全網最細，一文帶你弄懂 MCP 的核心原理！

MCP 是如何做到統一工具調用方式的？

MCP 客戶端和 MCP Server 到底是怎麼交互的？

爲什麼有的 MCP 客戶端支持所有模型，有的確不行？

大家好，歡迎來到 code 祕密花園，我是花園老師（ConardLi）。

爲了方便大家更深度的理解 MCP ，在今天這一期，我們用幾個例子來一起學習 MCP 的核心原理。

在上一期 《MCP + 數據庫：一種提高結構化數據檢索效果的新方式》，我們一起學習了 MCP 的基礎知識，包括

還沒學習的同學建議先閱讀完上一期再回來看這一期，今天我們的學習大綱如下：

下面我們先回顧一下 MCP 的基礎知識：

一、MCP 基礎回顧

MCP（Model Context Protocol，模型上下文協議）是由 Anthropic 公司（也就是開發 Claude 模型的公司）推出的一個開放標準協議，就像是一個 “通用插頭” 或者 “USB 接口”，制定了統一的規範，不管是連接數據庫、第三方 API，還是本地文件等各種外部資源，目的就是爲了解決 AI 模型與外部數據源、工具交互的難題。

MCP 大概的工作方式：MCP Host，比如 Claude Desktop、Cursor 這些工具，在內部實現了 MCP Client，然後MCP Client 通過標準的 MCP 協議和 MCP Server 進行交互，由各種三方開發者提供的 MCP Server 負責實現各種和三方資源交互的邏輯，比如訪問數據庫、瀏覽器、本地文件，最終再通過 標準的 MCP 協議返回給 MCP Client，最終在 MCP Host 上展示。

開發者按照 MCP 協議進行開發，無需爲每個模型與不同資源的對接重複編寫適配代碼，可以大大節省開發工作量，另外已經開發出的 MCP Server，因爲協議是通用的，能夠直接開放出來給大家使用，這也大幅減少了開發者的重複勞動。

首先一步，我們先從 MCP Server 的配置講起，弄懂 MCP Server 的配置爲什麼是這樣設計的。

二、MCP Server 的配置爲何長這樣？

我們使用 Cherry Studio 中的 MCP 服務配置來舉例，最前面的名稱和描述比較好理解，都是用於展示的。

2.1 通信協議

下面我們發現有兩個類型，STDIO 和 SSE：

MCP 協議中的 STDIO 和 SSE 其實就是是兩種不同的（MCP Server 與 MCP Client）通信模式：

簡單理解，STDIO 調用方式是將一個 MCP Server 下載到你的本地，直接調用這個工具，而 SSE 則是通過 HTTP 服務調用託管在遠程服務器上的 MCP Server。

這就是一個 SSE MCP Server 的配置示例，非常簡單，我們直接使用網絡協議和工具進行通信：

{
  "mcpServers": {
    "browser-use-mcp-server": {
      "url": "http://localhost:8000/sse"
    }
  }
}

而我們之前用到的 FileSystem、Mongodb 都屬於典型的 STDIO 調用：

{
  "mcpServers": {
    "mongodb": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-filesystem",
        "~/Downloads"
      ]
    }
  }
}

STDIO 爲程序的輸入輸出提供了一種統一的標準方式，無論是什麼類型的程序，只要遵循 STDIO 協議，就可以方便地進行數據的輸入和輸出，並且可以很容易地與其他程序或系統組件進行交互。

在命令行中，使用 STDIO 通信是非常常見的，比如 Linux 系統中的 cat 命令就是一個極爲簡單且能體現 STDIO 通信的例子。cat 命令通常用於連接文件並打印到標準輸出。當你不指定任何文件時，它會從標準輸入讀取內容，並將其輸出到標準輸出。

打開終端，輸入 cat 命令，然後按下回車鍵。此時，cat 命令開始等待你從標準輸入（通常是鍵盤）輸入內容。你可以輸入任意文本，每輸入一行並按下回車鍵，cat 會立即將這行內容輸出到標準輸出。

