MCP生态崛起 像搭积木一样复用AI工具
MCP协议通过Host、Client、Server三层架构与三大原语（工具、资源、提示），使AI工具可像搭积木般复用。MultiServerMCPClient支持同时集成多个本地或远程服务器，零代码侵入即可获取多样化能力。生态已涌现文件系统、地图、浏览器等丰富服务器，极大扩展了Agent能力边界。
前言
上一篇文章我们聊了 MCP 的基础概念和跨进程调用。今天继续深入，看看 MCP 生态到底能给我们的开发效率带来多大提升。本文将带你从零开始，掌握如何像搭积木一样，通过 MCP 快速集成各种 AI 工具，让你的 Agent 拥有无限扩展的能力。
先看一个场景：你的 Agent 需要——
- 查询某个坐标点附近的酒店
- 把结果保存到本地文件
- 打开浏览器展示酒店图片
放在以前，你可能要写一堆 HTTP 请求、文件操作、 Puppeteer 脚本，还要把这些功能封装成 Tool 供 LLM 调用。
但现在，有了 MCP 协议，这些能力全都有现成的 Server 可以直接复用。
一、MCP 基础：架构三组件 + 三大原语
在深入实战之前，我们先快速建立 MCP 的核心概念框架，避免后续混淆。
1.1 架构三组件：Host、Client、Server
MCP 的通信模型由三个角色组成：
| 组件 | 本质 | 示例 |
|---|---|---|
| MCP Host | AI 应用程序（Agent） | LangChain 脚本、Cursor、Claude Desktop |
| MCP Client | 协议通信层（内置在 Host 中） | MultiServerMCPClient |
| MCP Server | 独立的工具/资源/提示提供者 | my-mcp-server、高德 MCP、Filesystem MCP |
一句话总结：Host 是大脑，Client 是神经，Server 是手脚。 Host 通过 Client 与多个 Server 通信，实现能力扩展。
1.2 三大原语：Tools、Resources、Prompts
MCP 协议定义了三种可暴露的能力，统称为“原语（Primitives）”：
| 原语 | 作用 | 交互方式 | 类比 |
|---|---|---|---|
| Tools（工具） | 执行动作、计算 | 模型主动调用（传参执行） | AI 的“手” |
| Resources（资源） | 提供数据、知识 | 模型被动接收（注入上下文） | AI 的“备忘录” |
| Prompts（提示模板） | 提供指令模板、话术 | Client 主动获取并填充 | AI 的“SOP” |
- Tool 最常见，和平时说的 Tool Use 没本质区别，只是跨进程了（抛饵）。
- Resource 可以作为 SystemMessage 的一部分，成为 Content。
- Prompt 则是预定义的提示词模板，可带参数动态渲染。
三者在 Agent 工作流中协同工作：
启动时读取 Resources 和 Prompts 构建高质量的 System Prompt；运行时根据用户 Query 自主决定调用哪些 Tools；Tool 执行结果回传后继续推理，直至完成任务。
二、远程 MCP 的应用场景
MCP 本质上还是 Tool，只不过包了一层进程，可以通过 stdio 或 HTTP/SSE 来访问。
常见场景
| MCP Server | 功能 | 典型用途 |
|---|---|---|
| 高德地图 MCP | 位置查询、路线规划、POI 搜索 | 酒店查询、导航、地理编码 |
| Chrome DevTools MCP | 打开/关闭页面、点击元素、截图 | 自动化测试、网页信息抓取 |
| FileSystem MCP | 读写文件、创建目录 | 日志记录、数据持久化、配置管理 |
这些 Server 可以是本地的（stdio），也可以是远程的（HTTP/SSE）。比如高德地图官方就提供了远程 MCP 服务，只需要一个 API Key 就能用。
三、一键集成多个 MCP Server
在 LangChain 中，MultiServerMCPClient支持同时配置多个 MCP Server，无论是本地还是远程。
3.1 配置示例
首先，安装必要的依赖包：
npm install @langchain/mcp-adapters @langchain/openai
然后，通过以下代码配置并连接多个 MCP Server：
import { MultiServerMCPClient } from '@langchain/mcp-adapters';
import { ChatOpenAI } from '@langchain/openai';
const mcpClient = new MultiServerMCPClient({
mcpServers: {
// 1. 远程 MCP（高德地图，通过 SSE）
'amap-sse': {
url: 'https://mcp.amap.com/sse?key=你的高德API密钥'
},
// 2. 本地 Node 编写的自定义 MCP（含 Tool + Resource + Prompt）
'my-mcp-server': {
type: 'stdio',
command: 'node',
args: ['路径/my-mcp-server.mjs']
},
// 3. 官方 FileSystem MCP（通过 npx 直接运行）
'file-system-server': {
type: 'stdio',
command: 'npx',
args: [
'@modelcontextprotocol/server-filesystem',
'C:Users...workspace' // 允许访问的根目录
]
},
// 4. Chrome DevTools MCP（通过 npx 运行）
'chrome-devtools-server': {
type: 'stdio',
command: 'npx',
args: [
'--y',
'chrome-devtools-mcp',
'--port', '9222',
