MCP协议完全实战：用Model Context Protocol让大模型读懂你的数据库和代码库

作者：TokenNexus技术团队 日期：2026-06-23 阅读时间：22分钟

一、MCP是什么？

MCP 全称 Model Context Protocol，是一个开放协议，用于让 AI 模型安全、标准化地访问外部数据源和工具。你可以把它理解成 "AI 的 USB-C 接口"：一边是 Host（比如 Claude Desktop、Cursor、某个自研 Agent），另一边是 Server（数据库、文件系统、Git 仓库、业务 API）。

传统的 Function Calling 是模型厂商自己的调用格式，OpenAI 是一套，Anthropic 是一套，Google 又是一套。MCP 要做的是把 "模型怎么发现工具、怎么调用工具、怎么返回结果" 这件事统一掉。对于做 Agent 平台的团队来说，这意味着一次对接，多处复用。

二、MCP核心概念

想写好 MCP Server，先搞清楚五个核心原语：

• Tools（工具）：可被模型调用的函数，例如查询数据库、发送邮件、创建 Git 分支。每个 Tool 都要声明 JSON Schema，模型根据描述自己决定调不调用。
• Resources（资源）：暴露给模型的只读数据，比如数据库表快照、代码文件内容、API 文档。Resources 用 URI 标识，模型可以按需读取。
• Prompts（提示模板）：Server 可以预置一些提示词模板，Host 直接调用，减少重复构造。
• Sampling（采样）：Server 反过来请求 Host 里的模型做推理。这个能力很关键，它让 MCP Server 不只是被动的工具，还能主动让模型帮忙做决策。
• Roots（根路径）：告诉 Server 它能访问哪些目录或作用域，是实现最小权限的基础。

三、MCP vs 传统Function Calling

很多工程师问：MCP 和 Function Calling 到底有什么区别？本质上，Function Calling 是 "模型层面的能力"，而 MCP 是 "系统层面的协议"。

四、第一个MCP Server实战：连接SQLite数据库

下面用 Python 写一个最小可用的 MCP Server，基于官方 mcp SDK，通过 stdio 与 Host 通信。这个例子让 Claude 能直接查询本地 SQLite 数据库。

# requirements.txt
# mcp[cli]>=1.0.0

import sqlite3
import json
from mcp.server import Server
from mcp.server.stdio import stdio_server
from mcp.types import Tool, TextContent

app = Server("sqlite-demo")

@app.list_tools()
async def list_tools():
    return [
        Tool(
            name="query_orders",
            description="查询订单表，支持按用户ID或状态筛选",
            inputSchema={
                "type": "object",
                "properties": {
                    "user_id": {"type": "integer", "description": "用户ID"},
                    "status": {"type": "string", "description": "订单状态"}
                }
            }
        )
    ]

@app.call_tool()
async def call_tool(name: str, arguments: dict):
    if name != "query_orders":
        raise ValueError(f"未知工具: {name}")

    conn = sqlite3.connect("demo.db")
    cursor = conn.cursor()

    user_id = arguments.get("user_id")
    status = arguments.get("status")

    sql = "SELECT id, user_id, amount, status FROM orders WHERE 1=1"
    params = []
    if user_id is not None:
        sql += " AND user_id = ?"
        params.append(user_id)
    if status:
        sql += " AND status = ?"
        params.append(status)

    cursor.execute(sql, params)
    rows = cursor.fetchall()
    conn.close()

    return [TextContent(type="text", text=json.dumps(rows, ensure_ascii=False))]

async def main():
    async with stdio_server() as (reader, writer):
        await app.run(reader, writer, app.create_initialization_options())

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

这段代码的核心是 list_tools 和 call_tool。前者告诉 Host 我能做什么，后者真正执行。注意这里我做了一件非常重要的事：参数化查询。不要拼接 SQL，那是生产事故的温床。

五、让Claude Desktop使用你的MCP Server

Claude Desktop 在2025年支持 MCP 后，配置本地 Server 只需要修改配置文件。macOS 下路径是 ~/Library/Application Support/Claude/claude_desktop_config.json，Windows 在 %APPDATA%/Claude/claude_desktop_config.json。

{
  "mcpServers": {
    "sqlite-demo": {
      "command": "python3",
      "args": ["/absolute/path/to/sqlite_mcp_server.py"],
      "env": {
        "PYTHONPATH": "/absolute/path/to/project"
      }
    }
  }
}