在這個例子中，你輸入了 你好，這裏是 code祕密花園! 和 我是花園老師，cat 命令將這些內容從標準輸入讀取後，馬上輸出到標準輸出。

我們還能借助一些操作符，比如重定向操作符 > 將標準輸出重定向到文件。下面的例子會把你輸入的內容保存到 test.txt 文件裏：

上述命令執行後，test.txt 文件裏會包含你輸入的兩行內容：

在這個過程中，cat 命令從標準輸入讀取內容，接着將輸出重定向到文件，這就是一個最簡單的 STDIO 通信案例。

2.2 命令和參數

下面再來說說配置裏的命令，對應 JSON 配置中的 command 參數，在沒有填寫時，這裏默認推薦的是 uvx 和 npx：

在之前 mongodb 的例子中， command 使用的就是 npx ，之前我們提到了，只要安裝了 Node.js 環境，就可以使用，那爲什麼這裏不寫 node，而要用  npx 命令呢？

npx 是 Node.js 生態系統中的一個命令行工具，它本質上是 npm的一個擴展。npx 的名字可以理解爲 “運行一個包”（npm execute package）的縮寫。

npm 是 Node.js 的包管理工具，我們編寫了一些通用的工具，就可以將其發佈爲一個 npm 包，這樣所有具備 Node.js 的環境都可以下載並且運行這個包

簡單來說，npx 的主要功能就是幫助我們快速運行一些通過 npm 安裝的工具，而不需要我們手動去下載安裝這些工具到全局環境。

{
  "mcpServers": {
    "mongodb": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-filesystem",
        "~/Downloads"
      ]
    }
  }
}

在這個配置中，args 裏第一個參數 "-y" 其實就等同於 --yes，其作用是在執行命令時自動同意所有提示信息，可以避免交互式的確認步驟。

而第二個參數其實就是這個 npm 包的名字，比如 @modelcontextprotocol/server-filesystem 這個包：

args 裏的第三個參數其實就是傳遞給這個包的一個必備參數：允許讀取的本機路徑。

這樣理解其實就能說得通了，這幾個信息，再加上大模型分析用戶輸入後得出的參數，通過 STDIO 協議傳遞給這個包，其實就可以構成一條在終端直接可以運行的一條命令：

npx -y @modelcontextprotocol/server-filesystem ~/Downloads  <<< '{"method":"tools/call","params":{"name":"list_directory","arguments":{"path":"~/Downloads"}},"jsonrpc":"2.0","id":1}'

我們測試執行一下：

我們把輸入內容格式化一下：

<<<（Here 字符串操作符）的主要用途是將一個字符串作爲標準輸入（STDIN）傳遞給前面的命令。

在這個命令中，我們通過 <<< 操作符，把後面的字符串傳遞給前面的命令（也就是 @modelcontextprotocol/server-filesystem 這個包）當作輸入數據。

後面的字符串中包含了需要調用的函數（list_directory），以及傳遞給這個函數的參數（~/Downloads），

前面的部分都是我們在 MCP Server 中配置的內容，屬於固定的部分。而大模型做的，就是根據用戶當前的輸入，以及當前支持的 MCP 工具列表，判斷出要不要調用這個工具，如果要調用，生成結構化的工具參數，最後 MCP Client 通過  STDIO 協議將這個結構化的參數再傳遞給 MCP Server。

在上面的命令中，還有一個選項是 uvx，和 npx 類似，它也可以直接讓你臨時執行某個工具包，而無需全局安裝。不過 uvx：是 uv 工具鏈的一部分，主要聚焦於 Python 生態系統，它會創建一個臨時的隔離 Python 環境來運行 Python 工具包。

2.3 傳輸格式

我們再來看看剛剛的命令執行的結果：

也是一段格式化好的內容，裏面返回了當前目錄下的所有文件，而模型在接收到這段格式化的輸出後，會將其變成口語化的內容再返回到 MCP 客戶端。

這個輸入、輸出的參數格式，遵循的是 JSON-RPC 2.0 傳輸格式，它有一套自己的規則，規定了請求和響應的格式、如何處理錯誤等，官方文檔的中的描述：

2.4 Windows 下的配置

在實際使用中，大家可能會發現，下面的配置在 Windows 下可能不會生效

{
  "mcpServers": {
    "mongodb": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-filesystem",
        "~/Downloads"
      ]
    }
  }
}

