MCP 协议核心概念

quote 核心问题

AI 模型再强,也只是一个孤岛。它在训练截止日期之前的世界里所向披靡,对你今天下午入库的那批数据一无所知。MCP 解决的就是这个问题:让 AI 能够主动伸手,拿到它需要的东西。

important 当前版本基线

本文已按 MCP 2026-07-28 复核。新实现的本地传输使用 stdio,远程传输使用 Streamable HTTP;旧版 HTTP+SSE 自 2025-03-26 起已被替代,在 2026-07-28 规范中被明确列为 Deprecated。文中保留的 2025 时代握手图和低层 Python 示例仅用于理解历史实现,不能直接作为新项目的生产基线。

目录


截至 2026-08-12 的协议基线

主题 当前规范 实施含义
协议版本 2026-07-28 协议版本与客户端能力随请求携带,不再依赖连接级初始化状态
本地传输 stdio 适合由 Host 启动的本地子进程;凭据从环境获取
远程传输 Streamable HTTP 单一 MCP 端点接收 HTTP POST,响应可以是 JSON,也可以是仅属于该请求的 SSE 流
旧远程传输 HTTP+SSE 已弃用;只为明确存在的旧客户端保留,并制定下线日期
会话 协议层无会话 需要跨调用状态时,由业务层签发显式句柄并作为普通参数传递
兼容策略 显式协商与双栈适配 先列出必须支持的客户端版本,再决定是否承担旧协议兼容成本

note 一个容易混淆的细节

Streamable HTTP 的某次响应仍然可以使用 SSE 流式返回,但这不等于旧版“HTTP+SSE 传输”。前者只有一个 MCP POST 端点,SSE 流仅服务于当前请求;后者依赖独立 SSE 连接和消息端点,已经进入弃用生命周期。


为什么 AI 需要 MCP

上下文窗口是个孤岛

语言模型的工作方式是这样的:你塞给它一段文本(上下文窗口),它生成回复。仅此而已。

它无法主动去读你的数据库,无法调用你的 API,无法感知昨天发生了什么。它的"世界"就是你塞进去的那些 token。

这导致了一个尴尬局面:你有一个强大的 AI,你有一个装满数据的数据仓库,但它们之间没有桥梁。

以前的解法有什么问题

解法一:手动复制粘贴

把 SQL 查询结果贴到对话框里。可以用,但累死人,且无法自动化。

解法二:OpenAI Function Calling

让模型生成结构化的工具调用指令,由应用执行后再把结果交还模型。工具业务逻辑可以跨模型复用,但请求格式、调度循环和错误处理仍需适配具体模型 API。

解法三:LangChain Tools

应用库层面的工具抽象,Python 和 JavaScript/TypeScript 生态都有实现。它解决框架内编排问题,但不是跨进程线协议;跨语言、跨框架复用时仍需要适配层。

MCP 的思路

MCP 不在应用层解决,而是在协议层解决。

它定义了一套标准的通信协议:AI 宿主中的 Client 和外部 Server 之间,用这套协议对话。当双方的协议版本、客户端能力、传输、授权和所需扩展兼容时,同一个 Server 才能被不同 Host 复用。

它与 HTTP 的相似之处是“约定线上交互”;不同之处是 MCP 还需要为模型和应用暴露 Tools、Resources 与 Prompts 等语义。“遵守协议”是互操作的必要条件,不是无条件兼容保证。


MCP 架构三要素

MCP 的架构很干净,三个角色,职责清晰。

warning 图中传输标签为历史简写

下图保留了早期版本的 stdio / SSE 标注,角色关系仍然有效;远程传输请以本文前面的 Streamable HTTP 基线为准。

%%{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; }"}}%%
graph LR
    subgraph Host["MCP Host(宿主程序)"]
        App["你的 AI 应用<br>(Claude Desktop / Cursor / 自研)"]
        Client["MCP Client<br>(协议客户端,内嵌在 Host 中)"]
    end

    subgraph Servers["MCP Servers(服务端)"]
        S1["数据库 Server<br>(PostgreSQL / MySQL)"]
        S2["数据目录 Server<br>(Apache Atlas / Dataphin)"]
        S3["工作流 Server<br>(Airflow DAG)"]
        S4["文件系统 Server<br>(本地文件 / S3)"]
    end

