MCP 从入门到实战：让大模型真正「动手」

本文基于个人学习与实践整理，面向希望在 Cherry Studio、Cursor 等客户端中使用 MCP 的读者。
重点讲清 协议是什么、模型如何决定调用哪个工具，并附带一个可直接接入 Cherry Studio 的 Python 示例。

1. 为什么需要 MCP

大语言模型擅长理解和生成文字，但默认情况下它：

不能直接读你电脑上的文件；
不能实时查天气、股价、新闻；
不能替你执行搜索、发邮件、操作数据库。

过去每一家 AI 产品都要单独对接每一种能力，接口五花八门，开发和维护成本都很高。

MCP（Model Context Protocol，模型上下文协议） 由 Anthropic 在 2024 年底提出，目标很简单：用一套统一规范，让「AI 客户端」和「外部能力程序」对话。

你可以把它理解成：

类比	含义
USB 接口	不同设备（键盘、U 盘）只要符合标准，就能插到电脑上
MCP	不同工具（查时间、读文件、调 API）只要实现 MCP Server，就能被各种 Host 调用

对使用者来说：在客户端里配置好 MCP Server 后，用自然语言提问，模型会在需要时自动选用合适的工具，再把结果组织成回答。

2. 三个核心角色：Host、Server、Tool

2.1 MCP Host（宿主 / 客户端）

Host 是你日常打交道的 AI 应用，负责：

启动、管理 MCP Server 进程；
把用户问题和「当前有哪些工具」一起交给大模型；
按模型的指示去调用 Server，并把结果再喂回模型。

常见 Host：Cherry Studio、Cursor、Claude Desktop 等。本文以 Cherry Studio 为例演示配置与使用。

2.2 MCP Server（能力提供方）

Server 是一个按 MCP 规范运行的程序，名字里虽有 “Server”，但多数是 在你本机通过子进程启动 的（例如 Python / Node 脚本），而不是必须部署在远程机房。

它向 Host 声明：

有哪些 Tool（可执行函数）；
可选的 Resource（可读数据）；
可选的 Prompt（预设提示模板）。

2.3 Tool（工具）

Tool 就是 Server 暴露给模型的一条「可调用能力」，在代码里通常对应一个带类型注解的函数。

每个 Tool 会带有：

name：工具名，如 get_cpu_status；
description：自然语言说明（常来自函数的 docstring）；
inputSchema：参数的 JSON Schema，约束模型填什么字段。

模型靠 description + inputSchema 判断「该不该用、参数怎么填」。

3. 一次完整对话里发生了什么

下面用「用户问：我电脑现在卡不卡？内存占用多少？」且已接入系统性能 MCP 为例，说明数据流：

4. AI 如何「听懂」你的问题并选对工具

很多人以为 MCP 规定了「模型怎么思考」。实际上：MCP 只规范 Host 与 Server 之间怎么通信；模型与 Host 之间用什么格式（Function Calling、XML 工具块等），由各家客户端自己实现。

但对使用者，理解下面这条链路就够了。

4.1 Host 在每次请求里多塞了什么

当你开启 MCP 并选中某个 Server 后，Host 大致会做：

把 tools/list 拿到的信息，转成模型能识别的 工具定义列表（名称、描述、参数 schema）；
把你的 用户消息 和这段工具定义 一起发送 给大模型 API；
若模型返回「需要调用某工具 + JSON 参数」，Host 去执行 tools/call，再把结果作为 工具结果消息 追加到对话，再次请求模型 生成最终回复。

所以：模型并不是事先“安装”了 MCP，而是在每一轮里看到「当前会话可用工具说明书」，再自己做选择。

4.2 模型靠什么做决策

模型主要依据三类信号：

信号	作用
用户意图	「内存占用多少」→ 内存类；「C 盘还剩多少」→ 磁盘类
Tool 的 `description`	说明这个函数解决什么问题，避免误用
`inputSchema`	规定参数名、类型、是否必填，模型从中抽取或推断参数值