需要改成下面的方式：

{
  "mcpServers": {
    "mongodb": {
      "command": "cmd",
      "args": [
        "/c",
        "npx",
        "-y",
        "@modelcontextprotocol/server-filesystem",
        "~/Downloads"
      ]
    }
  }
}

這是因爲在不同操作系統下 默認命令解釋器（Shell）的工作機制不同：

macOS 的終端（如 bash/zsh）是 Unix shell，支持直接執行可執行文件（如 npx）。

Windows 的默認命令解釋器是 cmd.exe，而非直接執行程序。即使 npx 已安裝（如通過全局 npm install -g npx），也需要通過 cmd.exe 來調用，因爲：

args 中的 /c 是 cmd.exe 的參數，表示 “執行後續命令後關閉窗口”。完整的執行流程是：

cmd.exe /c npx -y @modelcontextprotocol/server-filesystem "~/Downloads"

這裏 cmd.exe 先解析 /c，再將 npx ... 作爲子命令執行，確保 Windows 能正確調用 Node.js 腳本（npx）。

通過分析 MCP Server 的配置，我們瞭解了 MCP Clinet 和 MCP Server  的通信協議、執行的命令和參數，以及兩者數據傳輸的標準格式，這樣 MCP Clinet 和 MCP Server 的交互方式我們基本上就弄清楚了。

那執行 MCP Server 我們一定要通過 npx 或 uvx 運行一個包嗎？

當然不是，實際上任何能夠在命令行執行代碼的方式，都是可以的，比如我們可以直接把一個 MCP Server 的倉庫拉取到本地，然後通過 node 或 python 命令直接執行裏面的代碼文件，這樣就可以實現完全斷網運行（前提是 MCP Server 中不會調用遠程 API）。

{
  "mcpServers": {
    "mongodb": {
      "command": "node",
      "args": [
        "/path/mcp-server.js"
      ]
    }
  }
}

下面，我們在本地實現一個最簡單的例子，來教大家如何構建一個 MCP Server。

三、MCP Server 是如何開發和調試的？

3.1 基於 AI 輔助編寫 MCP Server

在官方文檔（https://modelcontextprotocol.io/quickstart/server）中，我們可以找到 MCP Server 的開發方式，以及官方提供的各個語言的 SDK 的示例代碼：

寫的挺清晰的，如果你懂代碼，仔細看一遍很快就能上手，但在 AI 時代，從零自己去寫肯定不可能了，官方其實也建議通過 AI 來幫我們實現 MCP，所以在文檔中單獨還提供了一個 Building MCP with LLMs 的章節。

大概思路如下：

在開始之前，收集必要的文檔，以幫助 AI 瞭解 MCP：

提供了相關文檔之後，向 AI 清晰地描述你想要構建的服務器類型：

比如這是一個例子：構建一個 MCP 服務器，該服務器：

在實際測試中我發現，上面提到的 https://modelcontextprotocol.io/llms-full.txt 這個文檔就是整個文檔站的內容，裏面包含了很多構建 MCP Server 不需要的內容，反而會給模型造成干擾，大家可以直接參考我的提示詞：

## 需求

基於提供的 MCP 相關資料，幫我構建一個 MCP Server，需求如下：

- 提供一個獲取當前時間的工具
- 接收時區作爲參數（可選）
- 編寫清晰的註釋和說明
- 要求功能簡潔、只包含關鍵功能
- 使用 TypeScript 編寫

請參考下面四個資料：

## [參考資料 1] MCP 基礎介紹

- 粘貼 https://modelcontextprotocol.io/introduction 裏的內容。

## [參考資料 2] MCP 核心架構

- 粘貼 https://modelcontextprotocol.io/docs/concepts/architecture 裏的內容。

## [參考資料 3] MCP Server 開發指引

- 粘貼 https://modelcontextprotocol.io/quickstart/server 裏的內容。

## [參考資料 4] MCP Typescript SDK 文檔

- 粘貼 https://github.com/modelcontextprotocol/typescript-sdk/blob/main/README.md 裏的內容。

