第 10 章：模型上下文协议（MCP）

为了让大语言模型（LLM）能够有效地作为智能体（Agent）工作，其能力必须超越多模态生成，能够与外部环境交互，包括访问实时数据、调用外部软件、执行具体操作任务。模型上下文协议（MCP）正是为此而设计，它为 LLM 与外部资源的对接提供了标准化接口，是实现一致性和可预测集成的关键机制。

MCP 模式概述

可以将 MCP 想象成一个通用适配器，让任何 LLM 都能无缝连接到任何外部系统、数据库或工具，无需为每种组合单独开发集成。MCP 是一项开放标准，旨在规范 Gemini、OpenAI GPT、Mixtral、Claude 等 LLM 与外部应用、数据源和工具的通信方式。它就像一个通用连接机制，简化了 LLM 获取上下文、执行操作、与各种系统交互的流程。

MCP 采用客户端 - 服务器架构。MCP 服务器负责暴露数据（资源）、交互模板（即 Prompt）和可执行功能（工具），而 MCP 客户端则负责消费这些能力，客户端可以是 LLM 宿主应用或智能体本身。这种标准化方式极大降低了 LLM 集成到多样化业务环境的复杂度。

需要注意的是，MCP 本质上是一种“智能体接口”契约，其效果高度依赖于底层 API 的设计。如果开发者只是简单地将传统 API 包装为 MCP 接口，而不做优化，智能体的表现可能很差。例如，某工单系统 API 只能逐条获取工单详情，智能体要汇总高优先级工单时就会很慢且不准确。要真正发挥智能体优势，底层 API 应支持确定性特性，如过滤和排序，帮助智能体高效工作。智能体并不能神奇地替代确定性流程，往往需要更强的确定性支持。

此外，MCP 可以包装任何 API，但如果 API 的输入输出格式智能体无法理解，依然无效。例如，文档存储 API 只返回 PDF 文件，智能体无法解析 PDF 内容，这样的 MCP 服务就没有实际意义。更好的做法是先开发一个能返回文本（如 Markdown）的 API，让智能体能直接读取和处理。这说明开发者不仅要关注连接方式，更要关注数据本身的可用性，确保真正的兼容性。

MCP 与工具函数调用的区别

模型上下文协议（MCP）与工具函数调用是 LLM 扩展外部能力的两种机制。二者都能让 LLM 执行文本生成之外的操作，但在抽象层次和实现方式上有明显区别。

工具函数调用是 LLM 直接向某个预定义工具或函数发起请求（“工具”和“函数”在此语境下可互换）。这种方式是一对一通信，LLM 根据用户意图格式化请求，应用代码执行后返回结果。不同 LLM 厂商实现方式各异，通常是专有的。

而 MCP 则是一个标准化接口，让 LLM 能够发现、通信并调用外部能力。它是开放协议，支持 LLM 与各种工具和系统的交互，目标是建立一个任何合规工具都能被任何合规 LLM 访问的生态系统，促进互操作性、可组合性和复用性。采用联邦模型后，能显著提升系统间的协同和资产价值。只需将传统服务包装为 MCP 接口，无需重写底层系统，就能将其纳入现代智能体生态，实现敏捷复用。

以下是 MCP 与工具函数调用的核心区别：

工具函数调用就像给 AI 配一套专用工具（如特定扳手和螺丝刀），适合固定任务场景；而 MCP 则像通用电源插座系统，不直接提供工具，但允许任何合规工具接入，打造动态、可扩展的智能体工作坊。

简言之，函数调用适合简单场景，MCP 则是复杂、互联 AI 系统不可或缺的标准化通信框架。

MCP 的更多考量

MCP 虽强大，但实际应用需综合考虑以下关键因素：

• 工具、资源与 Prompt 的区别：资源是静态数据（如 PDF、数据库记录），工具是可执行功能（如发邮件、API 查询），Prompt 是引导 LLM 与资源或工具交互的模板，确保结构化和高效互动。
• 可发现性：MCP 客户端可动态查询服务器能力，实现“即时发现”，智能体无需重启即可适应新功能。
• 安全性：任何协议暴露工具和数据都需强安全措施。MCP 实现必须支持认证和授权，控制客户端访问权限和操作范围。
• 实现复杂度：MCP 虽为开放标准，但实现可能较复杂。部分厂商（如 Anthropic、FastMCP）已推出 SDK，简化开发流程。
• 错误处理：协议需定义错误（如工具执行失败、服务器不可用、请求无效）如何反馈给 LLM，便于智能体理解并尝试替代方案。
• 本地与远程服务器：MCP 服务器可部署在本地或远程。本地适合敏感数据和高性能场景，远程则便于组织共享和扩展。
• 按需与批量处理：MCP 支持实时交互和批量处理，适用于对话型智能体和数据分析流水线等不同场景。
• 传输机制：本地通信采用 JSON-RPC over STDIO，高效进程间交互；远程则用 Streamable HTTP 和 SSE，支持持久高效的客户端 - 服务器通信。