    App <--> Client
    Client <-->|"JSON-RPC 2.0<br>(stdio / SSE)"| S1
    Client <-->|"JSON-RPC 2.0<br>(stdio / SSE)"| S2
    Client <-->|"JSON-RPC 2.0<br>(stdio / SSE)"| S3
    Client <-->|"JSON-RPC 2.0<br>(stdio / SSE)"| S4

    style Host fill:#E3F2FD,stroke:#1976D2
    style Servers fill:#E8F5E9,stroke:#388E3C

MCP Host

运行 AI 的宿主程序。Host 负责把用户的请求传给 AI 模型,并管理 MCP 连接。

典型的 Host:

  • Claude Desktop:Anthropic 的桌面应用,内置 MCP Client
  • Cursor:AI 代码编辑器,支持 MCP
  • Windsurf:另一个 AI 编辑器
  • 你自己写的应用:用 MCP Python SDK 或 TypeScript SDK 构建

MCP Client

Host 内部的协议客户端。通常不需要你直接操心它——它是 Host 应用自带的组件,负责和 MCP Server 建立连接、发送请求、处理响应。

一个 Host 可以同时连接多个 MCP Server(一对多关系)。

MCP Server

暴露工具和资源的服务端。这是数据工程师最需要关注的部分——你要做的事就是开发 MCP Server,把你的数据系统暴露出来。

MCP Server 可以是:

  • 一个本地运行的 Python 进程(通过 stdio 通信)
  • 一个远程 HTTP 服务(通过 Streamable HTTP 通信)
  • SDK 或社区提供的现成实现;早期资料中的 mcp-server-postgres、mcp-server-filesystem 仅作为名称示例,采用前应核验项目是否仍受维护、权限边界和所支持的协议版本

important 关键认知

作为数据工程师,你的主要工作是开发和维护 MCP Server。Host 和 Client 通常由 AI 工具厂商提供,你不需要自己实现。


MCP 提供的三种能力

MCP Server 可以向 AI 暴露三种类型的能力,它们的定位各不相同。

Tools(工具):AI 能调用的函数

Tools 是最核心的能力。AI 可以主动调用 Tool 来执行操作,获取结果。

本质上就是一个函数:有输入参数,有返回值,执行某个具体操作。

Tool 示例:
- execute_sql(query: str) → 执行 SQL,返回结果集
- trigger_dag(dag_id: str, date: str) → 触发 Airflow DAG
- search_metadata(keyword: str) → 搜索数据资产
- get_table_stats(table_name: str) → 获取表统计信息

AI 使用 Tool 的流程:

  1. AI 分析用户请求,决定调用哪个 Tool
  2. AI 生成调用参数
  3. Host 通过 MCP Client 向 Server 发送调用请求
  4. Server 执行操作,返回结果
  5. AI 根据结果生成最终回复

Resources(资源):AI 能读取的上下文

Resources 是静态的或准静态的信息,AI 可以读取作为背景知识。

与 Tools 的区别在于:Resources 是"读取信息",Tools 是"执行操作"。

Resource 示例:
- schema://all → 所有数据库的表结构
- docs://api/v1 → API 文档
- config://system → 系统配置信息
- catalog://tables → 数据目录中的表列表

Resources 用 URI 格式寻址,类似文件路径或 URL。

Prompts(提示模板):标准化的任务流程

Prompts 是预定义的提示模板,帮助 AI 以标准化方式完成特定任务。

Prompt 示例:
- analyze_table → 标准的表分析流程(输入表名,AI 自动查统计、看样本、给洞察)
- debug_slow_query → 标准的慢查询诊断流程
- generate_etl → 基于源表和目标表生成 ETL 代码

tip 三种能力的使用场景

  • Tools:需要实时执行操作的场景(查数据、触发任务)
  • Resources:需要提供背景知识的场景(表结构、文档)
  • Prompts:需要标准化工作流程的场景(分析模板、诊断流程)