下面是一個 AI 幫我生成好的 MCP Server 的關鍵代碼：

import { McpServer } from"@modelcontextprotocol/sdk/server/mcp.js";
import { StdioServerTransport } from"@modelcontextprotocol/sdk/server/stdio.js";
import { z } from"zod";

const server = new McpServer({
name: "TimeServer", // 服務器名稱
version: "1.0.0", // 服務器版本
});


server.tool(
"getCurrentTime", // 工具名稱,
"根據時區（可選）獲取當前時間", // 工具描述
  {
    timezone: z
      .string()
      .optional()
      .describe(
        "時區，例如 'Asia/Shanghai', 'America/New_York' 等（如不提供，則使用系統默認時區）"
      ),
  },
async ({ timezone }) => {
     // 具體工具實現，這裏省略
  }
);

/**
 * 啓動服務器，連接到標準輸入/輸出傳輸
 */
asyncfunction startServer() {
try {
    console.log("正在啓動 MCP 時間服務器...");
    // 創建標準輸入/輸出傳輸
    const transport = new StdioServerTransport();
    // 連接服務器到傳輸
    await server.connect(transport);
    console.log("MCP 時間服務器已啓動，等待請求...");
  } catch (error) {
    console.error("啓動服務器時出錯:", error);
    process.exit(1);
  }
}

startServer();

其實代碼非常簡單，我們可以拆分爲三部分來理解：

第一步：使用官方提供的 @modelcontextprotocol/sdk/server/mcp.js 包，創建一個 McpServer 實例：

import { McpServer } from "@modelcontextprotocol/sdk/server/mcp.js";

/**
 * 創建 MCP 服務器實例
 */
const server = new McpServer({
  name: "TimeServer", // 服務器名稱
  version: "1.0.0", // 服務器版本
});

第二步：使用 server.tool 定義提供的工具方法，包括工具方法的名稱、工具方法的描述、工具方法的參數、工具方法的具體實現邏輯。

另外使用了 "zod" 這個包定義了方法參數的類型以及描述。

import { z } from"zod";

server.tool(
"getCurrentTime", // 工具名稱,
"根據時區（可選）獲取當前時間", // 工具描述
  {
    timezone: z
      .string()
      .optional()
      .describe(
        "時區，例如 'Asia/Shanghai', 'America/New_York' 等（如不提供，則使用系統默認時區）"
      ),
  },
async ({ timezone }) => {
     // 具體工具實現，這裏省略
  }
);

第三步：啓動 Server，並且使用 SDK 中導出的 StdioServerTransport 來定義工具使用 STDIO 通信協議，等待外部的標準輸入，並且把工具的執行結果轉化爲標準輸出反饋到外部。

import { StdioServerTransport } from"@modelcontextprotocol/sdk/server/stdio.js";

/**
 * 啓動服務器，連接到標準輸入/輸出傳輸
 */
asyncfunction startServer() {
try {
    console.log("正在啓動 MCP 時間服務器...");
    // 創建標準輸入/輸出傳輸
    const transport = new StdioServerTransport();
    // 連接服務器到傳輸
    await server.connect(transport);
    console.log("MCP 時間服務器已啓動，等待請求...");
  } catch (error) {
    console.error("啓動服務器時出錯:", error);
    process.exit(1);
  }
}

startServer();

就是這麼簡單，我們只需要按照這個模板來添加更多的工具實現就可以了，另外 Resources、Prompt 的編寫方式其實都是類似的，大家只需要按照這套提示詞模板，定義好自己的需求，AI（Claude 的準確性最高）基本上都能比較完整的實現。