MCP 采用客户端 - 服务器模型，标准化信息流。理解各组件交互是实现高级智能体行为的关键：

1. LLM：核心 Agent，处理用户请求、制定计划、决定何时访问外部信息或执行操作。
2. MCP 客户端：LLM 的应用或包装层，将 LLM 意图转化为 MCP 标准请求，负责发现、连接和通信。
3. MCP 服务器：外部世界的入口，向授权客户端暴露工具、资源和 Prompt，通常负责某一领域（如数据库、邮件服务、API）。
4. 第三方服务：实际的外部工具、应用或数据源，由 MCP 服务器管理和暴露，是最终执行操作的终点（如数据库查询、SaaS 平台、天气 API）。

交互流程如下：

1. 发现：MCP 客户端代表 LLM 查询服务器能力，服务器返回工具、资源和 Prompt 清单。
2. 请求构造：LLM 决定使用某工具（如发邮件），构造请求并指定参数（收件人、主题、正文）。
3. 客户端通信：MCP 客户端将请求按标准格式发送至 MCP 服务器。
4. 服务器执行：MCP 服务器认证客户端、校验请求，调用底层软件执行操作（如邮件 API 的 send 函数）。
5. 响应与上下文更新：服务器返回标准化响应（如邮件发送确认 ID），客户端将结果反馈给 LLM，更新上下文，智能体继续后续任务。

实践应用与场景

MCP 极大拓展了 AI/LLM 能力，常见九大应用场景：

• 数据库集成：智能体可通过 MCP 无缝访问结构化数据库，如用 MCP 数据库工具箱查询 Google BigQuery，实时获取信息、生成报告或更新记录，全部由自然语言驱动。
• 生成式媒体编排：智能体可集成高级生成媒体服务，如通过 MCP 工具调用 Google Imagen 生成图片、Veo 生成视频、Chirp 3 HD 生成语音、Lyria 生成音乐，实现 AI 应用中的动态内容创作。
• 外部 API 交互：MCP 为 LLM 调用外部 API 提供标准化方式，智能体可获取实时天气、股票价格、发送邮件、对接 CRM 系统，能力远超基础模型。
• 推理型信息抽取：利用 LLM 强推理能力，MCP 支持智能体按需抽取信息，超越传统检索工具。智能体可分析文本，精准提取回答复杂问题的关键句段。
• 自定义工具开发：开发者可用 FastMCP 等框架快速开发自定义工具，并通过 MCP 服务器暴露，无需修改 LLM 即可让智能体访问专有功能。
• 标准化 LLM-应用通信：MCP 为 LLM 与应用间通信提供一致层，降低集成成本，促进不同厂商和宿主应用间互操作，简化复杂智能体系统开发。
• 复杂流程编排：智能体可组合多种 MCP 工具和数据源，实现多步骤复杂流程，如获取客户数据、生成营销图片、撰写邮件并发送，全部自动化完成。
• 物联网设备控制：智能体可通过 MCP 控制 IoT 设备，如智能家居、工业传感器、机器人，实现自然语言驱动的自动化。
• 金融服务自动化：在金融领域，智能体可通过 MCP 对接数据源、交易平台、合规系统，实现市场分析、自动交易、个性化建议和合规报告，确保安全和标准化通信。

简言之，MCP 让智能体能访问数据库、API 和网页等实时信息，也能执行发邮件、更新记录、控制设备等复杂任务，并支持 AI 应用中的媒体生成工具集成。

ADK 实操代码示例

本节介绍如何连接本地 MCP 服务器，实现 ADK 智能体与本地文件系统交互。

智能体配置与 MCP 工具集

要配置智能体访问文件系统，可在./adk_agent_samples/mcp_agent/agent.py创建如下代码。MCPToolset实例需在LlmAgent的tools列表中，并将"/path/to/your/folder"替换为本地绝对路径，作为文件操作的根目录。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

import os
from google.adk.agents import LlmAgent
from google.adk.tools.mcp_tool.mcp_toolset import MCPToolset, StdioServerParameters

