MCPModel‑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‑ServerMCP 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 SchemaHandles 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MultiServerMCPClientBind 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‑ServerHandle 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__toolConsistent 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