MCP技术理解第六篇：深度解析与实战指南
引言
上一篇文章拆解了一个天气实时预报的MCP Server，大家应该对MCP的基本形态有了直观感受。本篇聚焦MCP客户端在实际使用中的配置痛点与调用逻辑，篇幅允许的话，会顺带介绍几个高级特性。
开始前快速回顾系列脉络：前五篇文章从协议基础、工作原理、Server实现等维度层层递进。本篇深入Client端，解决“如何调用”“如何配置”这类落地问题，保持知识连贯性。
如何调用MCP server
一个常见误区：让LLM直接发出指令就能调用MCP Server？并非如此。根本原因在于LLM本身不具备外调能力——它无法发起HTTP请求或执行系统命令。
实际上，MCP Server的调用场景分两类。无论哪种情况，真正的调用方都是AI应用通过MCP Client完成，LLM只负责推理输入与输出。厘清这两类场景后，MCP Client的配置细节就清晰了。
先铺垫两个关键认知：
- 安全隔离：你可以在Client层做前置拦截。若LLM“发疯”想执行
rm -rf /这类危险操作，你的Java或Go代码完全能在发送给Server前检测并阻止。 - 协议转换：LLM输出文本/Token，MCP Server需要JSON-RPC消息。Client作为适配器（Adapter），负责完成两种格式的互转。
场景一：作为用户在现有host中调用
如果你只想让Claude Code或Cursor这类现成AI应用调用一个MCP Server（包括自建的），完全不需要写MCP Client代码，只需修改配置文件。此时host就是AI应用本身，它已内置MCP Client代码。你配置好Server后，它会自动维护连接并完成后续所有操作。
场景二：作为开发者通过代码调用
如果你想在自己开发的Java、Go或Python程序中调用MCP Server——比如构建一个能调用本地工具的AI Agent——就需要自行实现MCP Client。
以Stdio传输方式为例，核心交互流程简化为三步：
- 启动进程：你的程序（Client）启动MCP Server作为子进程，例如执行
npx -y @modelcontextprotocol/server-filesystem。 - 握手（Initialization）：发送
initialize请求，协商协议版本与能力。 - 发送指令：发送
tools/list、tools/call、resources/read等JSON-RPC消息。
该场景下，你需要自己编写MCP Client代码来处理初始化链接、维护协议和连接、发送消息以及处理响应。
一次MCP调用示例
看完流程，可能有人疑惑：LLM在整个过程中到底扮演什么角色？其实前面已说明——AI应用通过MCP Client调用Server，LLM只负责推理输入和输出。下面用完整调用链演示，一看便知。
先明确各角色职责：
- AI应用：管控全局，协调请求与负载均衡。
- MCP Client：连接Server、管理进程、维护对话上下文。
- MCP Server：无状态Worker。它不知道上下文、不关心调用者身份，只负责接收指令→执行→返回结果。
- LLM：没有“手脚”（不能联网、不能读文件）。它的工作是对用户自然语言进行分析，对比AI应用提供的Tools List，生成结构化JSON文本，告诉AI应用：“请帮我调用这个函数，参数是X和Y。”
下面是完整交互流程：
- 初始化（Handshake）：
- Client启动Server。
- Client询问Server：“你有什么本事？”（Tools List）
- Server回答：“我会读文件（
fs.read），我会查数据库（db.query）。”
- 用户提问：
- 用户对Client说：“帮我查一下
user_id=101的订单。”
- 用户对Client说：“帮我查一下
- Prompt组装（AI应用内部逻辑）：
- AI应用将用户的System Prompt、Server提供的工具定义（Schema）、用户问题打包发给LLM。
- LLM决策：
- LLM推理发现
db.query工具可解决该问题。 - LLM返回给AI应用（而非直接给Server）结构化指令：
{ "tool_use": "db.query", "params": { "sql": "SELECT * FROM orders WHERE user_id=101" } }
- LLM推理发现
- 执行（真正的MCP调用发生在这里）：
- AI应用解析LLM响应，发现需调用工具，于是控制MCP Client发送相关请求和数据。
- Client通过JSON-RPC（Stdio/SSE）向MCP Server发送
tools/call请求。
- Server响应：
- Server执行SQL，返回JSON数据给Client。
- 回环（Loop Back）：
- AI应用接收Client返回的数据，将Server执行结果再次喂给LLM。
- AI应用说：“刚才你让我调用的工具，结果是
[Order A, Order B]，请生成给用户的最终回复。”
- 最终输出：
- LLM生成自然语言回复：“用户你好，ID为101的用户有两笔订单……”
在AI应用里面配置MCP server
通过上述解析，调用过程已清晰。接下来按场景逐步拆解MCP Client配置问题。
前面提到，在Claude Code这类现成AI应用里，只需配置MCP Server，无需编写MCP Client代码。下面以Claude Code为例，具体演示配置方法。