3.2 使用 inspector 調試 MCP Server

開發完成後，我們可以直接使用官方提供的 MCP Server 調試工具（@modelcontextprotocol/inspector）來進行調試。

我們也可以直接通過 npx 運行 @modelcontextprotocol/inspector：

npx @modelcontextprotocol/inspector <command> <arg1> <arg2>

比如我們可以調試我們剛剛開發好的工具，這裏直接使用 node 運行我們本地構建好的代碼：

npx @modelcontextprotocol/inspector node dist/index.js

啓動成功後，它會在我們的本地監聽 6274 端口，我們點擊 Connect：

連接成功後，我們點擊 List Tools：

然後可以看到當前 MCP Server 定義的所有工具，我們這裏定義了一個獲取當前時間的工具，我們點擊這個工具，可以對它進行調試：

我們可以在下方所有交互產生的請求和響應的具體數據：

基於這樣的思路，我們可以使用 @modelcontextprotocol/inspector 調試任意的 MCP Server， 在你想要使用，但是還不知道怎麼使用一個 MCP Server 時，都可以使用它進行調試：

npx @modelcontextprotocol/inspector npx -y @modelcontextprotocol/server-filesystem  ～/Downloads

3.3 在 Cline 中測試 MCP Server

下面我們在 Cline 中配置測試一下我們剛剛開發好的 MCP Server，這裏我們直接使用 node 執行：

測試結果：

四、MCP Client 是如何和 Server 通信的？

看到這，可能很多同學還會有疑問，MCP Clinet 是怎麼知道 MCP Server 都提供了哪些工具列表的？模型又怎麼從這些工具中選擇出合適的工具？在後續的問答中兩者又是如何配合的呢？

下面我們用抓包工具來分別對 Cherry Studio 、Cline 兩個工具進行抓包，使用我們剛剛開發好 MCP Server，分析整個交互過程。

4.1 配置抓包工具

我們使用 Charles 這個工具來抓包。

在 Cherry Studio 中，僅有一部分模型支持 MCP ，這裏我們選擇阿里雲百鍊的 qwen-max，實測在 Cherry Studio 中工具調用是非常穩定的：

然後我們在 Charles 中過濾一下阿里雲百鍊的請求，就可以過濾出後續的請求包了：

在 Cline 中，所有模型都支持 MCP，這裏我們選擇的是 Openrouter 下免費的 DeepseekV3 。這裏需要注意的是， Charles 並不能直接抓取到 VsCode 的請求，我們需要在 VsCode 下配置代理：

點擊 VsCode 左上角的 “文件” 菜單，選擇 “首選項 > 設置”，搜索 http.proxy，然後在其中填寫 http://127.0.0.1:8888，則可以將 vsCode 後續的請求都代理到 Charles 下：

然後在 Charles 中過濾一下 Openrouter 的請求，就可以過濾後續的請求包了：

還有一點需要注意，這些軟件一般是都採用的是流式輸出，所以在響應報文裏不會展示完整的 JSON 內容，

我們可以藉助 AI 幫我們還原原始的響應報文 “

4.2 Cherry Studio 抓包分析

當我們在 Cherry Studio 中開啓我們剛剛開發的 Time MCP Server，然後詢問 “紐約時間” ：

我們發現軟件實際調用了兩次 LLM API：

下面我們直接來看我已經處理好的請求報文（省略了一些無關內容，只保留關鍵信息）：

4.3 Cline 抓包分析

我們在 Cline 中配置好 Time MCP Server ，並且詢問同樣的問題：

然後我們發現 Charles 中同樣抓到兩條請求：

同樣的，我們把請求報文處理好，並保存到本地查看：

然後，我對這段系統提示詞進行了處理了分析，提取出了關鍵的部分，我們來具體分析一下：

提示詞第一部分：身份設定：

提示詞第二部分：工具使用相關：

提示詞第三部分：MCP Server 相關：

提示詞第四部分：一些約束信息：

提示詞第五部分：目標工作流程：

這就是 Cline 系統提示詞的關鍵部分，當前這裏省略了一些和 MCP 不相關的信息，比如 Cline 本身提供的一些讀取文件、編寫代碼的工具等等。

我們格式化一下，發現和系統提示詞裏要求的工具調用格式是相同的：

這裏依然按照系統提示詞中約定的標準格式返回：

4.4 MCP 的核心流程總結

看到這裏，大家應該比較明確了，Cherry Studio 實際上是通過將 MCP Server 中提供的工具、響應結果，轉換爲 Function Call 的標準格式來和模型進行交互。