通信机制详解

传输层:两种标准方式

stdio 传输(本地进程)

Host 启动一个子进程运行 MCP Server,通过标准输入/输出通信。

适合:本地工具、开发环境、数据库连接工具

Host Process
    ↓ stdin  (JSON-RPC 请求)
MCP Server Process
    ↓ stdout (JSON-RPC 响应)
Host Process

Streamable HTTP 传输(远程服务)

MCP Server 暴露一个 MCP 端点,每条消息通过独立 HTTP POST 发送。服务端可以返回一个 JSON 对象,也可以返回仅与本次请求相关的 SSE 流。2026-07-28 修订不包含 GET 长连接、协议级会话、流恢复或消息重投递。

适合:团队共享的工具、云端部署、需要认证的场景

warning 下面是概念简图

图里的 HTTP/SSE 表示“HTTP 响应可以流式返回”,不是已经弃用的旧版 HTTP+SSE 双端点传输。

MCP Host  ←→  HTTP/SSE  ←→  MCP Server (远程服务)

消息格式:JSON-RPC 2.0

MCP 使用 JSON-RPC 2.0 作为消息格式。这不是 MCP 发明的新格式,是已有的成熟标准。

danger Legacy Wire 审计样本

下面两段 JSON 没有 MCP 2026-07-28 必需的每请求元数据,响应也没有当前的结果类型字段。它们只用来识别旧版抓包,不是当前请求模板。

旧版工具调用请求:

{
  "jsonrpc": "2.0",
  "id": 1,
  "method": "tools/call",
  "params": {
    "name": "execute_sql",
    "arguments": {
      "query": "SELECT COUNT(*) FROM orders WHERE date = '2026-03-11'"
    }
  }
}

对应的响应:

{
  "jsonrpc": "2.0",
  "id": 1,
  "result": {
    "content": [
      {
        "type": "text",
        "text": "查询结果:COUNT(*) = 15234"
      }
    ]
  }
}

当前 Streamable HTTP 的完整请求如下。对于 stdio,HTTP 头不适用,但请求体中的两个必填元数据字段仍不能省略;客户端信息不是必填项,但规范建议每次携带。

POST /mcp HTTP/1.1
Content-Type: application/json
Accept: application/json, text/event-stream
MCP-Protocol-Version: 2026-07-28
Mcp-Method: tools/call
Mcp-Name: execute_sql

{
  "jsonrpc": "2.0",
  "id": 1,
  "method": "tools/call",
  "params": {
    "name": "execute_sql",
    "arguments": {
      "query": "SELECT COUNT(*) FROM orders WHERE order_date = '2026-03-11'"
    },
    "_meta": {
      "io.modelcontextprotocol/protocolVersion": "2026-07-28",
      "io.modelcontextprotocol/clientInfo": {
        "name": "data-workbench",
        "version": "1.0.0"
      },
      "io.modelcontextprotocol/clientCapabilities": {}
    }
  }
}

对应的最小完成响应应显式标识结果类型:

{
  "jsonrpc": "2.0",
  "id": 1,
  "result": {
    "resultType": "complete",
    "content": [
      {
        "type": "text",
        "text": "查询结果:COUNT(*) = 15234"
      }
    ],
    "_meta": {
      "io.modelcontextprotocol/serverInfo": {
        "name": "data-query-server",
        "version": "1.0.0"
      }
    }
  }
}

important HTTP 头与正文必须一致

每个 POST 请求都要有 MCP-Protocol-Version 和 Mcp-Method;调用 Tool 时还必须有 Mcp-Name。版本头要与 _meta 中的协议版本一致,方法和名称头也要与 JSON-RPC 正文一致;服务端必须拒绝头体不一致的请求。

