本书系统讲解MCP的原理、协议设计与商业落地，构建了从零基础到可扩展企业级系统的完整知识体系。
全书共10章，依次为MCP的基础知识、MCP架构详解、MCP规范、实战体验：第一个MCP程序、多场景MCP服务器实战演练、MCP服务开发实践、MCP与AI Agent、多模型的集成与协同、商业项目：智能编程助手（IDA Pro+VS Code+MCP）和商业项目：基于MCP实现的多智能体协同系统（Agent+Git+tmux+SQLite）。
本书内容兼具理论深度与落地指导性，不仅为AI研究者提供MCP的系统性知识，还为开发者在实际业务中快速构建安全、可扩展、多模型协同的AI系统提供详尽的操作指南，助力读者一步到位地掌握MCP核心技术与商业实战。

破局之钥：读懂MCP核心协议，吃透AI交互底层逻辑。
全栈贯通：从基础架构、协议规范到实战编码，贯通客户端与服务端开发。
多域赋能：精通多传输通信方案，覆盖办公、运维、金融、视觉多领域。
实战指南：覆盖全场景，贯通Agent协同。

推荐序
夯实智能基石
共筑人类未来

人工智能正在改变当今世界。从量子计算到基因编辑，从智慧城市到数字外交，人工智能不仅重塑着产业形态，还改变着人类文明的认知范式。在这场智能革命中，我们既要有仰望星空的战略眼光，也要具备脚踏实地的理论根基。北京大学出版社策划的人工智能与人类未来丛书，恰如及时春雨，无论是在理论还是实践领域，都会对人们认识与了解这次社会变革产生积极的作用。
该丛书最鲜明的特色在于其能追本溯源。当业界普遍沉迷于模型调参的即时效益时，《人工智能大模型数学基础》等基础著作系统梳理了线性代数、概率统计、微积分等人工智能相关的计算脉络，将卷积核的本质解构为张量空间变换，将损失函数还原为变分法的最优控制原理。这种将技术现象回归数学本质的阐释方式，不仅能让读者的认知框架更完整，还为未来的创新突破提供了可能。书中独创的数学考古学视角，能够带读者重走高斯、牛顿等先贤的思维轨迹，在微分流形中理解 Transformer 模型架构，在泛函空间里参悟大模型的涌现规律。
在实践维度，该丛书开创了代码即理论的创作范式。《人工智能大模型：动手训练大模型基础》等实战手册摒弃了概念堆砌，直接使用 PyTorch 框架下的 100 多个代码实例，将反向传播算法具象化为矩阵导数运算，使注意力机制可视化为概率图模型。在《DeepSeek 源码深度解析》中，作者团队细致剖析了国产大模型的核心架构设计，从分布式训练中的参数同步策略，到混合专家系统的动态路由机制，每个技术细节都配有工业级代码实现。这种庖丁解牛式的技术解密，使读者既能把握技术全貌，又能掌握关键模块的实现精髓。
该丛书着眼于人工智能发展的未来。当全球算力竞赛进入白热化阶段，《Python 大模型优化策略：理论与实践》系统梳理了模型压缩、量化训练、稀疏计算等关键技术，为突破算力围墙提供了方法论支撑。《DeepSeek 图解：大模型是怎样构建的》则使用大量的可视化图表，将万亿参数模型的训练过程转化为可理解的动力学系统，这种知识传播方式极大地降低了技术准入门槛。这些创新不仅呼应了十四五规划中关于人工智能底层技术突破的战略部署，还为构建自主可控的技术生态提供了人才储备。
作为人工智能发展的见证者和参与者，我非常高兴看到该丛书的三重突破：在学术层面构建了贯通数学基础与技术前沿的知识体系；在产业层面铺设了从理论创新到工程实践的转化桥梁；在战略层面响应了新时代科技自立自强的国家需求。该丛书既可作为高校培养复合型人工智能人才的立体化教材，又可成为产业界克服人工智能技术瓶颈的参考宝典，此外，还可成为现代公民了解人工智能的必要书目。
站在智能时代的关键路口，我们比任何时候都更需要这种兼具理论深度与实践智慧的启蒙之作。
愿该丛书能点燃更多探索者的智慧火花，共同绘制人工智能赋能人类文明的美好蓝图。
于剑
北京交通大学人工智能研究院院长
交通数据分析与挖掘北京市重点实验室主任
中国人工智能学会副秘书长兼常务理事
中国计算机学会人工智能与模式识别专委会荣誉主任

