使用模型上下文协议 (MCP) 为大语言模型扩展实时数据：全面指南

大语言模型 (LLM) 的快速演进彻底改变了人工智能的版图，但这些模型仍然受制于一个根本性的局限：“知识截止日期”(Knowledge Cutoff)。预训练模型无论参数规模多大、推理能力多强，都运行在一个冻结的时间窗口内。它们与实时数据流、私有数据库以及所处系统的即时物理状态是脱节的。

传统的解决方案，如检索增强生成 (RAG) 或手动上下文注入，在处理对延迟和数据新鲜度要求极高的实时智能体 (Agentic) 工作流时，往往显得脆弱、缓慢且不足。这种脱节在专业环境中表现得尤为明显。一个在 2023年训练的模型无法告诉开发人员为什么他们的服务器现在响应缓慢，也无法提供波动剧烈的加密货币的当前交易价格。如果没有外部连接，模型会尝试根据训练期间学到的概率模式来回答这些查询，从而导致自信的幻觉。通过 n1n.ai 平台，开发者可以轻松调用包括 Claude 3.5 Sonnet 和 DeepSeek-V3 在内的顶尖模型，而 MCP 协议的出现，则为这些模型插上了实时获取信息的翅膀。

什么是模型上下文协议 (MCP)？

模型上下文协议 (Model Context Protocol, MCP) 通过定义 AI 模型与工具及数据交互的通用标准，解决了这些碎片化问题。概念上，MCP 被描述为“AI 界的 USB-C”：它提供了一个单一的、标准化的接口，允许任何“外设”(服务器) 连接到任何“计算机”(AI 客户端)。正如 USB-C 驱动器可以与任何品牌的笔记本电脑配合使用一样，一个 MCP 服务器也可以与任何兼容 MCP 的主机 (如 Claude Desktop 或 Cursor IDE) 配合使用，而无需编写定制的胶水代码。

这种标准化发生在两个关键层面：

1. 传输层 (Transport Layer)：支持用于本地安全执行的标准输入/输出 (stdio)，以及用于远程连接的服务器发送事件 (SSE)。stdio 传输对于本地开发尤为重要，因为它确保了敏感的 API 密钥完全保留在用户的机器上。
2. 协议层 (Protocol Layer)：利用 JSON-RPC 2.0 来定义请求、响应和通知的消息结构。这种一致性使得通过 n1n.ai 接入的各类模型能够以统一的方式理解外部环境。

MCP 的三大核心原语

要构建有效的 MCP 服务器，必须理解协议向 LLM 暴露的三个核心原语：

• 工具 (Tools/Action)：由服务器暴露的可执行函数。它们代表了智能体的“手”。例如，get_crypto_price(coin: "solana")。
• 资源 (Resources/Reading)：被动数据源，如文件句柄或 URL。它们提供按需加载的上下文，通过 URI 方案 (如 crypto://watchlist) 进行标识。
• 提示词 (Prompts/Guidance)：预配置的模板，帮助用户完成特定任务 (例如，预加载了市场背景信息的 analyze_market 提示词)。

实现 1：基于 TypeScript 的加密货币追踪器

第一个实现重点是使用 TypeScript 构建的加密货币追踪器。这展示了如何利用广泛的 JavaScript 生态系统和官方 MCP SDK。使用 Zod，我们可以创建一个架构 (Schema)，作为运行时验证和 LLM 所需 JSON 架构的唯一事实来源。

import { McpServer } from '@modelcontextprotocol/sdk/server/mcp.js'
import { StdioServerTransport } from '@modelcontextprotocol/sdk/server/stdio.js'
import { z } from 'zod'

// 初始化服务器实例
const server = new McpServer({
  name: 'crypto-tracker',
  version: '1.0.0',
})

// 使用 Zod 进行架构验证的工具定义
server.tool('get_crypto_price', { crypto_id: z.string() }, async ({ crypto_id }) => {
  // 业务逻辑：从外部 API 获取价格
  const price = 65000

  // 返回符合 MCP 协议的结构化文本内容
  return {
    content: [{ type: 'text', text: `当前价格: $${price}` }],
  }
})

// 使用 Stdio 传输启动服务器
const transport = new StdioServerTransport()
await server.connect(transport)

实现 2：使用 FastMCP 的 Python 天气服务器

Python 实现通常利用 FastMCP 框架，这是一个专为快速开发设计的高级框架。它利用 Python 的动态特性，通过装饰器 (@mcp.tool()) 和类型提示自动生成工具定义。

from mcp.server.fastmcp import FastMCP
import httpx
import json

# 初始化 FastMCP 服务器
mcp = FastMCP("weather")

@mcp.tool()
async def get_current_weather(latitude: float, longitude: float) -> str:
    """
    获取特定位置的当前天气。
    文档字符串 (Docstring) 会自动成为 LLM 的工具描述。
    """
    url = f"https://api.open-meteo.com/v1/forecast?latitude={latitude}&longitude={longitude}&current_weather=true"

    async with httpx.AsyncClient() as client:
        response = await client.get(url)
        data = response.json()

    return json.dumps(data, indent=2)

实现 3：使用 Rust 构建高性能 Sentinel (哨兵)

对于基础设施智能体，Rust 解决了“零开销”(Zero Overhead) 的关键需求。Rust 编译为原生二进制文件，并且不通过垃圾回收器管理内存，从而提供了极高的性能和安全性。这对于需要实时监控系统指标的场景至关重要。

在 Rust 中，服务器必须定义镜像 JSON-RPC 2.0 规范的结构体：

// 用于 JSON-RPC 响应的 Rust 结构体定义
#[derive(Serialize, Deserialize)]
struct JsonRpcResponse {
    jsonrpc: String,
    id: Option<serde_json::Value>,
    #[serde(skip_serializing_if = "Option::is_none")]
    result: Option<serde_json::Value>,
    #[serde(skip_serializing_if = "Option::is_none")]
    error: Option<serde_json::Value>,
}

如何配置 MCP 客户端

目前，Claude Desktop 是主要的宿主环境。要注册自定义服务器，用户需要修改 claude_desktop_config.json 文件。确保在配置中使用可执行文件的绝对路径。

{
  "mcpServers": {
    "weather-service": {
      "command": "uv",
      "args": ["run", "server.py"],
      "cwd": "/absolute/path/to/project"
    },
    "crypto-service": {
      "command": "npx",
      "args": ["-y", "tsx", "index.ts"],
      "cwd": "/absolute/path/to/project"
    }
  }
}

技术对比表

总结与展望

模型上下文协议代表了生成式 AI 技术栈的成熟。通过将模型的推理能力与其上下文窗口和执行环境解耦，MCP 实现了一种模块化、可扩展且安全的方法来构建智能系统。无论是在追踪加密市场、检查天气，还是监控服务器健康状况，MCP 都提供了缺失的环节，将文本生成器转变为功能齐全的数字助理。

配合 n1n.ai 提供的聚合 API 服务，开发者可以无缝切换不同的底层模型，寻找与 MCP 协议配合最默契的推理引擎，从而在竞争激烈的 AI 赛道中脱颖而出。

Get a free API key at n1n.ai