生命周期:旧版握手与当前调用

warning 以下时序图属于 2025 时代协议

图中的 initialize / initialized 握手已从 MCP 2026-07-28 移除,保留它是为了帮助维护旧客户端。新客户端的每次请求都携带协议版本和客户端能力;遇到版本不匹配时按规范协商或明确失败,不应默默套用旧语义。

%%{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; }"}}%%
sequenceDiagram
    participant H as MCP Host
    participant C as MCP Client
    participant S as MCP Server

    H->>S: 启动 Server 进程(stdio)
    C->>S: initialize 请求(发送客户端信息)
    S->>C: initialize 响应(返回 Server 能力)
    C->>S: initialized 通知(确认握手完成)

    Note over C,S: 连接建立,进入正常工作状态

    C->>S: tools/list(获取可用工具列表)
    S->>C: 返回工具列表(名称、描述、参数 schema)

    C->>S: resources/list(获取可用资源列表)
    S->>C: 返回资源列表

    Note over H,S: 用户发起请求,AI 决定调用工具

    H->>C: AI 决定调用 execute_sql
    C->>S: tools/call(execute_sql, {query: "..."})
    S->>S: 执行 SQL 查询
    S->>C: 返回查询结果
    C->>H: 结果传给 AI 模型
    H->>H: AI 生成最终回复

当前协议的最小调用思路是:客户端随请求声明协议版本与能力,服务端校验后处理 list 或 call 请求并直接响应。若要兼容旧客户端,应把双栈兼容视为单独的工程决策,并为旧握手与旧 HTTP+SSE 传输设置退出计划。


与其他集成方式的对比

MCP vs OpenAI Function Calling

Function Calling 是模型 API 提供的结构化工具调用能力,OpenAI 是其中一个提供者。

核心区别:Function Calling 规定模型 API 如何表达工具意图,MCP 规定 Host/Client 如何与独立 Server 交互。两者可以在同一个系统里串联,不是非此即彼。

维度 MCP OpenAI Function Calling
标准层级 开放线协议 具体模型 API 的工具意图接口
跨模型复用 Server 可被多个兼容 Host 复用 业务函数可复用,API 请求和编排层需适配
执行边界 独立 Server,通过标准传输调用 应用解析模型输出并执行函数
状态语义 2026-07-28 协议无会话 由应用自行管理
本地工具 stdio 是标准传输 可由应用本地执行,但不定义跨应用 stdio 协议

举个例子:你写了一个“查数据仓库”的 MCP Server,不同 Host 在通过版本、能力和授权验收后可以复用它。模型 API 的 Function Calling 仍可以在 Host 内部用来做工具选择,无需二选一。

MCP vs LangChain Tool

LangChain Tool 是框架库层面的抽象,不是跨进程线协议。

维度 MCP LangChain Tool
抽象层级 协议层(与实现语言解耦) 库层(Python 与 JavaScript/TypeScript 等实现)
跨语言 Server 可用任意已实现协议的语言 需通过各语言库或适配层复用
进程隔离 传输边界明确 取决于应用架构,可同进程也可远程
版本依赖 需显式验收协议版本与扩展 需锁定库版本并跟随框架 API
复用边界 兼容 Host 之间复用 LangChain 生态内复用,跨框架需适配

MCP 解决的是更底层的问题:如何让 AI 系统和外部工具通信。LangChain Tool 是在某个具体框架内解决工具调用问题。

MCP vs 直接调用 REST API

让 AI 直接调用 REST API 不是不行,但 MCP 做了专门的优化:

维度 MCP 直接 REST API
AI 友好的描述 Tools 内置参数 schema 和自然语言描述 可通过 OpenAPI 或自定义 schema 提供,但非 MCP 原语
上下文资源 有统一的 Resources 语义 由业务 API 自定义
错误处理 JSON-RPC 与 MCP 定义协议错误和 Tool 结果错误 可用 HTTP 状态码和业务错误体,语义由 API 契约定义
流式返回 Streamable HTTP 规范约定 JSON 或请求级 SSE REST 可自行选用 SSE/分块传输
本地进程 stdio 是标准传输 REST 以 HTTP 边界为主,本地调用需另行设计

数据工程师视角

有了 MCP,你能做什么?

