;现在一根线走天下。
MCP 干的是同一件事,只不过连接的不是设备,而是 AI 与外部世界。
在 MCP 之前,数据工程师想让 AI 查数据库,可以自行编写 Function Calling 集成代码,也可以通过 LangChain 等框架组织工具;更换模型时是否需要调整集成,取决于模型接口、工具定义格式和框架适配能力,并非必然全部重写。MCP 之后,你写一个 Server,Claude、Cursor、任何支持 MCP 的 AI 工具都能用。
这个系列分4篇,从协议理解到生产落地,给数据工程师用的。
整体学习路径
%%{init: {"theme":"base","themeVariables":{"fontFamily":"PingFang SC, -apple-system, Source Han Serif SC, serif","fontSize":"16px","background":"#FDFBF5","primaryColor":"#FDFBF5","primaryTextColor":"#2D2A26","primaryBorderColor":"#6E6A60","secondaryColor":"#E8EFE8","secondaryBorderColor":"#8FA890","secondaryTextColor":"#2D2A26","tertiaryColor":"#FDFBF5","tertiaryBorderColor":"#9A9488","tertiaryTextColor":"#6E6A60","lineColor":"#6E6A60","textColor":"#2D2A26","mainBkg":"#FDFBF5","nodeBorder":"#2D5A3D","clusterBkg":"#F3EEDF","clusterBorder":"#9A9488","edgeLabelBackground":"#FDFBF5"},"flowchart":{"htmlLabels":true,"curve":"basis","padding":20,"nodeSpacing":60,"rankSpacing":70,"useMaxWidth":false},"themeCSS":".node rect, .node polygon, .node circle { stroke-width: 1.5px; } .edgePath .path { stroke-width: 1.5px; } .cluster-label .nodeLabel, .cluster-label foreignObject { color: #2D2A26 !important; } .edgeLabel, .edgeLabel foreignObject { color: #2D2A26 !important; background-color: #FDFBF5; } .edgeLabel rect { fill: #FDFBF5; }"}}%%
flowchart TD
Start([开始学习 MCP]) --> P1
P1["阶段一:理解协议<br>MCP协议核心概念"]
P2["阶段二:连接数据工具<br>数据工具MCP集成实战"]
P3["阶段三:开发 MCP Server<br>MCP Server开发实践"]
P4["阶段四:生产落地<br>(部署、认证、监控)"]
P1 --> P2 --> P3 --> P4
P1 -. "了解 Host/Client/Server 三要素<br>Tools/Resources/Prompts 三种能力" .-> P1
P2 -. "数据库接入<br>数据目录接入<br>Airflow 接入" .-> P2
P3 -. "完整 Python SDK 开发<br>调试与测试<br>SSE 远程部署" .-> P3
P4 -. "Docker 化<br>Bearer Token 认证<br>生产监控" .-> P4
style Start fill:#4A90D9,color:#fff
style P1 fill:#E8F4FD,stroke:#4A90D9
style P2 fill:#E8F5E9,stroke:#43A047
style P3 fill:#FFF3E0,stroke:#FB8C00
style P4 fill:#FCE4EC,stroke:#E91E63
两类读者,两条路线
路线 A:数据工程师(重点看 02)
你已经有数据仓库、数据平台、Airflow,想让 AI 能直接操作这些系统。
01(了解概念 30 分钟)→ 02(重点,实战配置)→ 03(可选,如果要自研)
最快上手方式:直接去 数据工具MCP集成实战,按场景一尝试接入 PostgreSQL;若数据库、访问权限及支持 MCP 的 Claude 客户端配置均已准备好,可将 10 分钟作为快速接入的示例目标,实际耗时取决于环境。
路线 B:AI 应用工程师(重点看 03)
你要开发一个 AI 应用,需要暴露内部服务给 AI 调用。
01(理解协议设计) → 03(重点,从零开发 Server) → 02(参考实现)
最快上手方式:直接去 MCP Server开发实践,跟着"数据分析助手"项目实战做一遍。
MCP 与其他集成方式的对比
理解 MCP 的定位,最好的方式是搞清楚它和其他方案的区别。
| 维度 | MCP | OpenAI Function Calling | LangChain Tool | REST API |
|---|---|---|---|---|
| 标准层级 | 协议层(开放标准) | 模型 API 的工具调用接口机制 | 框架层工具抽象(Python 与 JavaScript/TypeScript 生态) | 基于 REST 架构风格的 API,通常使用 HTTP |
| 跨模型支持 | 可供支持 MCP 的客户端复用(如 Claude、Cursor、Windsurf,具体能力取决于实现) | OpenAI 接口面向其支持的模型;迁移到其他模型需检查兼容性 | 取决于模型集成与工具适配 | 可供不同应用调用,但 AI 工具调用适配需另行实现 |
| 语言无关 | 协议层是(JSON-RPC),具体开发取决于 SDK | 接口调用不限定宿主编程语言 | 有 Python 与 JavaScript/TypeScript 生态,具体能力取决于实现 | 接口调用不限定宿主编程语言 |
| 上下文感知 | 是(Resources 机制) | 否 | 部分 | 否 |
| 流式支持 | 是(SSE 传输) | 是 | 部分 | 需自行实现 |
| 本地进程 | 是(stdio 传输) | 否 | 否 | 否 |
| 学习成本 | 中 | 低(仅限 OpenAI) | 中 | 低 |
| 生产成熟度 | 快速成熟(2024 年底发布,已广泛采用) | 高 | 高 | 高 |
tip 怎么选
- 只用 OpenAI,且不想维护 Server?用 Function Calling
- 快速原型,Python 生态,不考虑跨模型?用 LangChain Tool
- 需要跨模型、跨语言、长期维护、给多个 AI 工具复用?用 MCP
- 已有 REST API 想暴露给 AI?在 REST API 外面包一层 MCP Server
系列文档索引
| 文档 | 定位 | 难度 | 预计时间 |
|---|---|---|---|
| MCP协议核心概念 | 协议设计、三要素、通信机制 | 入门 | 60 分钟 |
| 数据工具MCP集成实战 | 数据库、数据目录、Airflow 接入 | 中级 | 90 分钟 |
| MCP Server开发实践 | 从零开发生产级 MCP Server | 进阶 | 120 分钟 |
前置知识检查
在正式学习之前,确认自己具备以下基础:
必须有:
- Python 基础(能看懂
async/await,能用pip装包) - 对 JSON 格式不陌生
- 用过至少一个 AI 编程工具(Claude、Cursor、Copilot 都算)
有更好:
- 了解 HTTP 和 REST API 的基本概念
- 用过 PostgreSQL 或任意关系型数据库
- 知道 Airflow 是干什么的
不需要:
- 不需要了解 LLM 模型原理
- 不需要懂 Transformer 架构
- 不需要有 ML 背景
相关知识网络
- AI Agent框架选型指南 - MCP 是 Agent 工具调用层的基础设施
- LLMOps体系全景 - MCP Server 是 LLMOps 工具链的重要组成部分
- MCP协议核心概念 - 从这里开始
#MCP #AI工程 #协议 #数据集成 #AI-Native