例如工具描述写「查询物理内存占用」，用户说「我电脑内存还剩多少」，模型更可能调用 get_memory_status。

4.3 为什么有时不调用、有时乱调用

不调用 常见原因：

模型认为凭自身知识就能答（历史常识类问题）；
没有启用 MCP，或对话里未勾选对应 Server；
所用模型 不支持工具调用 / Function Calling（Cherry Studio 里应选带「工具」能力的模型）。

乱调用 常见原因：

Tool 描述过于笼统，多个工具边界不清；
参数 schema 太宽，缺少 required 或枚举约束；
用户问题模糊，模型做了猜测。

改进建议：函数名见名知意、docstring 写清「何时使用、返回什么」、参数用类型注解和枚举缩小空间。

4.4 和「RAG / 联网搜索」的区别

RAG：先检索文档片段，再让模型阅读总结；
MCP Tool：模型主动发起一次 结构化函数调用，由 Server 执行逻辑（算数、查 API、读本地文件等）。

二者可以并存：MCP 解决的是 标准化、可执行、可组合 的外部能力接口。

5. MCP 协议分两层，别混在一起

层级	谁和谁	规范什么
层 A	MCP Host ↔ MCP Server	握手、列工具、调工具、传资源等（JSON-RPC 风格消息，常见传输为 stdio 或 SSE）
层 B	MCP Host ↔ 大模型 API	如何把工具清单编进 prompt、如何解析模型的 tool_call（各 Host 实现不同）

MCP 只管层 A。 这也是为什么同一个 Python MCP Server，可以接到 Cherry Studio、Cursor 等不同 Host——只要对方实现了 MCP 客户端逻辑。

Model Context Protocol 里的 Context，指的是：让模型感知「外部环境里有哪些可调用能力」，从而获取实时、私有或结构化信息，而不是只靠训练数据。

6. 在 Cherry Studio 里接入 MCP

6.1 环境准备

Cherry Studio 运行 STDIO 类 MCP 时，通常需要本机有：

Python 3.10+（自建 Server 用）；
uv（推荐，用于跑 Python 项目）；
使用社区现成的 uvx / npx 工具时，按官方文档在 Cherry Studio 设置里安装内置运行环境。

官方文档：MCP 环境安装、MCP 配置说明。

6.2 添加社区 Server（示例：网页抓取）

打开 设置 → MCP Server → 添加服务器；
名称自定，类型选 STDIO；
命令填 uvx，参数填 mcp-server-fetch（首次会下载依赖，可能较慢）；
保存后在对话界面 启用该 MCP，并选择支持工具调用的模型。

等价 JSON 片段：

{
   
  "mcpServers": {
   
    "fetch": {
   
      "command": "uvx",
      "args": ["mcp-server-fetch"]
    }
  }
}

6.3 添加本文自带的 Python Server（下文第 7 节）

工作区已附带可运行项目：mcp-sys-monitor/。先在该目录执行 uv sync，再在 Cherry Studio 新增 STDIO 服务器：

{
   
  "mcpServers": {
   
    "sys-monitor": {
   
      "description": "查询本机 CPU、内存、磁盘、网络、GPU 性能",
      "isActive": true,
      "command": "uv",
      "args": [
        "--directory",
        "C:/Users/25700/Desktop/test/mcp-sys-monitor",
        "run",
        "server.py"
      ]
    }
  }
}

请将 --directory 后的路径改成你本机 mcp-sys-monitor 的实际位置（Windows 建议用正斜杠 /）。

保存后连接成功，在对话里勾选 sys-monitor，并选择支持工具调用的模型即可试用。

6.4 话术建议

「帮我看一下电脑现在的整体性能状态」
「CPU 占用多少？频率多少？」
「内存还剩多少？有没有快满了？」
「C 盘和 D 盘各用了百分之几？」
「现在网速怎么样？」

