MCP（Model‑Context‑Protocol）整体架构
MCP（Model‑Context‑Protocol）整体架构
标题与核心主旨
标题：Understanding MCP Architecture（理解 MCP 架构） 总述：MCP 生态的核心作用：在 AI 智能体和外部工具之间搭建标准化桥梁。
整体架构模型
- AI Assistant（客户端，蓝色模块）：示例采用 LangGraph，也就是你之前代码里搭建 Agent 的框架；
- MCP‑Server（服务端，绿色模块）：封装外部工具（Your Tools，数据库、GitHub、文件系统等）；
- 通信标准：MCP Protocol支持 3 种传输方式：
stdio：本地子进程调用（开发阶段最常用）SSE：服务端推送HTTP：远程网络调用 两端基于 JSON‑RPC 通信，彻底将 Agent 逻辑和工具代码解耦。
四个模块拆解（对应图中四块内容）
1. MCP‑Server（MCP 服务端，由社区开发者编写，用 Fast‑MCP 实现）
- Exposes tools：向外暴露可供 AI 调用的工具函数；
- Defines schemas：定义入参的数据格式（JSON Schema）；
- Handles requests：接收来自 AI 助手的调用请求，执行对应逻辑，返回结果。
对应你前面的认知：MCP 开发者只编写一次 MCP‑Server，后续使用者不用改动服务端代码。
2. Tools（实际工具函数）
Functions with @tool：通过装饰器@tool定义工具方法（Fast‑MCP 标准写法）；- Input parameters：声明工具接收的入参；
- Structured responses：返回结构化的数据，方便大模型解析。
3. Integration（集成层，对应langchain‑mcp‑adapters，就是你导入的MultiServerMCPClient）
- Bind to LLMs：对接大模型（GPT‑4o、Muse Spark 1.1 等）；
- Route queries：把 LLM 产生的调用指令转发给对应的 MCP‑Server；
- Handle responses：接收服务端返回的数据，转换成 LangChain 可识别的 Tool 返回值；
你的 Python 代码就是在做这一层工作：适配器充当中间翻译层。
4. Naming（命名规范，工程层面约定）
- 格式示例：
mcp__server__tool； - Consistent pattern：统一命名范式，区分不同 MCP 服务里的同名工具；
- Clear hierarchy：层级清晰，防止多个 MCP‑Server 接入后出现工具名称冲突，对应代码里
prefixToolNameWithServerName配置项。
和你之前代码以及行业现状串联总结
- 开发者（社区）：使用 Fast‑MCP 完成 MCP‑Server 和 Tools；
- 集成层：
langchain‑mcp‑adapters负责协议适配； - Agent 编排：LangGraph 做任务规划、状态管理；
- 底层大模型：现在可以替换成 Meta 刚发布的 Muse Spark‑1.1，实现低成本 Agent 应用；
- 解耦优势：MCP‑Server 可以独立部署在远程服务器；LangGraph Agent 可以单独运行；二者只依靠标准 MCP 协议通信，后期更换工具或者更换大模型互不影响。
对应代码映射
# MultiServerMCPClient 就是这里的Integration层 client = MultiServerMCPClient({ "filesystem": { # MCP‑Server "transport": "stdio", "command": "python", "args": ["filesystem_mcp.py"] # 里面包含@tool修饰的Tools } }) tools = await client.get_tools() agent = create_react_agent(llm, tools) # LangGraph作为AI‑Assistant