Introducing MCP
AI Agent
AI 如果要與外部世界（資料庫、網路等）互動，必須透過工具來實現。這邊引用 Anthropic 的定義：LLM 會根據當前狀態自主決定流程與使用的工具，持續循環直到完成任務，這樣的系統稱為 Agent。
為了讓不同的 AI 能夠使用不同的工具，甚至能夠使用第三方開發的工具，這就需要一個標準化的構通方是，這就是 MCP (Model Context Protocol) 的目的。透過 MCP 規範開發的工具，任何遵循相同協議的系統都能夠使用。 
Introducing MCP
MCP (Model Context Protocol) 是一種標準化協議，定義了 AI 如何使用工具，或者說 AI Client 如何與 Tool Server 進行溝通。
Client-Server 架構
MCP 採用 Client-Server 架構（或是加上 Host）：
- MCP Server: 提供具體的工具或功能，能提供給 AI 使用，例如網路搜尋、資料庫存取等功能
- MCP Client: 負責連接 Server 並管理 Context 的 Component
- MCP Host: AI 的應用程式，像是 Cursor、Claude Desktop，一個Host 可能有多個 Client
MCP 的目的
以開發 GitHub Agent 為例：在沒有 MCP 的情況下，你需要逐一實作 GitHub 的各項功能（Push、Pull、Issue 管理等）。但如果服務商提供 MCP 工具，你可以直接透過 MCP 協議使用這些現成的工具，大幅減少開發與維護的負擔。
使用 MCP 之前： 
使用 MCP 之後：
MCP Flow
MCP 的大致流程如下：
- Client 與 Server 建立連接
- Server 向 Client 提供可用的工具清單
- Client 將工具清單提供給 LLM
- LLM 根據任務需求選擇適當的工具，在告訴 Client
- Client 告訴 Server 要執行哪個工具，還有其參數
- Server 執行指定的工具
- 將執行結果回傳給 LLM，LLM 基於結果做出結論或進行下一輪循環
MCP Transports
MCP 支援本地與遠端傳輸方式：
STDIO（本地）
- 使用 subprocess 在本地執行 MCP Server
- 在同一台機器上 Client 與 Server 通訊
- 支援雙向通訊
HTTP（遠端）
由於標準 HTTP 無法讓 Server 主動向 Client 發起請求，所以 Server 端的通知或 Log 功能會受到限制。如果需要這部分功能可以使用 Streamable HTTP 的方式：
1. Streamable HTTP (SSE)
- 設定：
stateless_http=False,json_response=False - Client 與 Server 初始化後，透過 Server-Sent Events (SSE) 建立持久連接
- 支援 Server 主動向 Client 發送通知
2. Stateless HTTP
- 設定：
stateless_http=True - 如果需要 load balancer 的話可以使用這種方式
- 缺點：無法支援 Server 主動通知功能，需要在可擴展性與功能性之間做出取捨
MCP Example
以下是一個簡單的工具實作，示範如何建立 MCP Client 和 Server：
Client 端實作
from mcp.client import MCPClient
## 透過 subprocess 建立 MCPClient
client = MCPClient(command=["python", "server.py"])
## use tool
result = client.call_tool("add", {"a": 3, "b": 4})
print("3 + 4 =", result)
Server 端實作
from mcp.server.fastmcp import FastMCP
## 建立 MCP Server
mcp = FastMCP(name="AdditionServer")
@mcp.tool()
def add(a: int, b: int) -> int:
"""加法工具：回傳 a + b 的結果"""
return a + b
if __name__ == "__main__":
mcp.run(transport="stdio")