7. 动手：用 Python 写一个标准 MCP 工具服务

Cherry Studio 本身不会把「任务管理器里的实时性能数据」直接交给大模型。下面这个 mcp-sys-monitor 就是一个有明确价值的例子：让 AI 能查询你这台电脑当前的 CPU、内存、磁盘、网络和 GPU 状态——类似你截图里 Windows 任务管理器的「性能」页。

7.1 这个 Server 提供什么

工具	对应任务管理器	用途
`get_system_overview`	性能页总览	一次返回 CPU / 内存 / 磁盘 / 网络 / GPU 摘要
`get_cpu_status`	CPU 卡片	利用率、核心数、运行频率
`get_memory_status`	内存卡片	已用 / 总量 / 可用、页面文件
`get_disk_status`	磁盘卡片	各分区占用、短时读写速度
`get_network_status`	网络卡片	各网卡实时收发速率
`get_gpu_status`	GPU 卡片	显卡名称；NVIDIA 独显可读利用率与显存

底层用 psutil 采集跨平台指标；Windows 下额外通过 WMI 补充内存频率等信息，有 nvidia-smi 时读取独显占用。

7.2 设计上的三个「标准写法」

① 按指标拆工具，同时提供总览

用户问「内存多少」时，模型应调 get_memory_status；问「电脑卡不卡」时，调 get_system_overview。粒度清晰，避免一个巨型函数难以选择。

② docstring 写清触发场景

@mcp.tool()
def get_memory_status() -> str:
    """查询物理内存与交换区占用情况。

    当用户问内存用了多少、还剩多少、内存占用率时使用。
    Windows 下会尽量补充内存频率、插槽等信息。
    """

③ 采样型指标要注明等待时间

CPU 利用率、网速需要两次采样相减。在 docstring 里说明「约 0.6 秒采样」，用户和模型才知道结果有短暂延迟，这是正常现象。

7.3 项目结构

mcp-sys-monitor/
├── pyproject.toml
└── server.py

7.4 `pyproject.toml`

[project]
name = "mcp-sys-monitor"
version = "0.1.0"
description = "查询本机 CPU、内存、磁盘、网络、GPU 性能的 MCP 服务"
requires-python = ">=3.10"
dependencies = [
    "mcp[cli]>=1.6.0",
    "psutil>=6.0.0",
]

[project.scripts]
mcp-sys-monitor = "server:main"

7.5 核心代码摘录

总览工具（组合多个采集函数）：

@mcp.tool()
def get_system_overview() -> str:
    """获取本机性能总览，类似任务管理器「性能」页。

    当用户问「电脑现在什么状态」「性能怎么样」「卡不卡」时使用。
    一次返回 CPU、内存、磁盘、网络、GPU 的摘要。
    """
    sections = [
        ("【CPU】", _cpu_block()),
        ("【内存】", _memory_block()),
        ("【磁盘】", _disk_block()),
        ("【网络】", _network_block()),
        ("【GPU】", _collect_gpu_info()),
    ]
    # 拼接为可读文本返回给模型
    ...

CPU 采样（psutil 需短暂 interval 才准确）：

def _cpu_block(interval: float = 0.6) -> list[str]:
    usage = psutil.cpu_percent(interval=interval)
    freq = psutil.cpu_freq()
    lines = [
        f"总利用率：{usage:.1f}%",
        f"物理核心：{psutil.cpu_count(logical=False)} | "
        f"逻辑核心：{psutil.cpu_count(logical=True)}",
    ]
    if freq and freq.current:
        lines.append(f"当前频率：{freq.current:.2f} GHz")
    return lines

网速（两次采样求速率）：

def _network_block() -> list[str]:
    net1 = psutil.net_io_counters(pernic=True)
    time.sleep(0.6)
    net2 = psutil.net_io_counters(pernic=True)
    for nic, c2 in net2.items():
        down = (c2.bytes_recv - net1[nic].bytes_recv) / 0.6
        up = (c2.bytes_sent - net1[nic].bytes_sent) / 0.6
        # 格式化为 KB/s、MB/s 返回
        ...