# 获取 agent.py 同级目录下'mcp_managed_files'文件夹的绝对路径
TARGET_FOLDER_PATH = os.path.join(os.path.dirname(os.path.abspath(__file__)), "mcp_managed_files")
os.makedirs(TARGET_FOLDER_PATH, exist_ok=True)

root_agent = LlmAgent(
    model='gemini-2.0-flash',
    name='filesystem_assistant_agent',
    instruction=(
         '帮助用户管理文件。你可以列出、读取和写入文件。'
         f'你的操作目录为：{TARGET_FOLDER_PATH}'
    ),
    tools=[
         MCPToolset(
              connection_params=StdioServerParameters(
                    command='npx',
                    args=[
                         "-y",
                         "@modelcontextprotocol/server-filesystem",
                         TARGET_FOLDER_PATH,
                    ],
              ),
              # 可选：限制暴露的工具，如只允许读取
              # tool_filter=['list_directory', 'read_file']
         )
    ],
)

npx是 npm 自带的包执行工具，无需全局安装即可运行 Node.js 包。许多社区 MCP 服务器都以 Node.js 包形式分发，可直接用 npx 运行。

为确保 agent.py 被 ADK 识别为 Python 包，还需在同目录下创建__init__.py：

# ./adk_agent_samples/mcp_agent/__init__.py
from . import agent

当然，也可连接其他命令，如 python3：

connection_params = StdioConnectionParams(
 server_params={
      "command": "python3",
      "args": ["./agent/mcp_server.py"],
      "env": {
         "SERVICE_ACCOUNT_PATH":SERVICE_ACCOUNT_PATH,
         "DRIVE_FOLDER_ID": DRIVE_FOLDER_ID
      }
 }
)

UVX 是 Python 命令行工具，利用 uv 临时隔离环境运行 Python 包，无需全局安装。可通过 MCP 服务器调用：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

connection_params = StdioConnectionParams(
 server_params={
    "command": "uvx",
    "args": ["mcp-google-sheets@latest"],
    "env": {
      "SERVICE_ACCOUNT_PATH":SERVICE_ACCOUNT_PATH,
      "DRIVE_FOLDER_ID": DRIVE_FOLDER_ID
    }
 }
)

MCP 服务器创建后，下一步是连接 ADK Web。

MCP 服务器与 ADK Web 连接

首先执行adk web。在终端进入 mcp_agent 的父目录（如 adk_agent_samples），运行：

cd ./adk_agent_samples
adk web

浏览器加载 ADK Web 界面后，选择filesystem_assistant_agent，可尝试如下 Prompt：

• “显示该文件夹内容。”
• “读取sample.txt文件。”（假设该文件在TARGET_FOLDER_PATH下）
• “another_file.md里有什么？”

用 FastMCP 创建 MCP 服务器

FastMCP 是高层 Python 框架，简化 MCP 服务器开发。它通过 Python 装饰器快速定义工具、资源和 Prompt，并自动生成 AI 模型接口规范，极大减少手动配置和出错。

FastMCP 还支持服务器组合和智能体，便于模块化开发复杂系统，并优化分布式、可扩展 AI 应用。

FastMCP 服务器示例

如下代码实现一个"greet"工具，ADK Agent 和其他 MCP 客户端可通过 HTTP 访问：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

# fastmcp_server.py
# pip install fastmcp
from fastmcp import FastMCP, Client

mcp_server = FastMCP()

@mcp_server.tool
def greet(name: str) -> str:
     """
     生成个性化问候语。

     Args:
          name: 要问候的人名。

     Returns:
          问候语字符串。
     """
     return f"你好，{name}！很高兴认识你。"

if __name__ == "__main__":
     mcp_server.run(
          transport="http",
          host="127.0.0.1",
          port=8000
     )

该脚本定义了一个 greet 函数，通过@tool 装饰器注册为 MCP 工具。文档字符串和类型提示会被 FastMCP 自动用于工具描述和接口规范。脚本运行后，服务器监听本地 8000 端口，greet 工具即可被智能体远程调用。

ADK Agent 消费 FastMCP 服务器

ADK Agent 可作为 MCP 客户端连接 FastMCP 服务器，只需配置 HttpServerParameters 为服务器地址（如 http://localhost:8000），并可用 tool_filter 限制工具访问。

使用 ADK Agent 消费 FastMCP 服务器

ADK Agent 可作为 MCP 客户端连接已启动的 FastMCP 服务器。只需在配置中设置 HttpServerParameters，指定 FastMCP 服务器的网络地址（通常为 http://localhost:8000）。

