前言

说实话，最近几个月 AI Agent 这个词都快被聊烂了。但你去 GitHub 上搜一下，真正把这东西跑起来的项目，其实没几个。大部分人看了几篇论文、刷了几个视频，一到动手就卡住了——API 怎么配？工具怎么注册？Agent 怎么才知道什么时候该调用什么？

我上个月接手了一个内部项目，老大说要用 Agent 做自动化运维。刚开始我也懵，但踩了一圈坑之后发现，其实核心就三件事：模型 + 工具 + 编排。而 MCP（Model Context Protocol）就是把这些串起来的那根线。

这篇文章我就用最实际的代码，带你从零搭一个能真正干活的 Agent。

什么是 MCP 协议？

MCP 全称 Model Context Protocol，是 Anthropic 提出来的一套开放协议，用来统一模型和外部工具之间的交互方式。

说白了就是：以前你写 Agent，每个工具都要自己对接——查数据库写一段，调 API 又来一段，每个接口格式都不一样。MCP 干了件事：给你定了个标准。

你只需要按 MCP 的规范把工具注册进去，Agent 自己就能知道：

• 这个工具有什么用
• 需要什么参数
• 返回什么格式

是不是很香？

环境准备

先看看我的环境：

Python 3.11+
pip install mcp openai python-dotenv

实战：搭一个能查天气 + 写文件的 Agent

第一步：定义工具

from mcp import Tool, ToolSchema
class WeatherTool(Tool):
    name = get_weather
    description = 获取指定城市的当前天气
    async def run(self, city):
        return f{city} 当前温度 26°C

第二步：组装 Agent

from mcp import Agent, MCPServer
server = MCPServer()
server.register_tool(WeatherTool())
agent = Agent(model=gpt-4o, server=server)

踩坑记录

1. Tool description 要写清楚 - description 写太模糊，Agent 就瞎调用
2. 参数名要和定义一致 - schema 校验严格
3. token 消耗大 - 复杂任务建议分步

总结

MCP 最大的价值是让 Agent 开发有了统一规范。工具和模型解耦，换模型不用改工具。有什么问题评论区聊。