前言

在公司实习的时候，内部在大力推动 AI 编程。虽然市面上有很多 AI Coding 的产品，例如 Cursor、Trae 等。

对于从 开始的项目，或者一个小需求的修改，能很完美的达到我们预期的效果，但是如果我们只面对 LLM 的对话框，不打开浏览器，只让 AI 进行调试。就会有以下的问题：

1. 从登录态问题来看，目前公司内的项目几乎是采用 Cookie 的形式，AI 没办法感知，需要自己手动去登录页获得校验信息；
2. 说到接口问题，对于某些接口，可能因为状态码的不同、响应的数据格式不同。导致 AI 无法进行识别，需要自己手动去调试接口，获取正确的数据格式；
3. 页面异常问题的观点是，对于浏览器控制台、终端的错误。调试变得困难，只能不断去复制错误，丢给 AI，这样会大大浪费时间。

光是这三点，就是 AI Coding 遇到的痛点。为了解决目前的问题，我们最终采用 MCP 工具来增加 AI 纠错、自动化。

在学习 MCP 之前需要先了解一下什么是 Function Calling，它和 MCP 的关系。其实，

Function Calling

在 LLM 领域。Function Calling 指的是模型、数据查询等问题。

• 广义的 Function Calling：让大模型能够调用外部工具的一种技术实现：先向大模型提供可用函数的列表及说明。由大模型在对话过程中智能判断是否需要调用函数，并自动生成调用所需参数，最终用文字返回符合约定格式的函数调用请求。
• 狭义的 Function Calling：特指大模型提供商在模型内部与 API 层面做了支持的一种能力。它最早由 OpenAI 引入：
  • 模型层面：提供商需对大模型进行特别调整，使其具备的能力。
  • API 层面：提供商需额外开放对 Function Calling 的支持。

从思考来看，为什么需要 Function Calling？

大语言模型的主要能力是 “理解文本 + 生成文本”。但存在天然短板：

• 信息滞后：
• 缺乏外部数据访问权：
• 无法执行操作：

Function Calling 正是为弥补这些短板而生——让 AI 成为 “任务协调者”：先理解使用者需求，判断是否需要调用工具，再按规则生成工具调用指令，最终将工具返回的结果整理成自然语言回答。

完整的函数调用通常分为 四个关键步骤。形成 “User Request → AI Decision → Tool Execution → Result Feedback` 的闭环：

1. # 定义函数#：

A. 开发者需先明确“AI 可调用”的工具清单，并为每个工具定义标准化参数格式。示例——实时天气 API：

// 函数名：getRealTimeWear
// 参数说明：
// - city: 城市名称
// - date: 日期
function getRealTimeWear(
从city来看。string,date，: string
): { temperature: number;condition: string;wind: string } {
// 调用外部天气API逻辑
}

2. # AI 判断是否调用函数 #：

User 输入需求后大模型先分析：“该需求能否仅凭自身知识回答？”或“是否必须调⽤外部工具？”示例这方面，

• No call needed: “解释什么是人工智能”。模型直接生成文本答案，
• L​call needed: “北京 2024‑04‑01 天气”。模型判断“自身无对应数据，需要调⽤天气 API”。

3. # AI 生成函数调用指令 #：

If a tool is required,model emits a structured call adhering to predefined schema,eliminating ambiguity.

{
从"name"来看，"getRealTimeWear","parameters": {
"city"这方面，"北京"。"date": "-"
}
}

4. # 工具执行 + 结果整理 #：

• The external tool receives request,returns raw JSON.
• The model translates raw result into natural language and replies to user.

MCP是一种标准化协议,用于在应用程序与 AI 模型之间建立统一通信方式。它帮助共享上下文信息，从而 大模型能力。

MCP 相比 Function Calling 能解决哪些痛点？

• #代码冗余 & 开发效率#：
• #厂商壁垒 & 标准化#：
• #性能瓶颈#：
• #状态管理 & 多轮推理#：
• #资源管理 & 调度#：
• #权限控制 & 环境建设#：

MCP 主要概念

MCP 遵循客户端‑服务器架构，其中 MCP Host通过创建 MCP Client 与一个或多个 MCP Server 建立一对一连接。其实，从主要组成如下来看，

• MCP Host: 指代 A 应用本身。用于发现 MCP Server 并读取其中注册的工具列表。
• MCP Client: 运行在 Host 内部，与对应 Server 保持专属连接；按理说，每启动一个 Server，就会创建相应 Client 实例。
• MCP Server: 提供 Context 给 Client，包括 Tools / Prompts / Resources 等元数据。

例如 VSCode 扮演 Host。当 VSCode 与 Sentry MCP Server 建立连接时会实例化一个 StdioClientTransport 来维系该链路；随后若再连接本地文件程序 Server。则再创建另一个 Client，以保持“一对一”关系。

MCP 通信方式

Sdio

Sdio 即进程间通过 . 以下示例展示 Node.js 中如何使用 Sdio 实现父子进程通信。

• Create server.js : writes to stdout and reads from stdin.node server.js,会看到进程 ID 输出——证明终端已成功读取子进程内容。父进程可监听子进程输出： js process.stdout.on));按理说，下面展示完整 client‑server 示例。
  client.js js import { spawn } from 'child_process';老实说，const serverProcess = spawn;serverProcess.stdout.on));setTimeout=> serverProcess.stdin.write,1000);server.js js process.stdin.setEncoding;process.stdin.on);运行 `node client.js` 即可看到双向通信。Sdio 优点: 简洁高效，但仅适用于本地进程间通信。

  SSE – 老方案

  SSE 为服务器单向推送技术，以 HTTP GET 长连接形式持续发送文本流到浏览器。缺点包括只能发送文本、不支持 POST、安全性差还有兼容性限制。

  Streamable – 新方案

  • 支持任意 Content‑Type，满足多模态 LLM 场景需求；
  • 允许 POST 请求携带体，实现更安全的数据交互；
  • 兼容所有现代浏览器及 Node 环境；
  • 底层基于 HTTP/1.1 或 HTTP/2 长链接，可利用流控提高吞吐量。

  MCP 通信格式 – JSON‑RPC

  JSON‑RPC 是轻量级远程过程调用协议，以 JSON 为载体。MCP 在此基础上做了 规范，使得客户端与服务器能够互相发现 & 调用功能。主要消息类型如下：

  • `request` : json { "jsonrpc":"2.0","method":"methodName","params":{"a":1,"b":2},"id":1 }
  • `response` : json { "jsonrpc":"2.0"。"result":{"c":3},"id":1 }

  示例的观点是，

  bash echo '{"jsonrpc":"2.0","method":"sum","params":{"a":5,"b":7},"id":42}' | node server.js