可通过 tool_filter 参数限制智能体可用的工具，例如只允许使用 greet。收到如“向 John Doe 问好”的请求时，Agent 内嵌的 LLM 会识别 MCP 提供的 greet 工具，传入参数“John Doe”，并返回服务器响应。该过程展示了如何将自定义工具通过 MCP 集成到 ADK Agent 中。

具体配置方法如下，需要在 ./adk_agent_samples/fastmcp_client_agent/ 目录下创建 agent.py 文件，实例化 ADK Agent 并通过 HttpServerParameters 连接 FastMCP 服务器：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

# ./adk_agent_samples/fastmcp_client_agent/agent.py
import os
from google.adk.agents import LlmAgent
from google.adk.tools.mcp_tool.mcp_toolset import MCPToolset, HttpServerParameters

# 定义 FastMCP 服务器地址
# 请确保 fastmcp_server.py 已在该端口运行
FASTMCP_SERVER_URL = "http://localhost:8000"

root_agent = LlmAgent(
    model='gemini-2.0-flash', # 可替换为其他模型
    name='fastmcp_greeter_agent',
    instruction='你是一个友好的助手，可以通过 "greet" 工具向人问好。',
    tools=[
         MCPToolset(
              connection_params=HttpServerParameters(
                    url=FASTMCP_SERVER_URL,
              ),
              # 可选：限制 MCP 服务器暴露的工具
              # 本例只允许使用 'greet'
              tool_filter=['greet']
         )
    ],
)

该脚本定义了一个名为 fastmcp_greeter_agent 的智能体，使用 Gemini 语言模型，并指定其任务为友好问候。通过 MCPToolset 连接本地 8000 端口的 FastMCP 服务器，并只开放 greet 工具。这样，Agent 就能理解自己的目标是向人问好，并知道要调用哪个外部工具来实现。

在 fastmcp_client_agent 目录下创建 __init__.py 文件，确保该智能体 被 ADK 识别为可发现的 Python 包。

操作步骤如下：首先在新终端运行 python fastmcp_server.py 启动 FastMCP 服务器。然后进入 fastmcp_client_agent 的父目录（如 adk_agent_samples），执行 adk web。浏览器加载 ADK Web UI 后，选择 fastmcp_greeter_agent，输入如“向 John Doe 问好”的 Prompt，Agent 会调用 FastMCP 服务器上的 greet 工具生成响应。

一图速览

是什么：为了让 LLM 成为真正的智能体，必须具备与外部环境交互的能力，访问实时数据、调用外部软件。没有标准化通信协议，每次集成都需定制开发，难以复用，阻碍了复杂 AI 系统的扩展和互联。

为什么：模型上下文协议（MCP）通过开放标准，成为 LLM 与外部系统的通用接口。它定义了能力发现和调用的标准流程，采用客户端 - 服务器架构，服务器可向任意合规客户端暴露工具、数据资源和 Prompt。LLM 应用作为客户端，能动态发现和使用资源，极大促进了可复用、可组合的智能体生态，简化了复杂工作流开发。

经验法则：构建复杂、可扩展或企业级智能体系统，需与多样化外部工具、数据源和 API 交互时，优先采用 MCP。尤其当需要不同 LLM 与工具互操作、智能体可动态发现新能力时，MCP 是最佳选择。若仅需固定少量函数，直接工具调用即可。

关键要点

• MCP 是开放标准，规范 LLM 与外部应用、数据源和工具的通信。
• 采用客户端 - 服务器架构，定义资源、Prompt 和工具的暴露与消费方式。
• ADK 支持消费现有 MCP 服务器，也可将自身工具暴露为 MCP 服务。
• FastMCP 简化 MCP 服务器开发，尤其适合 Python 工具的快速集成。
• MCP Genmedia 工具支持智能体集成 Google Cloud 生成式媒体服务（Imagen、Veo、Chirp 3 HD、Lyria）。
• MCP 让 LLM 和智能体能访问真实世界系统、动态信息，并执行超越文本生成的操作。

总结

模型上下文协议（MCP）是连接大语言模型（LLM）与外部系统的开放标准。它采用客户端 - 服务器架构，让 LLM 能通过标准化工具访问资源、利用 Prompt、执行操作。MCP 支持数据库访问、生成式媒体编排、物联网控制和金融自动化等场景。文中通过文件系统服务器和 FastMCP 服务器的智能体集成示例，展示了 MCP 与 ADK 的实际应用。MCP 是打造具备交互能力的智能体系统不可或缺的核心组件。

参考资料

• Model Context Protocol (MCP) 官方文档 – google.github.io
• FastMCP 文档 – github.com/jlowin/fastmcp
• MCP Genmedia 工具 – google.github.io
• MCP 数据库工具箱文档 – google.github.io