MCP技术理解 - 第六篇

作者：技术拾光时间：2026-05-29 08:00:07浏览：163

MCPClient通过AI应用调用Server，LLM仅负责推理输出而非直接调用。使用场景分两种：在现有AI应用中配置JSON文件启动Server，或开发者使用SDK编写Client代码。Client负责连接管理、协议转换及安全拦截，通过初始化、工具发现、指令执行等步骤完成交互。

引言

上一篇文章拆解了一个天气实时预报的MCP Server，帮助大家初步感知MCP的基本形态。本篇将重点探讨MCP客户端在实际使用中遇到的问题及配置方法，同时介绍几个MCP的高级特性。

为保证知识连贯，先简要回顾此前的系列内容：前五篇文章分别从协议基础、工作原理、Server实现等角度进行了梳理。本篇聚焦Client端，解决“如何调用”“如何配置”等落地问题。

如何调用MCP Server

很多人误以为只需让LLM发出指令就能直接调用MCP Server。实际上，LLM不具备外调能力——它无法直接发起HTTP请求或执行系统命令。

调用MCP Server的场景分为两类，但无论哪种情况，真正的调用方都是AI应用通过MCP Client完成的，LLM仅负责推理输入和输出。理解这两类场景后，MCP Client的配置细节将更加清晰。

以下是两个关键认识：

安全隔离：可在Client层实现前置拦截。若LLM试图执行rm -rf /等危险操作，Java或Go代码能在发送给Server前检测并拦截。
协议转换：LLM输出文本/Token，MCP Server需要JSON-RPC消息。Client充当适配器（Adapter），完成两种格式的互转。

场景一：作为用户在现有Host中调用

如果只是想用Claude Code、Cursor等现成AI应用调用已有的MCP Server（包括自己编写的），无需编写MCP Client代码，仅修改配置文件即可。此时Host即AI应用本身，已内置MCP Client代码。配置好MCP Server后，它会自动维护连接并完成后续流程。

场景二：作为开发者通过代码调用

若需要在Java、Go或Python程序中调用MCP Server——例如构建一个能调用本地工具的AI Agent——则需自行实现MCP Client。

以Stdio传输方式为例，核心交互流程分为三步：

启动进程：程序（Client）启动MCP Server作为子进程，例如执行npx -y @modelcontextprotocol/server-filesystem。
握手（Initialization）：发送initialize请求，协商协议版本和能力。
发送指令：发送tools/list、tools/call、resources/read等JSON-RPC消息。

在此场景下，需要自行编写MCP Client代码，处理初始化链接、协议维护、消息发送和响应处理。

一次MCP调用示例

通过完整调用链演示LLM在整个过程中的角色，各角色职责如下：

AI应用：负责全局管控，协调请求与负载均衡。
MCP Client：连接Server、管理进程、维护对话上下文。
MCP Server：无状态Worker，不知上下文，只负责接收指令 → 执行 → 返回结果。
LLM：无“手脚”（不能联网、不能读文件），负责分析用户自然语言，对比AI应用提供的Tools List，生成结构化JSON，指示AI应用调用函数。

完整交互流程如下：

初始化（Handshake）：
- Client启动Server。
- Client询问Server：“你有什么本事？”（Tools List）
- Server回答：“我会读文件（fs.read），我会查数据库（db.query）。”
用户提问：
- 用户对Client说：“帮我查一下user_id=101的订单。”
Prompt组装（AI应用内部逻辑）：
- AI应用将System Prompt + Server提供的工具定义（Schema）+ 用户问题，打包发给LLM。
LLM决策：
- LLM推理后，发现db.query工具可解决此问题。
- LLM返回给AI应用（而非直接给Server）结构化指令：{ "tool_use": "db.query", "params": { "sql": "SELECT * FROM orders WHERE user_id=101" } }
执行（真正的MCP调用发生在此）：
- AI应用解析LLM响应，控制MCP Client发送请求和数据。
- Client通过JSON-RPC（Stdio/SSE）向MCP Server发送tools/call请求。
Server响应：
- Server执行SQL，返回JSON数据给Client。
回环（Loop Back）：
- AI应用接收Client返回的数据，将Server执行结果再次喂给LLM。
- AI应用说：“你让调用的工具，结果是[Order A, Order B]，请生成最终回复。”
最终输出：
- LLM生成自然语言回复：“用户你好，ID为101的用户有两笔订单……”

