1. 从零理解 MCP 工具调用协议
在构建企业级 AI 助手时,我们经常会遇到这样的困境:当用户询问"今天是周几?"这类需要实时数据的问题时,纯 RAG 系统会显得无能为力;而当问题涉及"请假3天包含几个工作日"这类计算需求时,仅靠大语言模型的推理能力又难以保证准确性。这正是 MCP(Model Context Protocol)要解决的核心问题。
我在实际企业项目中曾遇到一个典型案例:HR 知识库系统能完美回答"年假有多少天",但当员工问"如果我下周二到周四请假,会消耗多少年假"时,系统就完全失效。这种场景让我深刻认识到工具调用的必要性。
1.1 MCP 协议的核心设计思想
MCP 协议的精妙之处在于它采用了"声明-决策-执行-综合"的四阶段工作流:
- 工具声明:服务端预先注册工具及其参数规范(如日期格式、查询字段等)
- 智能决策:LLM 根据问题语义分析需要调用的工具组合
- 并行执行:系统并发调用多个工具获取实时数据
- 结果综合:LLM 将工具返回的结构化数据转化为自然语言回答
这种设计使得系统既保持了 LLM 的语义理解优势,又能接入精确的外部计算能力。在我的实现中,一个关键优化点是工具参数的动态校验——当 LLM 生成的参数不符合 schema 时,会自动触发参数修正流程,这显著提高了工具调用的成功率。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 手把手构建 MCP 服务端
2.1 工具注册机制实现
服务端的核心是一个工具注册表,这里我采用了装饰器模式来实现优雅的 API:
python复制class MCPServer:
def __init__(self):
self._tools = {} # 工具名称到元数据的映射
def tool(self, name: str, description: str, parameters: dict):
"""工具注册装饰器工厂"""
def decorator(fn):
# 参数校验schema构建
param_schema = {
"type": "object",
"properties": parameters,
"required": list(parameters.keys()),
}
# 工具元数据存储
self._tools[name] = {
"schema": {
"name": name,
"description": description,
"parameters": param_schema,
},
"fn": fn,
"validator": self._create_validator(param_schema) # 参数校验器
}
return fn
return decorator
def _create_validator(self, schema):
"""使用jsonschema创建参数校验器"""
import jsonschema
def validate_and_call(args):
try:
jsonschema.validate(instance=args, schema=schema)
return True
except jsonschema.ValidationError:
return False
return validate_and_call
在实际项目中,我建议为工具添加版本控制和权限管理。例如通过@server.tool(version="1.1", scope="hr")来标记工具版本和使用权限,这对企业级应用尤为重要。
2.2 三类典型工具实现
2.2.1 知识检索工具
python复制@server.tool(
name="search_knowledge_base",
description="在企业知识库中搜索相关文档",
parameters={
"query": {"type": "string", "description": "搜索关键词"},
"top_k": {"type": "integer", "description": "返回结果数量", "default": 3},
"department": {"type": "string", "enum": ["HR", "Finance",