7.6 本地运行

cd mcp-sys-monitor
uv sync
uv run server.py

也可在终端快速验证（不经过 MCP 协议）：

uv run python -c "import server; print(server.get_system_overview())"

7.7 写好 MCP 工具的检查清单

一事一工具：总览 + 分项查询，方便模型精准调用；
返回人类可读文本：模型直接转述给用户，比裸 JSON 更自然；
注明采样耗时：实时指标有延迟，要在描述里说清楚；
平台差异做降级：GPU 读不到利用率时仍返回显卡名称，不直接崩溃；
stdio 干净：log_level="ERROR"，不要用 print 污染协议通道。

小结

要点	一句话
MCP 是什么	AI 客户端与外部能力程序之间的统一对话协议
谁调用谁	Host 管模型和 Server；模型决策，Host 执行
模型怎么选对工具	靠工具描述 + JSON Schema + 用户问题，在支持 tool calling 的 API 里完成
怎么落地	Cherry Studio 配置 `mcp-sys-monitor`，对话里问「电脑性能怎么样」即可

掌握 Host / Server / Tool 与 「发现 → 决策 → 执行 → 总结」 四步，再做一个 Cherry Studio 本身做不到、但 MCP 很擅长 的扩展（如本机性能监控），你就能真正理解 MCP 的价值。

MCP 从入门到实战：让大模型真正「动手」

MCP 从入门到实战：让大模型真正「动手」

目录

1. 为什么需要 MCP

2. 三个核心角色：Host、Server、Tool

2.1 MCP Host（宿主 / 客户端）

2.2 MCP Server（能力提供方）

2.3 Tool（工具）

3. 一次完整对话里发生了什么

4. AI 如何「听懂」你的问题并选对工具

4.1 Host 在每次请求里多塞了什么

4.2 模型靠什么做决策

4.3 为什么有时不调用、有时乱调用

4.4 和「RAG / 联网搜索」的区别

5. MCP 协议分两层，别混在一起

6. 在 Cherry Studio 里接入 MCP

6.1 环境准备

6.2 添加社区 Server（示例：网页抓取）

6.3 添加本文自带的 Python Server（下文第 7 节）

6.4 话术建议

7. 动手：用 Python 写一个标准 MCP 工具服务

7.1 这个 Server 提供什么

7.2 设计上的三个「标准写法」

7.3 项目结构

7.4 `pyproject.toml`

7.5 核心代码摘录

7.6 本地运行

7.7 写好 MCP 工具的检查清单

小结

ModelScope模型即服务

热门文章

最新文章

相关电子书

MCP 从入门到实战：让大模型真正「动手」

MCP 从入门到实战：让大模型真正「动手」

目录

1. 为什么需要 MCP

2. 三个核心角色：Host、Server、Tool

2.1 MCP Host（宿主 / 客户端）

2.2 MCP Server（能力提供方）

2.3 Tool（工具）

3. 一次完整对话里发生了什么

4. AI 如何「听懂」你的问题并选对工具

4.1 Host 在每次请求里多塞了什么

4.2 模型靠什么做决策

4.3 为什么有时不调用、有时乱调用

4.4 和「RAG / 联网搜索」的区别

5. MCP 协议分两层，别混在一起

6. 在 Cherry Studio 里接入 MCP

6.1 环境准备

6.2 添加社区 Server（示例：网页抓取）

6.3 添加本文自带的 Python Server（下文第 7 节）

6.4 话术建议

7. 动手：用 Python 写一个标准 MCP 工具服务

7.1 这个 Server 提供什么

7.2 设计上的三个「标准写法」

7.3 项目结构

7.4 pyproject.toml

7.5 核心代码摘录

7.6 本地运行

7.7 写好 MCP 工具的检查清单

小结

ModelScope模型即服务

热门文章

最新文章

相关电子书

7.4 `pyproject.toml`