在AI应用里面配置MCP Server

通过上述解析，整体调用过程已清晰。接下来按场景逐步拆解MCP Client配置问题。

在Claude Code等现成AI应用中，只需配置MCP Server，无需编写MCP Client代码。以Claude Code为例，配置信息写在claude_desktop_config.json文件中：

// ~/Library/Application Support/Claude/claude_desktop_config.json
{
  "mcpServers": {
    "weather": {
      "command": "uv",
      "args": ["--directory", "/absolute/path/to/weather", "run", "weather-server"]
    },
    "filesystem": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-filesystem", "/Users/username/Documents"]
    },
    "github": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-github"],
      "env": {
        "GITHUB_PERSONAL_ACCESS_TOKEN": "ghp_your_token_here"
      }
    }
  }
}

每项配置可理解为在终端执行一个长连接子进程。关键参数拆解如下：

1. mcpServers：根节点，是一个Map。Key（如weather、github）是该Server的唯一标识符，用于AI界面显示与内部隔离。

2. command（可执行文件）
指定Client启动的二进制文件或脚本解释器，入口程序。常见值包括npx（Node.js）、python、uv（Python包管理器），或编译好的Go/Java二进制文件。

3. args（启动参数）
字符串数组，追加在command后，形成完整shell启动命令。

weather示例：uv --directory /path/to/weather run weather-server，指示uv切换到特定目录并运行项目。
filesystem示例：npx -y @modelcontextprotocol/server-filesystem /Users/username/Documents。-y表示自动确认安装，最后一个参数是传给Server内部的白名单机制，限定允许访问的文件夹。

4. env（环境变量）
子进程启动时注入的环境变量，用于传递敏感信息（API Keys）或配置参数，避免硬编码在代码或命令行中。类似Docker中配置ENV或本地.env文件。GitHub示例中，GITHUB_PERSONAL_ACCESS_TOKEN被注入进程上下文中，Server代码可通过os.Getenv("GITHUB_PERSONAL_ACCESS_TOKEN")（Go）或System.getenv(...)（Java）获取。

通过代码来调用MCP Server

对应场景二——在自己构建的AI应用中，使用官方SDK编写MCP Client代码。

官方提供多种SDK：后端开发常用的Go SDK由Google和Go官方维护，Java SDK由Spring AI官方维护，Python SDK由MCP官方维护。

以下是Python SDK编写MCP Client的示例代码：

from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client

# 配置服务器参数
server_params = StdioServerParameters(
    command="uv",
    args=["--directory", "/path/to/weather", "run", "weather-server"],
)

async def main():
    async with stdio_client(server_params) as (read, write):
        async with ClientSession(read, write) as session:
            # 初始化连接
            await session.initialize()
            
            # 列出可用工具
            tools = await session.list_tools()
            print("A vailable tools:", tools)
            
            # 调用工具
            result = await session.call_tool(
                "get_forecast",
                arguments={"latitude": 37.7749, "longitude": -122.4194}
            )
            print("Forecast:", result)
            
            # 列出资源
            resources = await session.list_resources()
            print("A vailable resources:", resources)
            
            # 读取资源
            config = await session.read_resource("weather://config")
            print("Config:", config)

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

总结

本篇解答了MCP Client的核心问题：Client如何调用Server？在不同场景下如何配置或编写客户端代码？结合前文，大家对MCP的整体理解已更加完整。下一篇将继续深入介绍MCP的高级特性与注意事项，这些实际落地中尤为重要。