AI & ML DevOps Python

搞懂 MCP：AI 與外部世界的橋樑

Dan · March 25, 2026
搞懂 MCP：AI 與外部世界的橋樑

之前曾經分享過MCP(Model Context Protocol)，一套標準的對話協議。它讓 AI 模型（LLM）能用同樣的方式，跟外部的各種工具和數據源講話。以前，如果要讓 AI 接 Google Drive，你得寫一套接 Google Drive 的程式；要接 Notion，又得寫另一套。現在有了 MCP，只要大家都遵守這套 protocol，AI 就可以很輕鬆地接上各種東西。

這篇文章我們不講太複雜的理論，直接切入重點，讓你快速了解 MCP 是怎麼運作的，而且還會教你怎麼動手做一個！

核心架構：Host vs. Client vs. Server

要搞懂 MCP，首先要分清楚它裡面的三個核心角色：Host、Client 和 Server。

1. Host (主體應用程式)

Host 是誰？

簡單來說，Host 就是你直接跟它對話的那個應用程式。它是 AI 的「介面」。

它是做什麼的？

Host 負責顯示 AI 的回覆、接收你的輸入。最重要的是，它負責決定「什麼時候」需要叫外部工具來幫忙，並把這個指令交給內部的 Client。

例子：

  • Claude Desktop
  • Cursor (知名的 AI IDE)
  • VS Code (搭配 Copilot)
  • 你自己寫的 Python 腳本（如果它能跑 LLM 並呼叫工具）

2. Client (客戶端實例)

Client 是誰？

Client 是內嵌在 Host 內部的一個模組。你可以把它想成是 Host 裡面的「通訊官」。

它是做什麼的？

Client 負責「握手」和「傳話」。當 Host 需要用到某個工具（比如：讀取 Google Drive 檔案），Client 就會負責連線到對應的 MCP Server，把指令傳過去，並且把 Server 的回覆傳回給 Host。Host 可以同時開啟好幾個 Client 去連不同的 Server。

3. Server (伺服器)

Server 是誰？

Server 是真正提供工具或數據的人。它就像是 AI 的「工具箱」或「圖書館」。

它是做什麼的？

Server 裡面會定義好幾種功能（MCP 的標準說法是 Resources、Prompts 和 Tools）。當它收到 Client 的指令，它就會去執行對應的動作（例如：去抓 Google Drive 的檔案、跑一塊 Python 程式碼、搜尋網路），然後把結果回傳。

例子：

  • Hugging Face MCP Server (搜尋模型、論文)
  • Google Drive MCP Server (存取檔案)
  • Jupyter MCP Server (讓 AI 可以在你的 Jupyter 環境跑 code)
  • 你自己用 FastMCP 寫的客製化 Server

通道比一比：STDIO vs. SSE

Host 內部的 Client 要怎麼跟 Server 講話呢？這就需要用到傳輸通道 (Transport)。目前最常用的兩種標準通道分別是 STDIO 和 SSE，它們的適用場景完全不同。

1. STDIO (Standard Input/Output)

這是最直觀、也最常規的連線方式，通常用於**「 Host 和 Server 都在同一個電腦上跑」**的場景。

  • 怎麼做到的？

Host（比如 Claude Desktop）會啟動 Server 的執行檔（或 Docker 容器）作為一個子程序 (Subprocess)。Host 透過它的標準輸入 (stdin) 把 JSON 指令傳過去，並從 Server 的標準輸出 (stdout) 讀取回應。
* 優點：

  • 無須網路設定：不需要 IP、不需要 Port，連線超簡單。
  • 效能極佳：本地行程溝通，延遲幾乎可以忽略。
  • 生命週期同步：Host 一關閉，Server 進程也會跟著自動關閉，不會有残留的進程。

  • 缺點：

  • 只能連線到自己電腦上的 Server。

2. SSE (Server-Sent Events)

如果你想連線到遠端的 Server（例如架在雲端或 NAS 上的 Server），就要用到 SSE。

  • 怎麼做到的？

這是基於 HTTP 的標準 Web 技術。Client (Host) 會先跟 Server 握手，然後 Server 會開啟一個持久的 HTTP 串流（stream）。Server 可以透過這個串流，主動把更新的數據或結果推送到 Client。
* 優點：

  • 支援遠端連線：Server 可以架在任何有網路的地方。
  • 多人連線：一個 Server 可以同時服務很多個 Client。

  • 缺點：

  • 設定複雜，要處理網路、防火牆、Port 轉發和安全認證 (Auth)。

快速對比

實戰演練

講這麼多，不如直接動手做。下面提供兩個簡單的實作範例。

1. FastMCP：自建並 Docker 化 MCP Server

這是一個使用 Python 的 FastMCP 庫建立客製化 Server 的範例，並且把它包裝成 Docker。我們利用了 Docker 的 -i (interactive) 參數，讓這個容器內的 Server 可以透過 STDIO 跟 Host 溝通。

步驟 A：寫一個簡單的 my_server.py

from fastmcp import FastMCP

# 建立一個 FastMCP 實例
mcp = FastMCP("My Cool Server")

# 定義一個簡單的工具：加法
@mcp.tool()
async def add_numbers(a: int, b: int) -> int:
    """Add two numbers together."""
    return a + b

if __name__ == "__main__":
    # 以 stdio 模式啟動 Server
    mcp.run(transport="stdio")

步驟 B：寫一個 Dockerfile

FROM python:3.11-slim

# 設定工作目錄
WORKDIR /app

# 安裝 FastMCP 庫
RUN pip install --no-cache-dir fastmcp

# 將程式碼複製進容器
COPY my_server.py .

# 預設啟動指令
ENTRYPOINT ["python", "my_server.py"]

步驟 C：建構並啟動容器 (Host 端)

在你的 Host 端（終端機）裡，建構 Docker 映像檔：

docker build -t my-mcp-server .

最後，在你的 MCP 配置文件（例如 claude_desktop_config.json）中設定：

"mcpServers": {
  "my-docker-server": {
    "command": "docker",
    "args": ["run", "-i", "--rm", "my-mcp-server:latest"]
  }
}

這時候，Claude 就會幫你啟動這個容器，並透過 stdio 連接它。

2. Jupyter STDIO：讓 AI 控制你的本地 Jupyter 環境

如果你希望像 Claude Desktop 這樣的 Host 能直接操作你電腦上的 Jupyter 進行數據分析，你可以使用 jupyter-mcp-server。

步驟 A：安裝套件

在終端機執行：

# 如果你安裝在 Python 環境
pip install jupyter-mcp-server

# 或者，如果你有 uv，可以直接執行
uvx --install jupyter-mcp-server

步驟 B：在 Host 設定檔中設定 (使用 STDIO)

直接在你的 MCP 配置文件（例如 claude_desktop_config.json）中設定：

"mcpServers": {
  "my-jupyter": {
    "command": "jupyter-mcp-server",
    "args": []
  }
}

搞懂了 Host、Client、Server 和通道的差異，你現在應該對 MCP 的運作有更清楚的認識了。不論是直接使用現成的 Server，還是動手自建，MCP 都為 AI 代理的發展開啟了無限可能。快去試試看吧！

Comments

Loading comments…

Leave a Comment

↑