Cline 將 MCP Server 中提供的工具、響應結果轉換未一套自己約定的輸入、輸出的標準數據格式，通過系統提示詞來聲明這種約定，再和模型進行交互。

這也解釋了，爲什麼在 Cherry Studio 中只有一部分模型支持 MCP，前提是選擇的模型需要支持 Function Call 的調用，並且在客戶端進行了特殊適配；而 Cline 則使用的是系統提示詞，所以所有模型都支持。

  1. 初始化與工具列表獲取
    用戶首先對 MCP 客戶端進行初始化操作，隨後 MCP 客戶端向 MCP 服務器發送請求以獲取可用的工具列表，MCP 服務器將工具列表返回給客戶端。

  2. 用戶輸入與提示詞構建
    用戶在客戶端完成初始化後，向 MCP 客戶端輸入具體請求。客戶端將此前獲取的工具列表與用戶輸入內容相結合，共同組成用於詢問 LLM 的提示詞。

  3. 工具傳遞方式選擇
    MCP 客戶端通過兩種方式之一將提示詞傳遞給 LLM：

  1. LLM 判斷與響應
    LLM 接收到提示詞後，返回判斷結果：

  1. 工具命令生成與執行
    若需要工具，MCP 客戶端根據 LLM 提供的參數格式，以及 MCP Server 配置的命令模板進行拼接，生成完整的可執行命令，並在本地環境（Local_Env）中執行該命令。

  2. 結果處理與輸出
    本地環境執行命令後，將結果返回給 MCP 客戶端。客戶端將執行結果提交給 LLM，由 LLM 對技術化的執行結果進行處理，最終以人性化的語言形式輸出給用戶。

五、使用 mcp-client-nodejs 展示 MCP 交互流程

爲了方便大家更好的學習和 MCP ，我使用 Node.js 開發了一個基礎版的 MCP Clinet（基於 Function Call 實現），項目地址：https://github.com/ConardLi/mcp-client-nodejs

MCP Clinet 的開發還是稍微有點門檻的，所以不在這期教程裏演示具體的代碼細節，主要用此工具來幫助大家更深入的理解 MCP Clinet 和 MCP Server 的整個交互流程，至於開發者們如果感興趣可以直接基於我的項目進行二次開發。

5.1 基於 LLM 構建 MCP Client

同樣的，這個客戶端的核心邏輯也是基於 AI 編寫的，大家可以直接使用我這個提示詞：

## 需求
我想開發一個 Node.js 版的 MCP Clinet ，下面有一些參考材料，包括 MCP 基礎介紹、MCP 核心架構介紹、MCP Clinet 開發教程，請你根據這些參考材料幫我開發一個 MCP Client，注意增加完善的中文註釋，以及在開發完成後編寫一個完善的中文 Readme 說明文檔。

## MCP 基礎介紹
粘貼 https://modelcontextprotocol.io/introduction 的內容。

## MCP 核心架構介紹
粘貼 https://modelcontextprotocol.io/docs/concepts/architecture 的內容。

## MCP Client 開發教程
粘貼 https://modelcontextprotocol.io/quickstart/client 的內容。

## 注意點
- 使用 openai 的 SDK 替換 @anthropic-ai/sdk ，這樣可以支持更多的模型，兼容性更好
- 你不要指定依賴的版本，如果遇到安裝依賴讓我自己來安裝，你只負責編寫代碼

5.2 mcp-client-nodejs 項目介紹

核心特性

安裝和配置

  1. 克隆倉庫
git clone https://github.com/yourusername/mcp-client.git
cd mcp-client
  1. 安裝依賴
npm install
  1. 配置環境變量

複製示例環境變量文件並設置你的 LLM API 密鑰：

cp .env.example .env

然後編輯 .env 文件，填入你的 LLM API 密鑰、模型提供商 API 地址、以及模型名稱：

OPENAI_API_KEY=your_api_key_here
MODEL_NAME=xxx
BASE_URL=xxx
  1. 編譯項目
npm run build