让 AI 直接查数据库

用户:"帮我看一下昨天的订单总量,和上周同期比是涨还是跌?"

AI 调用 execute_sql:
SELECT
    DATE(created_at) as date,
    COUNT(*) as order_count
FROM orders
WHERE created_at >= DATE_SUB(NOW(), INTERVAL 14 DAY)
GROUP BY DATE(created_at)
ORDER BY date;

AI 分析结果,给出趋势判断。

不需要你手动查,不需要你复制数据,AI 自己去查,自己分析,给你答案。

让 AI 读取数据目录

用户:"我们有没有用户行为相关的表?质量怎么样?"

AI 调用 search_metadata("用户行为")
AI 调用 get_table_stats("user_behavior_log")
AI 综合元数据和统计信息,告诉你有哪些表、数据完整性如何。

让 AI 操作数据管道

用户:"用户画像的 DAG 跑失败了,帮我看看什么问题,然后重新触发一下。"

AI 调用 get_dag_status("user_profile_dag")
AI 分析失败原因
AI 调用 trigger_dag("user_profile_dag", "2026-03-11")

这类自动化在协议层面可实现,但是否允许查询、重试或重新触发,必须由数据库权限、Tool 输入契约、审计和人工确认共同决定。


当前 SDK 最小实现

下面的实现锁定官方 Python SDK 2.0.0,并通过 SDK 处理协议元数据、schema 和 stdio 帧。它只用无副作用的加法验证协议链路,不把数据库安全问题混入最小样本。

pyproject.toml:

[project]
name = "mcp-minimal-demo"
version = "0.1.0"
requires-python = ">=3.10"
dependencies = ["mcp[cli]==2.0.0"]

server.py:

from mcp.server import MCPServer

mcp = MCPServer("minimal-demo")


@mcp.tool()
def add(a: int, b: int) -> int:
    """Return the sum of two integers."""
    return a + b


if __name__ == "__main__":
    mcp.run()

安装、生成锁文件并启动:

uv sync
uv run python server.py

服务启动后会等待 Host 通过 stdio 发起请求,终端不会出现 HTTP 端口。调试时不要用人工输入代替 Host,而应使用官方 Inspector 或 SDK Client。

最小验收

至少确认以下四项:

  1. uv.lock 已生成并纳入版本库。
  2. Inspector 的 Tools 列表中只出现 add,其两个入参都是必填整数。
  3. 调用 add 并传入 a=1、b=2 时,结构化结果为 {"result": 3}。
  4. 连接协议版本是 2026-07-28;不是仅仅“进程没报错”。

note 完整的 stdio 和 Streamable HTTP 项目

本节用于建立最小心智模型。带项目配置、内存测试、HTTP 运行器与 Inspector 命令的可复现工程见 当前可运行最小工程。


Legacy:低层数据库查询示例

下面保留的是 2025 时代低层 API 和数据库查询样本,用于识别历史实现和制定迁移清单。

danger Legacy 示例,不要直接用于新项目

下方代码使用 2025 时代 Python SDK 的低层 Server API 和初始化握手。官方 Python SDK 2.0.0 已支持 MCP 2026-07-28,且默认安装的主版本会影响 API 形态。新项目应锁定 SDK 的具体版本与锁文件,先运行本文当前示例与协议兼容测试,再迁移业务工具;不要把这段代码与当前 SDK 依赖直接拼装后上线。

# 安装:pip install mcp
import asyncio
import sqlite3
from mcp.server import Server
from mcp.server.models import InitializationOptions
from mcp.server.stdio import stdio_server
from mcp import types