前言
2023年以来，大语言模型（Large Language Model，LLM）以对话即服务的形态席卷全球，却在落地千行百业时集体撞上最后一公里模型再强大，也无法直接读取企业内部数据库、调用遗留API、操作本地文件，更难以安全、标准化地集成到现有DevOps与微服务架构中。业界惯用的外挂函数调用方案（Function Calling、Plugin、Toolformer等）往往陷入N个模型M个工具K个平台的碎片化困局：接口规范不统一、上下文无法跨会话复用、授权链路各自为政、调试监控缺失，导致AI项目从Demo到生产平均需要6～9个月，70%的PoC最终无法上线。
Anthropic在2024年初开源的模型上下文协议（Model Context Protocol，MCP）首次把工具总线思想引入大模型时代：通过JSON-RPC 2.0协议把AI模型、企业数据源、本地/远程工具解耦为可插拔的乐高组件，让模型、工具、上下文三者像USB一样即插即用。MCP提出三大原语Prompts（可复用提示模板）、Resources（只读上下文数据）、Tools（可写函数调用），并配套完整的身份认证、传输加密、生命周期管理、流式传输规范，一举解决了多模型、多工具、多租户场景下的安全、性能与可维护性等难题。
与此同时，国内阿里云、百度、字节跳动、DeepSeek等厂商陆续宣布兼容MCP，VS Code、Claude Desktop、IDA Pro、Cursor、JetBrains等 主 流 集 成 开 发 环 境（Integrated Development Environment，IDE）也内置MCP客户端，标志着得MCP者得生态已成为AI原生应用的事实标准。
本书的特色
本书体系化梳理了协议规范、源代码级技巧与可复制的商业级模板，大幅降低试错成本，从而让开发者能够一步到位把大模型安全、高效、可持续地接入真实业务。
◎ 协议源代码实战运维四轴闭环：每章均给出协议图解源代码逐行注解可运行实战生产级监控/日志/回滚方案，读完即可直接将其复制到企业代码库。
◎ 多场景服务器直接商用：天气、MySQL、Git、文件系统、网络请求、金融投资、视觉Agent、人脸嵌入、持久化记忆、序列思维……全部配套Docker一键启动，省去80%脚手架开发。
◎ 多语言 SDK对比式教学：同一业务同时给出Python与TypeScript双实现，性能基准、异常处理、类型推导、打包部署差异一目了然，让开发者面对技术选型时不再纠结。
◎ 安全、合规，开箱即用：深度拆解OAuth 2.0、JWT、mTLS、临时凭证、细粒度RBAC（Role-Based Access Control，基于角色的访问控制），提供符合金融、医疗、政务三大行业合规要求的配置模板，直接通过等保/ISO 27001评审。
◎ 真实724小时生产运维手册：从灰度发布、滚动升级、热替换MCP工具、可观测性埋点、告警到灾备切换，全书采用配置即代码方式，真正解决上线后怎么办的痛点。
◎ Agent协同白皮书级方案：独创总线路由器任务槽3层Agent架构，支持串联、并联、混合3种协同模式，可弹性扩展至千级Agent节点，已在大厂生产环境验证。
本书的读者对象
◎ AI大模型应用开发者：想把GPT、Claude、DeepSeek等能力快速接入企业内部工具、数据库、API，却苦于没有统一标准协议的研发人员。
◎ 算法工程师与AI产品经理：需要理解模型工具上下文如何标准化协同，才能设计出可落地、可扩展的AI Agent或多模型方案。
◎ 后端/全栈工程师：负责将大模型能力包装成微服务，必须掌握MCP服务器、客户端、安全传输、灰度发布的具体代码与运维要点。
◎ 架构师与技术决策者：正在评估下一代AI中间件或工具总线选型，需对比FunctionCalling、Plugin、MCP的优劣与长期演进。
◎ 信息安全与合规审计人员：关注AI调用链中的OAuth 2.0、mTLS、数据脱敏、审计日志，书中给出金融、医疗、政务三大行业过审配置样例。
◎ 技术爱好者与开源贡献者：想第一时间参与MCP生态建设，通过本书源代码、在线沙箱和社区链接，可快速提交项目评审（Project Review）、打造自己的明星插件。
致谢
首先，要向所有支持与鼓励我完成这本书撰写的朋友和家人致以最诚挚的感谢，因为他们的理解与关爱为我提供了无穷的动力。其次，要特别感谢我的导师和同事们，他们在学术研究和工作中为我提供了宝贵的指导和建议，启发了我对人工智能与概率统计展开深刻而系统的思考。此外，本书在编写过程中，得到了出版社各位专业编辑的大力支持，正是各位专业出版人士的求实、耐心和高效的工作态度，才使得本书能够在这么短的时间内出版。由于本人编写水平和精力有限，书中难免存在纰漏之处，诚请读者提出宝贵的意见或建议，以便修订并使之更臻完善。
最后感谢您购买本书，希望本书能成为您编程路上的领航者，祝您阅读快乐！

