MCP协议支持的七大AI框架和使用代码案例

【AI工具界的"乐高大师"：MCP协议拯救手忙脚乱的程序员】

——当你的AI代理开始抱怨"工具太多，我选择摆烂"时…

场景一：
凌晨3点，程序员老王盯着屏幕上的AI代理崩溃日志，第108次尝试让DeepSeek自动订外卖：

“亲爱的用户，我理解您想订老乡鸡，但我的知识截止到2023年，而且——说真的，您觉得我一个语言模型会有饿了么账号吗？😅”

场景二：
新来的实习生小李兴奋地展示他的"全能AI助理"：

“看！它能查天气、读邮件、分析股票…（突然程序报错）等等，这个’工具依赖地狱’错误是什么意思？”

这时，MCP协议像超级英雄一样从天而降——不过它穿的不是披风，而是一件印满API接口的紧身衣！ 🦸♂️

🤖 AI代理们的"工具焦虑症"现状

• 症状1：你的AI助手比瑞士军刀功能还多，但调用API时比第一次约会还紧张
• 症状2：每加一个新工具就要重写300行代码，程序员发际线以光速后退
• 症状3：工具之间互相打架：“日历API说周二有空，但邮件API显示那天要开追悼会”

（此时办公室饮水机旁传来AI的碎碎念：“要不你们人类自己来？”）

🎩 MCP协议：不是魔法，但比魔法更靠谱

想象一下：

如果AI工具界也有"插座标准"，MCP就是那个让中美欧插头都能用的万能转换器！

它的简历亮点：

• 🧠 脑容量升级：从"我知道的"进化到"我能查到我知道的"
• 🔌 即插即用：像乐高一样拼接工具，再也不用担心GitHub仓库变成"工具坟场"
• 🕺 社交达人：让高冷的LLM和话痨的Slack机器人快乐牵手

（某AI代理感动落泪：“终于不用在’对不起，我做不到’和’404 Error’之间反复横跳了！”）

🚀 前方高能预告

在接下来的冒险中，你将看到：

1. Git仓库变身话痨：用MCP让代码自己写commit message（终于不用编"修复bug"了）
2. Airbnb客服AI：一边查房源一边讲冷笑话（“这套房不错，就是鬼故事多了点”）
3. 黑客帝国既视感：2000+工具同时在线，键盘侠看了都直呼专业
   …

温馨提示：阅读时请勿喝水，否则看到"用MCP让Excel表格和量子计算机聊天"时可能会喷屏！

为什么为AI代理和基于LLM的应用采用MCP？

MCP正在成为一种标准，帮助开发者构建能够有效与其他外部应用通信的AI系统。微软最近宣布在其Copilot Studio中集成MCP，以简化AI应用和代理访问工具的方式。此外，OpenAI也宣布在其产品中支持MCP，例如Agents SDK和ChatGPT桌面应用。直接为AI助手配备工具并没有错，但对于一个由多个代理组成的AI代理系统来说，管理多个任务（如阅读和回复邮件、网页抓取、财务分析、获取实时天气信息等）会变得非常繁琐。

带有工具集成的AI代理

在上图中，三个外部工具连接到LLM。如果工具数量增加到100多个，管理和保护它们将变得非常困难。改进的方法是通过MCP注册表访问这些工具，如下一节所示。

带有MCP集成的AI代理

在这张图中，我们将代理系统所需的工具组合在一起，并通过MCP服务器访问它们，以提供更一致的用户体验。MCP方法使得通过中心位置管理和保护这些工具变得更加容易。

使用MCP相比传统工具集成的优势

MCP相比传统工具集成方式有多个关键优势。例如，没有MCP的工具集成可靠性存疑，因为在调用多个外部应用的API时可能会因不兼容的AI基础设施而出现错误。在MCP之前，每个需要添加到代理的工具都必须通过自定义代码实现，这可能需要数周时间。

• 架构：与预建的AI代理工具规范不同，MCP具有清晰灵活的架构，用于与工具和API交互。
• 改进的外部工具访问和管理：它通过标准化接口为AI模型提供工具访问，弥合了LLM与第三方系统之间的通信鸿沟。
• 解决独立工具实现的限制：MCP工具既适用于单用户场景，也适用于团队。
• 社区驱动：MCP拥有许多开源服务器和开发者生态系统，广泛应用于开发者社区的多种用例。
• 认证：它具有强大的内置认证和权限系统，用于控制工具访问。例如，使用Composio提供的MCP工具时，可以通过Google Sheets或Gmail认证用户。
• 工具搜索：与传统的安装、配置和集成工具到AI聊天机器人的方法不同，MCP使得搜索和发现外部工具更加容易。
• 可扩展性：MCP可以轻松扩展到大量用户和应用。
• 行业标准：虽然可以通过硬编码工具为AI应用提供上下文，但MCP提供了一种行业标准，为代理和LLM提供所需的上下文。

