简打卡
51.76M · 2026-03-28
各位 AI 探索者们，大家好！
在上一篇文章中，我们拒绝了“手搓”工具的原始方式，成功编写了一个符合 MCP (Model Context Protocol) 标准的 Server，并在其中模拟了一个数据库查询工具。
但是！写好了 Server 只是第一步。这就好比你造出了一把削铁如泥的宝剑（Server），但如果没人（Host）能挥舞它，它也就是块废铁。
今天，我们要进行一次维度升级。我们将跳出 Server 的视角，站在上帝视角（Host）来审视整个 MCP 生态，并且我们要干一件大事：不依赖 Cursor 或 Trae，我们要自己写一个 Agent，让它通过代码动态加载并使用我们昨天写的 MCP 工具！
准备好了吗？硬核干货，发车！
很多刚接触 MCP 的朋友，容易被文档里的一堆名词绕晕：MCP Host, MCP Client, MCP Server……它们到底是谁？谁又是谁的爸爸？
让我们来理清这个关系。
MCP 的架构其实非常清晰：
MCP Host (东道主)
MCP Client (客户端)
MCP Server (服务器)
my-mcp-server.mjs。当我们在 Cursor 里输入“查询用户 002”时，后台发生了什么？
Initialize (初始化):
Host 启动，通过 Client 向 Server 发送握手请求：“兄弟，你那都有啥宝贝？”
Server 回复：“我有 query-user 这个工具，还有个使用指南。”
Discovery (发现): Host 拿到了工具列表（Tools List），把它转换成 LLM 能看懂的 JSON Schema，喂给大模型。
Execution (执行):
LLM 思考后说：“我要调用 query-user，参数是 userId: '002'”。
Host 收到指令，通过 Client 将这个请求通过 Stdio（标准输入输出）管道发给 Server。
Response (响应): Server 干完活，把结果扔回给 Host。Host 再把结果喂给 LLM，最终生成人类可读的回复。
细心的同学可能发现了，MCP 的全称是 Model Context Protocol，而不是 Model Tool Protocol。为什么叫 Context（上下文）？
因为 AI 不仅需要做事（Tools），还需要看书（Resources）！
Resource 的意义在于：它允许 Server 主动把数据“喂”给 LLM，作为上下文的一部分，而不需要 LLM 去猜或者通过 Tool 去抓取。
让我们回到 my-mcp-server.mjs，给它增加一个 Resource 能力。
// 注册资源：使用指南
// URI: 统一资源定位符，这是资源的唯一身份证
server.registerResource(
'使用指南', // 资源名称
'docs://guide', // 资源 URI，类似于网页的 URL
{
description: 'MCP Server 使用文档', // 描述，LLM 会看这个
mimeType: 'text/plain', // 告诉 LLM 这是纯文本
},
async () => {
// 当 Client 请求读取这个资源时，返回的内容
return {
contents: [
{
uri: 'docs://guide',
mimeType: 'text/plain',
text: `MCP Server 使用指南
功能：提供用户查询等工具。
使用：在 Cursor 等 MCP Client 中通过自然语言对话，Cursor 会自动调用相应工具。`,
}
]
}
}
)
代码深度解析：
server.registerResource: 这是注册资源的入口。docs://guide: 自定义协议头。你可以随便定，比如 mysql://table/users 或者 log://app/error。这让 LLM 可以通过 URI 引用特定的上下文。mimeType: 既然是传输内容，就得告诉对方格式。是文本（text/plain）？是图片（image/png）？还是 JSON？Prompt。你可以把写好的优质 Prompt 模板预置在 Server 里，让小白用户也能直接调出高质量的回答。总结： Context (上下文) = Tool (工具) + Resource (资源) + Prompt (提示词模板)。 这就是 MCP 强大的原因，它打包了一切 LLM 需要的东西。
好了，理论知识储备完毕，Server 也升级了。现在我们来做一个真正的 Host！
我们将使用 Node.js + LangChain 来构建一个 Agent，让它连接我们本地运行的 my-mcp-server.mjs。
首先，你需要安装一个关键的包：@langchain/mcp-adapters。
// adapters mcp 适配器
import {
MultiServerMCPClient
} from '@langchain/mcp-adapters';
这个 MultiServerMCPClient 非常强大，它帮我们屏蔽了底层协议的复杂性，支持同时连接多个 MCP Server（就像 Cursor 的配置列表一样）。
记得我们在 Cursor 的 config.json 里是怎么配的吗？我们需要指定 command (node) 和 args (脚本路径)。在代码里，也是一样的：
// client 初始化
const mcpClient = new MultiServerMCPClient({