张学建，哈尔滨工业大学博士，百度智能云研发工程师、百度大模型工程师，在大规模机器学习、深度学习、数据搜索、行业垂直应用、研发管理等领域拥有丰富经验。在企业智能化转型、业务线上化经营领域拥有丰富的大规模搜索架构搭建、个性化推荐架构搭建、机器学习系统架构搭建经验和技术团队管理经验。现从事城市大数据中心的开发和建设工作，将深度学习运用到数字经济领域。

目录

第1章 MCP的基础知识
1.1 Anthropic介绍
1.2 MCP的核心概念与定位
1.2.1 MCP的基本概念
1.2.2 MCP的核心目标
1.2.3 MCP在AI生态中的定位与价值
1.3 MCP的起源与发展背景
1.3.1 AI模型与外部工具交互的痛点
1.3.2 MCP的演进历程
1.4 MCP开发基础
1.4.1 搭建MCP环境
1.4.2 JSON-RPC 2.0基础
第2章 MCP架构详解
2.1 MCP的整体架构概览
2.2 核心组件解析
2.2.1 MCP客户端
2.2.2 MCP服务器
2.2.3 MCP协议层
2.2.4 AI模型接口
2.3 组件间的交互流程
2.3.1 初始化流程
2.3.2 数据交互流程
2.3.3 生命周期管理
2.4 通信协议与传输方式
2.4.1 支持的传输协议
2.4.2 数据序列化格式
2.4.3 安全性保障
第3章 MCP规范
3.1 MCP的核心目标与设计原则
3.1.1 MCP的核心目标
3.1.2 MCP的设计原则
3.2 MCP核心原语的定义
3.2.1 Prompts：用户触发的交互式模板
3.2.2 Resources：应用程序管理的上下文数据
3.2.3 Tools：暴露给AI模型的操作函数
3.3 MCP的消息格式与Schema规范
3.3.1 TypeScript基础定义
3.3.2 JSON Schema映射
3.3.3 字段说明与约束
3.4 生命周期管理
3.4.1 会话初始化
3.4.2 会话终止
第4章 实战体验：第一个MCP程序
4.1 MCP SDK的开源生态
4.2 功能模块介绍
4.3 MCP服务器端
4.3.1 服务器端认证与授权
4.3.2 实现FastMCP服务器
4.3.3 实现Server类
4.3.4 异步上下文管理器
4.3.5 引导工具
4.3.6 StreamableHTTP传输
4.3.7 传输安全设置
4.3.8 WebSocket服务器
4.4 MCP客户端实现
4.4.1 基于OAuth 2.0的客户端认证
4.4.2 客户端会话管理
4.4.3 基于SSE的MCP客户端传输
4.4.4 StreamableHTTP传输
4.4.5 WebSocket客户端
4.5 MCP命令行工具集
4.5.1 命令行工具
4.5.2 Claude Desktop集成
4.6 MCP认证客户端测试
4.6.1 基于OAuth认证的MCP客户端
4.6.2 运行测试
第5章 多场景MCP服务器实战演练
5.1 项目介绍
5.2 MCP服务器实现形态
5.2.1 基于stdio传输方式的MCP服务器
5.2.2 Streamable HTTP服务器
5.2.3 发送事件的MCP服务器
5.2.4 多功能MCP服务器
5.2.5 多功能MCP服务器的主页
5.3 网络请求MCP服务器
5.4 文件系统MCP服务器
5.4.1 路径验证
5.4.2 目录验证
5.4.3 文件操作
5.4.4 实现文件系统MCP服务器
5.5 Git MCP服务器
5.5.1 实现Git MCP服务器
5.5.2 MCP服务测试
5.6 时间MCP服务器
5.7 持久化记忆MCP服务
5.7.1 基于知识图谱的持久记忆介绍
5.7.2 实现基于MCP的知识图谱内存服务器
5.8 序列思维MCP服务
第6章 MCP服务开发实践
6.1 MCP服务器连接
6.1.1 连接到本地MCP服务器
6.1.2 连接到远程MCP服务器
6.2 综合实战：基于Python和 TypeScript的MCP服务器
