企业官网建设流程全解析

目录

一、什么是MCP

🔌 它解决什么问题？

🏗️ 核心架构

🧰 Server 能提供什么？

⚠️ 为什么安全圈关注 MCP？

💭 一句话总结

二、MCP的官方

🏛️ 当前官方治理机构：Linux 基金会下的 AAIF

📜 最初的发起者：Anthropic

💭 对做AI Agent 的启示

三、MCP生态

🧱 官方 SDK（构建 MCP 的基础）

🚀 支持 MCP 的主流 AI 框架（消费 MCP 的上层）

📦 官方参考 Server（拿来即用的 MCP 服务）

🔌 面向特定框架的封装

四、讲解FastMCP

🧱 它是什么，谁做的

🖥️ 第一步：服务端 —— 定义工具并启动 HTTP 服务

💻 第二步：客户端 —— 通过 HTTP 调用

📋 预期输出

🔍 关键点说明

五、谁来决定调用哪个函数

🎯 核心区分：谁来做“决定调用哪个工具”这件事

🔗 两者的衔接方式

💭 比如我们有一个“医学 Agent ”的选型

一、什么是MCP

MCP 的全称是Model Context Protocol（模型上下文协议），由 Anthropic 在 2024 年底开源。你可以把它理解成AI 模型和外部工具/数据之间的“USB 接口”。

🔌 它解决什么问题？

在 MCP 之前，每个 AI 应用要接一个工具（比如查数据库、读文件、调 API），都得单独写一套适配代码。M 个模型接 N 个工具，就要写 M×N 套集成，非常麻烦。

MCP 的思路是标准化：模型这边统一用 MCP 客户端，工具那边统一用 MCP 服务器，两边都按同一套协议说话。这样 M 个模型接 N 个工具，只需要 M+N 套实现。

🏗️ 核心架构

MCP 采用客户端-服务器模式：

• MCP Host：运行 AI 应用的环境，比如 Claude Desktop、你的 Agent 平台

• MCP Client：Host 内部的连接器，负责和 Server 通信

• MCP Server：对外暴露工具、资源、提示词的服务方

一个 Host 可以同时连多个 Server，每个 Server 提供不同的能力。

🧰 Server 能提供什么？

MCP Server 通常暴露三类东西：

• Tools（工具）：可执行的操作，比如查天气、发邮件、执行 SQL

• Resources（资源）：可读取的数据，比如文件内容、数据库记录

• Prompts（提示词）：预定义的提示模板，帮用户完成特定任务

⚠️ 为什么安全圈关注 MCP？

AI安全相关的产品把MCP 协议专项风险单独列为一个检测维度，原因就在这里：

• 工具投毒：恶意逻辑藏在正常的工具描述里，诱导 Agent 选择它

• 间接注入：工具返回的内容里夹带指令，操纵 Agent 后续行为

• 链式泄露：多个合法工具被组合使用，形成数据外泄路径

• 凭证暴露：MCP 配置文件里明文存放 API Key

有研究对 15 个 MCP Server 做渗透测试，发现87% 存在至少一个严重漏洞，34% 可被完全接管。

💭 一句话总结

MCP 是让 AI 模型标准化接入外部工具的协议，相当于 AI 世界的“USB-C”。它极大降低了集成成本，但也因为工具调用链的复杂性，成了 Agent 安全的新攻击面。

二、MCP的官方

MCP 的“官方”身份，需要分两个阶段来看：它由 Anthropic 发起，但目前已经归属于一个中立的基金会来管理。

🏛️ 当前官方治理机构：Linux 基金会下的 AAIF

2025 年 12 月，Anthropic 宣布将 MCP 捐赠给了Agentic AI Foundation (AAIF)。这个基金会是Linux 基金会旗下的一个定向基金，由 Anthropic、OpenAI 和 Block 共同创立，并获得了 Google、Microsoft、AWS 等公司的支持。

所以，MCP 现在的官方归属是 AAIF。这个安排是为了确保 MCP 保持开放、中立和社区驱动，避免被任何单一公司控制，类似 Kubernetes 或 PyTorch 的治理模式。

📜 最初的发起者：Anthropic

MCP 协议是由Anthropic在 2024 年 11 月首次提出并开源的。Anthropic 是 Claude 系列模型的开发公司，他们希望用 MCP 来标准化 AI 模型与外部工具/数据源的连接方式，因此常被称为 AI 时代的“USB-C 接口”。