mcpServers: {
'my-mcp-server': { // 给这个 Server 起个 ID
command: 'node', // 运行命令
// ️ 注意：这里必须是绝对路径！
args: ['C:\Users\MR\Desktop\workspace\lesson_jp\ai\agent\mini-cursor\mcp\mcp-tool\my-mcp-server.mjs'],
},
},
});
核心点：
这里实例化了一个 mcpClient。此时，连接还没有建立，它只是记住了配置。这和你在 IDE 里填好配置但还没点击“Retry”是一样的状态。
接下来是见证奇迹的时刻。我们要让 Client 去连接 Server，把工具“吸”过来，然后绑在 LLM 身上。
// 1. 获取工具列表
// 这一步会触发 initialize 流程，自动启动子进程并握手
const tools = await mcpClient.getTools();
console.log(tools, '////'); // 打印看看，你应该能看到 query-user 的详细 Schema
// 2. 绑定工具到模型
// 这里假设 model 是一个 ChatOpenAI 实例
const modelWithTools = model.bindTools(tools);
逻辑解析：
mcpClient.getTools()：这行代码背后发生了巨大的工作量。它启动了 Node 子进程，建立了 Stdio 管道，发送了 tools/list 请求，接收了响应，并把 MCP 格式的 Tool 定义转换成了 LangChain/OpenAI 兼容的 Tool 定义。model.bindTools(tools)：这是 LangChain 的标准操作，把工具描述告诉 LLM，让 LLM 知道它有了外挂。如果只是绑定了工具，LLM 只会返回一个“我想要调用工具”的信号（Tool Call）。真正执行工具并把结果喂回去，需要我们写一个循环。这其实就是 ReAct Agent 的雏形。
async function runAgentWithTools(query, maxIterations=30) {
const messages = [
new HumanMessage(query) // 初始问题
];
// 开启思考-执行循环
for (let i = 0; i < maxIterations; i++) {
console.log(chalk.bgGreen('⏳正在等待AI思考...'));
// 1. 调用模型
const response = await modelWithTools.invoke(messages);
// 把 AI 的回复（可能包含工具调用请求）加入历史记录
messages.push(response);
// 2. 判断是否结束
// 如果 AI 没有想调用的工具，说明它已经生成了最终答案
if (!response.tool_calls || response.tool_calls.length === 0) {
console.log(`n AI 最终回复：n ${response.content}n`);
return response.content;
}
// 3. 处理工具调用
console.log(chalk.bgBlue(` 检测到 ${response.tool_calls.length} 个工具调用`));
// 遍历所有工具调用请求（AI 可能一次想调多个工具）
for (const toolCall of response.tool_calls) {
// 在我们从 MCP 拉取回来的 tools 数组里找到对应的工具
const foundTool = tools.find(t => t.name === toolCall.name);
if (foundTool) {
// 4. 执行工具！
// 这里 foundTool.invoke 实际上会通过 MCP 协议
// 把参数发给 my-mcp-server.mjs，拿到结果
const toolResult = await foundTool.invoke(toolCall.args);
// 5. 将工具结果封装为 ToolMessage
messages.push(new ToolMessage({
content: toolResult,
tool_call_id: toolCall.id // 必须带上 ID，让 AI 知道这是哪个调用的结果
}));
}
}
// 循环继续，下一轮 invoke 会带上最新的 ToolMessage
}
return messages[messages.length - 1].content;
}
实验结果：
当我们运行 await runAgentWithTools("查一下用户 002 的信息") 时：
query-user，参数 userId='002'”。tool_calls。mcpClient -> 发送请求给 my-mcp-server.mjs。ToolMessage。tool_calls，循环结束，输出最终答案。今天我们不仅搞懂了 Host-Client-Server 的三角关系，还解锁了 Resource 这个新技能，最重要的是，我们亲手实现了一个 MCP Host！
现在，你不再只是 MCP 的使用者，你是 MCP 的掌控者。
想象一下未来的可能性：
这就是 Agent 的未来，这就是 MCP 的魅力。
觉得文章有用？点个赞再走吧！ 咱们下期见！