配置信息写在claude_desktop_config.json文件中：
// ~/Library/Application Support/Claude/claude_desktop_config.json
{
"mcpServers": {
"weather": {
"command": "uv",
"args": ["--directory", "/absolute/path/to/weather", "run", "weather-server"]
},
"filesystem": {
"command": "npx",
"args": ["-y", "@modelcontextprotocol/server-filesystem", "/Users/username/Documents"]
},
"github": {
"command": "npx",
"args": ["-y", "@modelcontextprotocol/server-github"],
"env": {
"GITHUB_PERSONAL_ACCESS_TOKEN": "ghp_your_token_here"
}
}
}
}
可将每项配置理解为在终端执行一个长连接子进程。以下是关键参数拆解：
1. mcpServers：根节点，一个Map。Key（如weather、github）是该Server的唯一标识符，用于AI界面显示与内部隔离。
2. command（可执行文件）
Client尝试启动的二进制文件或脚本解释器，指定入口程序。常见值包括npx（Node.js）、python、uv（Python包管理器），或编译好的Go/Java二进制文件。
3. args（启动参数）
字符串数组，追加在command后，形成完整shell启动命令。
- weather示例：
uv --directory /path/to/weather run weather-server，告诉uv切换到特定目录并运行项目。 - filesystem示例：
npx -y @modelcontextprotocol/server-filesystem /Users/username/Documents。-y自动确认安装，最后一个参数是传给Server程序内部的参数，指明允许访问的文件夹——这是一种白名单机制。
4. env（环境变量）
子进程启动时注入的环境变量，用于传递敏感信息（API Keys）或配置参数，避免硬编码在代码或命令行中，类似Docker中的ENV或本地.env文件定义变量。以GitHub示例为例，GITHUB_PERSONAL_ACCESS_TOKEN注入到该进程上下文，Server代码可通过os.Getenv("GITHUB_PERSONAL_ACCESS_TOKEN")（Go）或System.getenv(...)（Java）获取。
通过代码来调用MCP server
这即场景二——在自己构建的AI应用中，需要使用官方SDK编写MCP Client代码。
补充信息：官方提供多种SDK。后端开发常用的Go SDK由Google和Go官方维护，Java SDK由Spring AI官方维护，Python SDK由MCP官方维护。
下面是用Python SDK编写MCP Client的示例代码：
from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client
# 配置服务器参数
server_params = StdioServerParameters(
command="uv",
args=["--directory", "/path/to/weather", "run", "weather-server"],
)
async def main():
async with stdio_client(server_params) as (read, write):
async with ClientSession(read, write) as session:
# 初始化连接
await session.initialize()
# 列出可用工具
tools = await session.list_tools()
print("A vailable tools:", tools)
# 调用工具
result = await session.call_tool(
"get_forecast",
arguments={"latitude": 37.7749, "longitude": -122.4194}
)
print("Forecast:", result)
# 列出资源
resources = await session.list_resources()
print("A vailable resources:", resources)
# 读取资源
config = await session.read_resource("weather://config")
print("Config:", config)
if __name__ == "__main__":
import asyncio
asyncio.run(main())
总结
本篇解答了MCP Client的核心问题：Client如何调用Server？不同场景下如何配置或编写客户端代码？结合系列前文，大家对MCP的整体理解已比较完整。下一篇将深入MCP高级特性及需要特别注意的细节——这些点在实际落地中尤为关键。