# 初始化 Server
server = Server("data-query-server")

# 注册 Tools 列表
@server.list_tools()
async def handle_list_tools() -> list[types.Tool]:
    return [
        types.Tool(
            name="execute_sql",
            description="执行 SQL 查询,返回结果。只支持 SELECT 语句(只读)。",
            inputSchema={
                "type": "object",
                "properties": {
                    "query": {
                        "type": "string",
                        "description": "要执行的 SQL SELECT 语句"
                    },
                    "db_path": {
                        "type": "string",
                        "description": "SQLite 数据库文件路径",
                        "default": "./data.db"
                    }
                },
                "required": ["query"]
            }
        )
    ]

# 处理 Tool 调用
@server.call_tool()
async def handle_call_tool(
    name: str,
    arguments: dict
) -> list[types.TextContent]:

    if name == "execute_sql":
        query = arguments["query"]
        db_path = arguments.get("db_path", "./data.db")

        # 安全检查:只允许 SELECT
        if not query.strip().upper().startswith("SELECT"):
            return [types.TextContent(
                type="text",
                text="错误:只允许 SELECT 查询,拒绝执行写操作。"
            )]

        try:
            conn = sqlite3.connect(db_path)
            cursor = conn.cursor()
            cursor.execute(query)

            columns = [desc[0] for desc in cursor.description]
            rows = cursor.fetchall()
            conn.close()

            # 格式化结果
            result_lines = [" | ".join(columns)]
            result_lines.append("-" * 50)
            for row in rows[:100]:  # 最多返回 100 行
                result_lines.append(" | ".join(str(v) for v in row))

            if len(rows) > 100:
                result_lines.append(f"(结果已截断,共 {len(rows)} 行,只显示前 100 行)")

            return [types.TextContent(
                type="text",
                text="\n".join(result_lines)
            )]

        except Exception as e:
            return [types.TextContent(
                type="text",
                text=f"查询执行失败:{str(e)}"
            )]

    raise ValueError(f"未知的 Tool:{name}")


# 启动 Server(stdio 传输)
async def main():
    async with stdio_server() as (read_stream, write_stream):
        await server.run(
            read_stream,
            write_stream,
            InitializationOptions(
                server_name="data-query-server",
                server_version="0.1.0",
                capabilities=server.get_capabilities(
                    notification_options=None,
                    experimental_capabilities={}
                )
            )
        )

if __name__ == "__main__":
    asyncio.run(main())

这 80 行代码展示了旧版 MCP Server 的主要组成,但它是不可运行的审计样本:除了 SDK 主版本不匹配,只检查查询前缀也不能构成可靠的数据库只读边界。不应为它寻找一个“恰好能跑”的旧依赖组合,应迁移业务需求到当前 SDK,并由数据库权限、只读事务、SQL 解析或允许列表共同实现防线。

note 下一步

这只是最基础的示例。更完整的数据库接入方案(PostgreSQL、权限控制、多数据库支持),以及数据目录和 Airflow 的接入,在 数据工具MCP集成实战 里有详细实战代码。

如果你想从零开发一个生产级别的 MCP Server,去看 MCP Server开发实践。


本章小结

  • MCP 解决的核心问题:AI 上下文窗口是孤岛,需要标准协议桥接外部工具
  • 三个角色:Host(宿主)/ Client(客户端)/ Server(服务端)
  • 三种能力:Tools(执行操作)/ Resources(读取信息)/ Prompts(任务模板)
  • 两种标准传输:stdio(本地)/ Streamable HTTP(远程)
  • 消息格式:JSON-RPC 2.0
  • 与其他方案的核心差异:MCP 是协议层标准,语言无关,跨模型复用

官方资料与复核范围

本次复核确认的是协议角色、标准传输、生命周期和兼容边界。具体 Host 的配置格式、SDK 小版本 API 与第三方 Server 的维护状态仍需在实施当天复核。


系列导航

#MCP #AI工程 #协议 #JSON-RPC #数据集成