MCP服务器的种类

Anthropic的MCP规范有两种服务器形式，用于为代理和AI项目添加工具。这些MCP服务器连接类型包括：

• 服务器发送事件（SSE）：通过HTTP连接到远程服务。
• STDIO：允许执行本地命令并通过标准I/O进行通信。

你选择的构建AI应用的框架将提供连接这些服务器所需的类。

访问MCP注册表/服务器生态系统

有许多开源库提供了托管的MCP工具，用于增强LLM和代理，确保它们生成的响应可靠。这些托管的MCP工具库被称为注册表，提供了精选的服务集合。你可以使用它们的工具将AI应用连接到以下注册表。此外，你可以使用不同类型的服务器，例如uvx（基于Python的工具，无需安装），还有基于Docker的MCP工具运行选项，以及需要安装Node.js的npx服务器。

• GitHub上的MCP服务器：社区构建的服务器集合，包含额外的MCP资源。
• Glama注册表：为开发者提供的生产就绪的开源MCP服务器。
• Smithery注册表：通过Smithery，开发者可以访问2000多个MCP服务器，增强AI代理和LLM的能力。
• OpenTools：OpenTools为MCP工具使用提供生成式API。你可以访问数百个现成的MCP工具，用于AI项目。通过OpenTools API，开发者可以扩展LLM的网页搜索能力、获取实时位置数据和网页抓取。API支持Curl、Python和TypeScript。访问OpenTools的快速入门指南以使用API。

from openai import OpenAI

client = OpenAI(
    base_url="https://api.opentools.com",
    api_key="<OPENTOOLS_API_KEY>"
)

completion = client.chat.completions.create(
    model="anthropic/claude-3.7-sonnet",
    messages=[
        {
   
    "role": "user", "content": "Compare specs of top 5 EVs on caranddriver.com" }
    ],
    tools=[{
   
    "type": "mcp", "ref": "firecrawl" }]
)

• PulseMCP注册表：通过PulseMCP，你可以浏览托管的MCP工具和用例，用于AI项目。查看PulseMCP新闻了解最近热门的MCP服务器和应用。
• mcp.run：该注册表为开发者提供了数百个MCP应用，用于业务。
• Composio注册表：Composio的基于SSE的MCP服务器允许轻松集成工具与不同的AI框架，以构建应用。
• guMCP：Gumloop的guMCP提供免费、开源且完全托管的MCP服务器，可与任何AI应用无缝集成。

为LLM和代理添加MCP的七大客户端框架

尽管MCP最近成为了热门话题，开发者社区都在讨论它，但很难知道应该使用哪些MCP客户端框架来与AI应用和代理集成。我们经过研究，发现了以下领先的MCP客户端平台，适用于基于Python和TypeScript的代理工作流和AI助手。

注意：以下部分展示了在构建AI解决方案的框架中实现MCP的示例，而非与Cursor或Windsurf等AI代码编辑器的MCP集成。

1. 使用OpenAI Agents SDK构建Git MCP代理

当使用OpenAI Agents SDK构建代理时，你可以通过SDK的MCPServerStdio和MCPServerSse类连接到这些社区构建的MCP服务器。以下MCP代理实现访问本地Git仓库的根目录，并回答用户关于仓库的查询。

import asyncio
import shutil
import streamlit as st
from agents import Agent, Runner, trace
from agents.mcp import MCPServer, MCPServerStdio

async def query_git_repo(mcp_server: MCPServer, directory_path: str, query: str):
    agent = Agent(
        name="Assistant",
        instructions=f"Answer questions about the localgit repository at {
     
     directory_path}, use that for repo_path",
        mcp_servers=[mcp_server],
    )

    with st.spinner(f"Running query: {
     
     query}"):
        result = await Runner.run(starting_agent=agent, input=query)
        return result.final_output

async def run_streamlit_app():
    st.title("Local Git Repo Explorer")
    st.write("This app allows you to query information about a local git repository.")

    directory_path = st.text_input("Enter the path to the git repository:")

    if directory_path:
        # Common queries as buttons
        col1, col2 = st.columns(2)
        with col1:
            if st.button("Most frequent contributor"):
                query = "Who's the most frequent contributor?"
                run_query(directory_path, query)

        with col2:
            if st.button("Last change summary"):
                query = "Summarize the last change in the repository."
                run_query(directory_path, query