配置完重启 Claude Desktop，在输入框右侧会看到工具图标。实测效果：我让 Claude 查 "用户 10086 最近三个月的已完成订单总金额"，模型自动调用 query_orders，把结果汇总成一句人话，整个过程不到5秒。

六、企业级MCP架构：SSE传输 + OAuth认证 + 权限控制

stdio 适合本地工具，但企业场景基本都是远程服务。MCP 支持 SSE（Server-Sent Events）作为传输层，配合 HTTP 长连接实现双向通信。下面是一个典型的企业架构：

from mcp.server.sse import SseServerTransport
from starlette.applications import Starlette
from starlette.routing import Route

sse = SseServerTransport("/messages/")

async def handle_sse(request):
    async with sse.connect_sse(request.scope, request.receive, request.send) as streams:
        await app.run(streams[0], streams[1], app.create_initialization_options())

async def handle_messages(request):
    await sse.handle_post_message(request.scope, request.receive, request.send)

routes = [
    Route("/sse", endpoint=handle_sse),
    Route("/messages/", endpoint=handle_messages, methods=["POST"]),
]

starlette_app = Starlette(routes=routes)

远程部署必须解决三件事：

• 认证：在 SSE 握手前做 OAuth 2.0 / OIDC 校验，拒绝匿名连接。
• 授权：根据用户身份决定能访问哪些 Roots、能调用哪些 Tools。
• 审计：每一次工具调用都要记录 who/when/what/result，方便事后追溯。

在为企业选型 AI API 平台时，建议优先考虑对 MCP 有原生支持、且提供稳定国内访问的服务商。我们团队在 TokenNexus 上做过多轮对接测试，其 API 聚合层对 Claude、GPT 等模型的工具调用兼容性较好，适合作为企业 MCP 项目的底层模型入口。

七、真实案例：金融风控数据库接入MCP

八、真实案例：SaaS客服Agent读取订单系统

九、MCP安全最佳实践

Tool 暴露得越多，风险面就越大。企业级 MCP 必须做好这四件事：

• 输入校验：所有参数都要做类型、范围、格式校验，坚决拒绝未经验证的输入进入数据库或命令行。
• 最小权限：用数据库只读账号、行级权限、Roots 限制能访问的文件目录，确保 Server 只能做它该做的事。
• 审计日志：记录每次调用的时间、用户、参数、返回摘要。审计不要只记成功，失败调用更要记，往往是攻击前兆。
• 速率限制：对 Tools 做分级限流，查询类可以宽松，写操作类必须严格，必要时引入人工审批。

另外，不要把 MCP Server 直接暴露在公网。前面加一层 API Gateway，做 TLS、认证、WAF，和内部服务之间走零信任网络。MCP 是强大，但强大不等于可以裸奔。

十、2026年MCP生态展望

2026 年的 MCP 生态正在快速成熟。Anthropic 官方已经维护了文件系统、PostgreSQL、Git、Slack 等官方 Server；社区里第三方 Marketplace 开始出现，像安装浏览器插件一样安装 MCP Server 正在成为现实。

更值得关注的是标准化趋势。OpenAI 在2025年底逐步向 MCP 兼容靠拢，多个 Agent 框架已经把 MCP 作为默认集成方式。对开发者来说，这意味着学一次 MCP，未来在 Claude、GPT、Cursor、Windsurf 等环境里都能复用。某团队用 MCP 把数据查询效率提升 5 倍以上，这不是夸张，而是协议标准化后的规模效应。

结语：MCP让大模型从"知道"到"做到"

大模型之前最大的问题不是不够聪明，而是和真实世界之间隔着一层厚厚的胶水代码。Function Calling 打开了这扇门，但每个项目都要重新做一遍门框、门锁、门把手。MCP 把门标准化了，你只需要关心门后面放什么。

2026 年，如果你在做 AI 应用、Agent 平台、企业知识库，MCP 协议入门教程和 Model Context Protocol 实战都值得你花时间去研究。从写第一个 MCP Server 开始，到 Claude MCP 配置、SSE 远程部署、OAuth 权限体系，这条路已经越来越清晰。大模型连接数据库方案不再是 Demo 专属，而是正在变成生产环境里的基础设施。