💭 对做AI Agent 的启示

虽然 MCP 已经交由中立基金会管理，但 Anthropic 仍然在积极投资和维护它的核心基础设施，并且是社区的主要参与者。

对开发者来说，这意味着：

• 选型可以放心：MCP 已经渡过了“单一公司控制的早期阶段”，有了一个更稳定、中立的长期治理结构。

• 规范以官方为准：协议的权威定义在modelcontextprotocol.io，这是你实现或评估 MCP Server 时的唯一标准来源。

• 生态活跃：目前 MCP 的 SDK 月下载量超过 9700 万次，有上万个活跃的 Server，生态非常繁荣，你找到可复用医学工具的概率也更高。

三、MCP生态

MCP 的生态大致可以分成三层：底层 SDK、上层 AI 框架集成、以及现成的 Server 实现。

🧱 官方 SDK（构建 MCP 的基础）

Anthropic 官方维护了多语言 SDK，按成熟度分为不同层级：

🚀 支持 MCP 的主流 AI 框架（消费 MCP 的上层）

这些框架让你在构建 Agent 时直接调用 MCP Server：

📦 官方参考 Server（拿来即用的 MCP 服务）

MCP 官方提供了可直接运行的参考实现：

这些 Server 用 TypeScript 或 Python 写成，通过npx或uvx就能直接跑起来。

🔌 面向特定框架的封装

还有一些专门为简化 MCP 接入而生的工具：

• mcp-fastapi：把现有 FastAPI 路由自动反射成 MCP 工具，无需重写代码

• Pythonium：模块化 MCP Server 框架，内置系统操作、文件操作、Web 操作等标准工具库

• langchain-mcp-registry：从官方注册表发现 MCP Server 并自动转为 LangChain 工具

四、讲解FastMCP

FastMCP 是当前构建 MCP 应用最主流的 Python 框架，核心价值是把复杂的 MCP 协议细节封装掉，让你只用写普通的 Python 函数。

🧱 它是什么，谁做的

FastMCP 由Prefect 团队开发和维护。它的 1.0 版本在 2024 年被并入官方 MCP Python SDK，但团队随后继续维护独立版本（目前是 FastMCP 2.x/4.x），增加了大量生产级能力。

目前它的生态地位很突出：每天被下载超过一百万次，所有语言中约 70% 的 MCP 服务器都基于 FastMCP 的某个版本构建。

用一个完整的例子来演示：服务端定义一个医学工具，客户端通过 HTTP 调用它。

🖥️ 第一步：服务端 —— 定义工具并启动 HTTP 服务

创建medical_server.py：

from fastmcp import FastMCP ​ # 创建 MCP 服务器实例 mcp = FastMCP("Medical Server") ​ @mcp.tool def check_drug_interaction(drug_a: str, drug_b: str) -> str: """ 检查两种药物之间是否存在相互作用。 返回相互作用描述和风险等级。 """ # 这里模拟一个简单的药物相互作用数据库 interactions = { ("华法林", "阿司匹林"): "高风险：增加出血风险，需密切监测INR", ("二甲双胍", "碘造影剂"): "高风险：可能引起乳酸酸中毒，检查前需停药", ("阿托伐他汀", "克拉霉素"): "中风险：增加肌病风险，考虑调整剂量", } key = (drug_a, drug_b) reverse_key = (drug_b, drug_a) if key in interactions: return interactions[key] elif reverse_key in interactions: return interactions[reverse_key] else: return "未发现已知的药物相互作用" ​ @mcp.tool def get_patient_info(patient_id: str) -> dict: """ 根据患者ID查询基本信息。 返回患者姓名、年龄、过敏史。 """ # 模拟数据，实际应连接医院FHIR系统 patients = { "P001": {"name": "张三", "age": 65, "allergies": ["青霉素"]}, "P002": {"name": "李四", "age": 42, "allergies": []}, } return patients.get(patient_id, {"error": "患者不存在"}) ​ if __name__ == "__main__": # 启动 HTTP 服务，监听 8000 端口 mcp.run(transport="http", host="0.0.0.0", port=8000)