6.2.1 基于Python的MCP服务器
6.2.2 基于TypeScript的MCP服务器
6.3 综合实战：基于Python和 TypeScript的MCP客户端
6.3.1 基于Python的MCP客户端
6.3.2 基于TypeScript的MCP客户端
6.4 综合实战：阿里云的MySQL MCP服务器
6.4.1 实现MCP服务器
6.4.2 配置运行
6.5 综合实战：DeepSeek与MCP的集成
6.5.1 基于MCP的DeepSeek服务器
6.5.2 DeepSeek Thinker MCP服务器
第7章 MCP与AI Agent
7.1 AI Agent的概述、核心能力与挑战
7.1.1 AI Agent的概述
7.1.2 AI Agent的核心能力
7.1.3 AI Agent的挑战
7.2 MCP赋能AI Agent的方式
7.2.1 标准化工具调用接口
7.2.2 统一上下文管理
7.2.3 简化多Agent协作
7.2.4 基于MCP的AI Agent架构设计
7.3 综合实战：基于MCP实现的金融投资Agent
7.3.1 项目介绍
7.3.2 获取恐惧与贪婪指数数据
7.3.3 金融数据分析
7.3.4 从Yahoo Finance抓取和解析金融数据
7.3.5 金融MCP服务器
7.3.6 金融数据工具测试
7.3.7 市场动态工具测试
7.3.8 市场情绪分析测试
7.3.9 个股数据测试
7.4 综合实战：基于视觉Agent的MCP服务器
7.4.1 项目介绍
7.4.2 通用工具
7.4.3 图像处理
7.4.4 数据验证
7.4.5 实现MCP服务器
7.4.6 调试运行
第8章 多模型的集成与协同
8.1 多模型集成的需求与价值
8.1.1 多模型集成的需求
8.1.2 多模型集成的价值
8.2 MCP在多模型协同中的作用
8.2.1 统一交互接口
8.2.2 上下文共享
8.2.3 任务调度
8.3 多模型协同的典型模式与实现
8.3.1 串联模式
8.3.2 并联模式
8.3.3 混合模式
8.3.4 多模型集成的实现步骤
8.4 综合实战：多模型人脸嵌入服务
8.4.1 项目介绍
8.4.2 模型资源
8.4.3 图像处理
8.4.4 特征提取和人脸检测
8.4.5 API路由
8.4.6 主程序
8.4.7 MCP服务设计
第9章 商业项目： 智能编程助手（IDA Pro+VS Code+MCP）
9.1 背景介绍
9.1.1 开发者效率痛点
9.1.2 智能开发助手的产生背景和历程
9.1.3 智能编程助手与MCP
9.2 系统配置
9.3 MCP服务器
9.3.1 IDA Pro内部服务器
9.3.2 主服务器
9.3.3 文件server.py和文件idalib_server.py的区别
9.4 MCP-Plugin插件
9.4.1 核心基础类与装饰器
9.4.2 基础信息获取与类型处理
9.4.3 程序元素枚举与交叉引用
9.4.4 变量与函数修改操作
9.4.5 栈帧操作与调试
第10章 商业项目：基于MCP实现的多智能体协同系统（Agent+Git+tmux+SQLite）10.1 背景介绍
10.2 功能模块介绍
10.3 通用模块
10.3.1 Agent操作日志记录
10.3.2 JSON输入的清理和解析
10.3.3 tmux交互处理
10.3.4 Git工作树管理
10.4 工具模块
10.4.1 基于MCP的多Agent管理
10.4.2 基于MCP的代理通信工具模块
10.4.3 获取代理系统提示的工具模块
10.4.4 文件管理工具模块
10.4.5 基于MCP的项目上下文管理工具模块
10.4.6 检索增强生成工具模块
10.4.7 基于MCP的任务管理工具模块
10.5 框架核心功能模块
10.5.1 系统配置
10.5.2 身份验证
10.6 应用整合模块
10.6.1 为MCP服务的路由配置
10.6.2 服务器生命周期管理
10.6.3 应用配置主程序