使用方法

要啓動 MCP 客戶端，你可以使用以下幾種方式：

  1. 直接指定服務器腳本路徑
node build/index.js <服務器腳本路徑>

其中 <服務器腳本路徑> 是指向 MCP 服務器腳本的路徑，可以是 JavaScript (.js) 或 Python (.py) 文件。

  1. 使用配置文件
node build/index.js <服務器標識符> <配置文件路徑>

其中 <服務器標識符> 是配置文件中定義的服務器名稱，<配置文件路徑> 是包含服務器定義的 JSON 文件的路徑。

{
  "mcpServers": {
    "time": {
      "command": "node",
      "args": [
        "/Users/xxx/Desktop/github/mcp/dist/index.js"
      ],
      "description": "自定義 Node.js MCP服務器"
    },
    "mongodb": {
      "command": "npx",
      "args": [
        "mcp-mongo-server",
        "mongodb://localhost:27017/studentManagement?authSource=admin"
      ]
    }
  },
"defaultServer": "mongodb",
"system": "自定義系統提示詞"
}
  1. 使用 npm 包（npx）

你可以直接通過 npx 運行這個包，無需本地克隆和構建：

# 直接連接腳本
$ npx mcp-client-nodejs /path/to/mcp-server.js

# 通過配置文件連接
$ npx mcp-client-nodejs mongodb ./mcp-servers.json

注意：需要在當前運行目錄的 .env 配置模型相關信息

5.3 分析 MCP 詳細交互流程

MCP Client 包含一個全面的日誌系統，詳細記錄所有關鍵操作和通信。日誌文件保存在 logs/ 目錄中，以 JSON 格式存儲，方便查詢和分析。

日誌文件連統命名爲 [index] [log_type] YYYY-MM-DD HH:MM:SS.json，包含序號、日誌類型和時間戳，方便按時間順序查看整個會話。

下面我們使用 mcp-mongo-server 來演示整個流程，首先在項目目錄新建 mcp-servers.json，並填寫下面的配置：

{
  "mcpServers": {
    "mongodb": {
      "command": "npx",
      "args": [
        "mcp-mongo-server",
        "mongodb://localhost:27017/studentManagement?authSource=admin"
      ]
    }
  },
  "system": "使用中文回覆。\n\n當用戶提問中涉及學生、教師、成績、班級、課程等實體時，需要使用 MongoDB MCP 進行數據查詢和操作，表結構說明如下：xxx"
}

然後執行 node build/index.js mongodb ./mcp-servers.json，客戶端成功啓動：

然後我們輸入一個問題：張老師教哪門課？ ，因爲教師信息、課程信息分別存儲在兩個表：

所以這個任務 AI 也需要分兩步完成，第一步先去檢索教室表中姓張的老師，我們輸入繼續：

下面檢索課程表，得出最終信息：

然後我們發現，整個過程一共產生了 13 調日誌：

我們逐個來看一下：

5.4 最終流程總結

以上的過程，非常清晰的展示了整個 MCP 的交互流程，下面我們最後再總結一下：

一、初始化階段

  1. 客戶端啓動與工具列表獲取

二、交互階段

1. 用戶輸入與提示詞構建

2. 工具描述傳遞方式（二選一）

3. 模型決策與響應解析

4. 工具調用分支（需要工具時）

5. 直接回復分支（無需工具時）

三、最終輸出
無論是否經過工具調用，MCPClient 最終將處理後的 自然語言結果 呈現給用戶，完成整個交互流程。

六、最後

關注《code 祕密花園》從此學習 AI 不迷路，code 祕密花園 AI 教程完整的學習資料彙總在這個飛書文檔：https://rncg5jvpme.feishu.cn/wiki/U9rYwRHQoil6vBkitY8cbh5tnL9

本文由 Readfog 進行 AMP 轉碼，版權歸原作者所有。
來源：https://mp.weixin.qq.com/s/yP6D_mnxwFsL3SbC4qZnYg

猜你喜歡