启动服务：

python medical_server.py

服务启动后，MCP 端点默认在http://localhost:8000/mcp。

💻 第二步：客户端 —— 通过 HTTP 调用

创建medical_client.py：

import asyncio from fastmcp import Client ​ async def main(): # 连接到 HTTP 服务端 async with Client("http://localhost:8000/mcp") as client: # 1. 发现服务器上有哪些工具 tools = await client.list_tools() print("可用工具：") for tool in tools: print(f" - {tool.name}: {tool.description}") # 2. 调用药物相互作用检查工具 result = await client.call_tool( "check_drug_interaction", {"drug_a": "华法林", "drug_b": "阿司匹林"} ) print(f"\n药物相互作用结果：{result.data}") # 3. 调用患者信息查询工具 patient = await client.call_tool( "get_patient_info", {"patient_id": "P001"} ) print(f"患者信息：{patient.data}") ​ if __name__ == "__main__": asyncio.run(main())

运行客户端：

python medical_client.py

📋 预期输出

可用工具： - check_drug_interaction: 检查两种药物之间是否存在相互作用。 - get_patient_info: 根据患者ID查询基本信息。 ​ 药物相互作用结果：高风险：增加出血风险，需密切监测INR 患者信息：{'name': '张三', 'age': 65, 'allergies': ['青霉素']}

🔍 关键点说明

服务端侧：

• @mcp.tool装饰器把普通 Python 函数变成 MCP 工具

• 函数签名和类型注解自动生成工具的参数 Schema

• docstring 自动成为工具描述，供客户端发现和理解

• mcp.run(transport="http", ...)启动 HTTP 服务

客户端侧：

• Client("http://localhost:8000/mcp")自动识别 HTTP 传输

• async with管理连接生命周期

• list_tools()发现工具，call_tool()调用工具

• result.data拿到结构化结果

如果服务端需要认证，客户端加一行：

client = Client("http://localhost:8000/mcp", auth="your-token")

这个例子就是医学 Agent 工具层的最小可用原型。实际部署时，服务端连接医院的 FHIR 系统，客户端嵌入到你的 Agent 编排逻辑里，根据用户意图决定调用哪个工具。

五、谁来决定调用哪个函数

这个问题的答案取决于你的架构选择，两种方式都可以，但职责不同。

🎯 核心区分：谁来做“决定调用哪个工具”这件事

方式一：FastMCP Client 自己做（没有 LangChain）

FastMCP Client 本身是一个确定性的编程接口。你写代码显式调用client.call_tool("check_drug_interaction", {...})，调哪个工具、传什么参数，完全由你的代码决定。

如果你想让它“自动决定”，你需要自己写一层逻辑：把你的意图判断（可以用 LLM）和 FastMCP 的list_tools/call_tool组合起来。FastMCP 提供的是工具发现和调用能力，不提供“决策能力”。

方式二：LangChain / LangGraph 做决策，FastMCP 做执行

这是更常见的生产架构。

LangGraph 负责“理解用户意图 → 决定调哪个工具 → 传什么参数”，FastMCP Client 负责“把这个决定执行掉”。

具体分工：

• LangGraph：管理对话状态、意图识别、工具选择、多步编排

• langchain-mcp-adapters：把 FastMCP Server 暴露的工具转换成 LangChain 的 Tool 对象

• FastMCP Client：底层实际连接 MCP Server、执行工具调用

🔗 两者的衔接方式

langchain-mcp-adapters是官方提供的桥接库，核心用法：

from langchain_mcp_adapters.client import MultiServerMCPClient ​ async with MultiServerMCPClient({ "medical": { "url": "http://localhost:8000/mcp", "transport": "http", } }) as client: # 自动把 MCP Server 的工具转成 LangChain Tool tools = await client.get_tools() # tools 里就有 check_drug_interaction 和 get_patient_info

拿到tools后，交给 LangGraph 的 Agent：

from langgraph.prebuilt import create_react_agent from langchain_openai import ChatOpenAI ​ model = ChatOpenAI(model="gpt-4") agent = create_react_agent(model, tools) ​ # 用户说"张三吃华法林和阿司匹林有风险吗" # LangGraph 自己决定：先调 get_patient_info 拿过敏史， # 再调 check_drug_interaction 查相互作用 result = await agent.ainvoke({ "messages": [{"role": "user", "content": "张三吃华法林和阿司匹林有风险吗"}] })

💭 比如我们有一个“医学 Agent ”的选型

关键判断：FastMCP 解决的是“怎么连、怎么调”，LangGraph 解决的是“调什么、什么时候调”。医学场景下，如果涉及多轮对话、动态意图、复杂工作流，LangGraph 做决策层 + FastMCP 做执行层是更合理的分工。如果只是简单的“用户点按钮 → 查数据”，纯 FastMCP Client 就够了，不需要引入 LangChain 的复杂度。