'--chrome-path', 'C:Program FilesGoogleChromeApplicationchrome.exe'
]
}
}
});
小提示： 如果使用远程 MCP 服务（如高德地图），请确保将 你的高德API密钥 替换为真实密钥，并妥善保管，避免泄露到公共代码仓库中。
3.2 获取所有 Tool、Resource 和 Prompt
配置完成后，就可以通过以下方法，获取所有 MCP Server 暴露的能力：
// 获取所有工具（用于绑定给 LLM）
const tools = await mcpClient.getTools();
// 获取所有 Resources（可注入 System Prompt）
const resources = await mcpClient.listResources();
let resourceContent = '';
for (const [serverName, resList] of Object.entries(resources)) {
for (const res of resList) {
const content = await mcpClient.readResource(serverName, res.uri);
resourceContent += content[0].text;
}
}
// 获取 Prompts（可动态获取提示模板）
const prompts = await mcpClient.listPrompts();
// 例如获取 'tra vel_guide' 模板并传入城市参数
const promptResult = await mcpClient.getPrompt('tra vel_guide', { city: '西安' });
// promptResult.messages 即为渲染后的提示消息
注意：listResources()和getPrompt()等方法是异步的，必须使用await等待结果。如果忘记使用await，可能会返回undefined或Promise对象，导致程序行为异常。
四、为什么 MCP 让复用变得如此简单？
在 MCP 之前，如果你想复用别人写的 Tool，通常要：
- 复制代码，修改依赖
- 或者封装成 REST API，自己写 Client
- 语言不同时还要跨语言 RPC
而现在，只要对方按照 MCP 规范暴露了一个 Server（stdio 或 HTTP），你就可以直接通过MultiServerMCPClient配置一下 URL 或命令，零代码侵入地拿到所有工具、资源和提示。
这种“插件化”的架构，让 AI Agent 的能力边界可以无限扩展——需要什么能力，就加一个 MCP Server 配置。
五、生态现状
目前 MCP 生态已经涌现出大量官方和社区贡献的 Server：
- 官方维护：FileSystem、GitHub、Slack、Google Drive 等
- 第三方：高德地图、Browser Automation、Database（PostgreSQL/MySQL）、Redis 等
- 自定义：你可以为自己的业务系统开发专属 MCP Server
未来，MCP 极有可能成为 AI Agent 领域的 “USB 接口标准” ——任何工具只要插上这个接口，就能被任意 Agent 识别和使用。
六、常见问题
Q1：MCP 的三大原语（Tools、Resources、Prompts）有什么区别？
- Tools 是让 AI 主动去“做事”的，比如执行计算、调用 API。AI 模型会自主决定何时调用它们。
- Resources 是“知识库”，比如一份文档或数据库内容，会自动注入到模型的上下文中，但 AI 不会主动去“读”它们，而是由系统在启动时预先注入。
- Prompts 是“模板”，开发者可以定义一些带参数的提示词模板，AI 或客户端可以根据需要动态获取并填充，从而生成更精准的指令。
Q2：配置多个 MCP Server 时，如果其中一个 Server 启动失败，会影响其他 Server 吗？
通常不会。每个 Server 在 MultiServerMCPClient 中是独立配置和启动的。如果某个 Server 配置错误或无法连接，只会导致该 Server 相关的工具、资源、提示不可用，不影响其他正常运行的服务。建议在启动时通过 try...catch 捕获异常，并记录日志以便排查问题。
Q3：本地 MCP 与远程 MCP 在配置上有什么区别？
主要区别在于连接方式：
- 本地 MCP 通过
stdio协议启动，需要指定command和args，例如node、npx等。本地服务运行在同一个进程中，延迟较低。 - 远程 MCP 通过
HTTP/SSE协议连接，只需提供url地址和必要的认证信息（如 API Key）。远程服务通常部署在云端，适合需要共享数据或跨团队协作的场景。
Q4：在 Windows 和 macOS 上路径写法不同，如何保证配置通用？
建议使用 path 模块（Node.js）或 os.path（Python）来动态拼接路径，避免硬编码。例如在 Node.js 中：
const path = require('path');
const workspaceDir = path.join(os.homedir(), 'workspace');
这样就能自动适配不同操作系统。另外，在配置 Chrome 路径时，Windows 通常需要完整路径，而 macOS 上可能只需 /Applications/Google Chrome.app/Contents/MacOS/Google Chrome。
七、小结
- MCP 架构：Host（Agent） 内嵌 Client，通过 stdio/HTTP 连接多个 Server
- MCP 能力三原语：Tools（行动）、Resources（知识）、Prompts（话术）
MultiServerMCPClient支持同时接入本地和远程多个 Server- 生态正在迅速丰富，从地图、浏览器到文件系统应有尽有
下一篇文章，我们将基于这些 Server，实现一个完整的实战案例：查询酒店 -> 保存结果 -> 浏览器展示图片。