MCP：AI原生应用开发的Building Blocks

我认为，MCP（Model Context Protocol）或许会成为AI时代新的组件（building blocks），它能够在一定程度帮助开发者以搭积木的形式打造AI原生应用。

为了更好地复用MCP，企业和社区可搭建发布、注册和获取MCP的Hub。就好似Docker的Hub或者Github这样，每个人和组织都可以成为MCP的贡献者，都可以提交自己开发的MCP Server和MCP Tool。

我在过去几天突然想到这样一个idea。可惜，这个idea并非我的创见，因为，社区早有这样的Hub存在了，也就是MCP Server Hub，其口号就是“Discover The Best MCP Servers & Tools”。

发现是为了更好的“消费”！用户可以按照各自类别或通过关键字寻找自己心仪的MCP Server & Tools，就像购买自己想要的爆款产品一般。

这种新一代的“组件”是一种更智能的工具。AI大模型赋予了它更大的自主性，更强的判断能力，更智能的内容生成能力；同时，它更加规范，更加统一，所有的MCP Server都遵循了完全一致的协议（这也是MCP的由来）。变化主要体现在MCP Server的transport类型（选择stdio或Streamable HTTP），这会决定MCP Host和Client的调用方式。另一个变化是注册MCP Server需要配置的command和对应的参数和环境变量。

以MCP Server Hub公开的SQLite为例（SQLite | MCP Server Hub）。它为SQLite提供了类似BI一般的数据库智能交互能力。该Server定义了六种核心工具，内容涵盖查询、样式管理和数据分析。用户可以将Claude Desktop作为Host，只需要将如下内容添加到claude_desktop_config.json文件中即可：

"mcpServers": {
  "sqlite": {
    "command": "uv",
    "args": [
      "--directory",
      "parent_of_servers_repo/servers/src/sqlite",
      "run",
      "mcp-server-sqlite",
      "--db-path",
      "~/test.db"
    ]
  }
}

从配置的命令看，它使用了uv，说明这个MCP Server是用python开发的，因而通过uv run来执行。当然也可以直接调用python命令。如果是Node.js开发的MCP Server，如MCP Server Hub公开了一个调用EverArt API用于生成图片的MCP Server：EverArt，就采用了Node.js进行开发，在Claude Desktop使用它时，配置则为：

{
  "mcpServers": {
    "everart": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-everart"],
      "env": {
        "EVERART_API_KEY": "your_key_here"
      }
    }
  }
}

一旦拥有这样的MCP Server Hub，MCP就真正成为了AI原生应用开发的building block。在开发以智能体（Agent）为核心的应用时，尤有价值。

对于智能体而言，每个智能体就是赋予它角色的控制者，LLM是决策者，MCP Tool则是真正的执行者，定义在MCP Tool函数中清晰的文档字符串，是告知LLM该如何选择正确工具的指令。如果是多智能体应用，则需要在智能体之上建立一个更高层次的Team或Crew，并通过专门的Flow或Process规定多个智能体之间的执行流程。

这意味着在设计智能体应用程序时，经典的“职责分离”原则同样具有极高价值。我们要善于识别哪些功能应该“分离”到智能体之外，定义为单独的MCP Tool，这样既可以实现更好的复用，又能降低智能体的开发难度和工作量。

我发现有些团队在开发智能体应用时，习惯于通过继承框架（如langchain或MetaGPT）的智能体基类来开发智能体。这一做法未必错误，毕竟不同的框架有自己的设计模式；但是，面向对象的设计原则在此依旧有效：遵循“聚合/组合优先复用”原则，如前所述，就应该把负责具体执行工作的逻辑分离出去，转移给Tool，如此能让智能体变得更加内聚，也更加简单。

如下代码所示：

from llama_index.core.agent.workflow import FunctionAgent
async def get_agent(tools: McpToolSpec):
    """Create and return a FunctionAgent with the given tools."""
    tools = await tools.to_tool_list_async()
    agent = FunctionAgent(
        name="Agent",
        description="An agent that can work with Our Database software.",
        tools=tools,
        llm=llm,
        system_prompt=SYSTEM_PROMPT,
    )
    return agent

mcp_tool = McpToolSpec(client=mcp_client)
agent = await get_agent(mcp_tool)

这里创建的智能体（Agent）是一个通用的Agent，但它组合了MCP Tools和LLM，使得它可以通过输入的系统提示词，由LLM根据每个tool的描述信息选择符合用户请求的工具，并调用它。

显然，MCP让复用变得更容易，更让智能体变得更轻，变得更小，前提是我们要学会分辨职责，并做好合理的职责分离。