MCP 生态崛起——像搭积木般复用 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。

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：

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）”：

• 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

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

javascript

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']}}});

3.2 获取所有 Tool、Resource 和 Prompt

javascript

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

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、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。