大白话讲解MCP

原创

于 2025-08-03 23:07:08 发布 · 920 阅读

18 ·

CC 4.0 BY-SA版权

文章标签：

#mcp #llm #大模型 #function call

前言

我们不一开始就给出MCP的概念，用大白话一步一步讲解MCP的出现的原因、MCP的相关概念。
假设你是一个全栈开发工程师，有一天老板找到你让你开发一个AI聊天应用，作为你一个AI小白你什么感受？除了懵逼，还有就是恐慌，AI太高端了我怎么会呢？但是这样一个AI聊天应用程序其实非常简单。

入门代码

在根目录创建一个.env文件，里面配置一下baseurl和apikey，然后写几行代码：

import os
from openai import OpenAI

# 加载 .env 到环境变量
from dotenv import load_dotenv, find_dotenv
_ = load_dotenv(find_dotenv())

# 配置 OpenAI 服务

client = OpenAI()

response = client.chat.completions.create(
    messages=[
        {
   
   
            "role": "user",
            "content": "讲个笑话",
        }
    ],
    model="gpt-3.5-turbo",
)

print(response)

print(response.choices[0].message.content)  # 更具体的的打印

因为大部分大模型厂商都兼容OpenAI规范，所以只要替换baseurl和apikey就行。稍微详细的内容可以参考这篇博客。

实现连续对话

其实很简单，说白了就是把多个会话内容都放到message中就行：

messages=[
        {
            "role": "user",
            "content": "讲个笑话",
        },
        {
            "role": "user",
            "content": "基于上面的笑话，再延伸一个",
        },
    ],

也就是说我们每次个AI发的内容都包含了历史所有的聊天消息。