跳至主要內容

MCP 协议深入解析

老张2026/4/18大约 10 分钟AI面试MCPModel Context ProtocolAI工具调用

MCP 协议深入解析

MCP（Model Context Protocol）是 Anthropic 提出的 AI 工具集成标准协议，被称为 AI 时代的"USB 接口"。2025 年起已成为 Cursor、Claude Desktop、Windsurf 等主流 AI IDE 的事实标准，也是 2026 年 Java AI 工程师面试的高频考点。

写在前面

字节、阿里、腾讯的 AI 岗面试已开始考察 MCP 相关知识。面试官常问：MCP 解决了什么问题？它和 Function Calling 有什么本质区别？MCP Server 的三类能力是什么？如何用 Spring AI 实现一个 MCP Server？ 本文系统梳理 MCP 核心原理与 Java 实战，帮你做到知其然更知其所以然。

MCP 是什么，为什么需要它

没有 MCP 之前的痛点

在 MCP 出现之前，每个 AI 应用要集成外部工具，都需要单独适配：

  • ChatGPT Plugin 有自己的接口规范
  • Claude 有自己的工具集成方式
  • Cursor IDE 有自己的工具调用协议
  • 企业自研 AI 应用又是另一套实现

结果：N 个 AI 应用 × M 个工具 = N×M 的集成工作量，且给 Claude 写的数据库工具，无法直接给 Cursor 或自研应用使用，工具完全无法复用。

MCP 的价值：N+M 替代 N×M

没有 MCP（碎片化集成）：
Claude   ──── 数据库适配器 A
Cursor   ──── 数据库适配器 B
自研应用  ──── 数据库适配器 C

有了 MCP（标准化集成）：
Claude  ─┐
Cursor  ─┤── MCP Client ──── 数据库 MCP Server（一次开发，处处复用）
自研应用 ─┘

类比 USB：USB 出现前每种设备专有接口，USB 出现后一种标准接口连接所有设备。MCP 就是 AI 工具集成领域的 USB 接口。

MCP 于 2024 年 11 月由 Anthropic 开源，2025 年 OpenAI、Google、微软、阿里等主流厂商相继宣布支持，迅速成为行业事实标准。

MCP vs Function Calling 的区别

这是面试最高频的问题，很多人混淆两者。

对比维度Function CallingMCP
定位LLM 调用工具的通信协议（应用内部）AI 应用与外部工具服务集成的标准协议（跨系统）
作用范围单个 AI 应用内部跨 AI 应用、跨语言、跨团队
工具复用同一工具代码无法跨应用复用工具一次开发，所有 MCP Host 均可使用
部署方式工具逻辑与 AI 应用耦合部署工具作为独立 MCP Server 部署，独立维护
实现语言通常与宿主应用同语言任意语言均可实现 MCP Server
发现能力工具列表在代码中静态定义Client 运行时动态发现 Server 提供的所有工具
典型场景Spring AI @Tool 注解、OpenAI tools 参数Cursor 连接数据库、Claude Desktop 操作文件系统

一句话总结：Function Calling 是 LLM 调用工具的"通话方式"，MCP 是工具服务的"标准插槽"——两者是不同层面的东西，MCP Server 内部实现工具时仍然用到 Function Calling 的思想。

MCP Server 架构：三类核心能力

下图展示了 MCP 的标准化集成架构，Host 应用通过统一的 MCP 协议连接多个不同类型的 Server：

MCP Server 向 Host 暴露三类标准能力，外加一个反向能力：

Tools（可调用函数）

最核心的能力，代表 LLM 可以主动触发的操作：

特点：有副作用（写数据库、发邮件、调 API）
触发方：LLM 根据用户意图自主决定是否调用
示例：executeSQL、sendEmail、createGitIssue、callRestAPI

Resources（可读取内容）

类似文件系统中的只读文件，供 LLM 获取上下文信息：

特点：只读，提供结构化或非结构化内容
触发方：LLM 或 Host 按需读取
示例：数据库 Schema、API 接口文档、配置文件内容、日志片段

Prompts（提示词模板）

预定义的提示词片段，可以带参数，供 Host 复用：

特点：可参数化的复用提示词
触发方：Host 在特定场景下调用
示例：代码 Review 规范模板、SQL 优化提示、Bug 分析模板

Sampling（反向 LLM 调用）

MCP Server 反向请求 Host 执行 LLM 推理，工具服务无需自持 API Key：

场景：MCP Server 处理工具请求时需要 AI 辅助（如生成摘要）
优势：工具服务无需维护 LLM 连接和 API Key，借用 Host 的 LLM 能力

传输层选择

传输方式适用场景说明
stdio本地 IDE 集成Client 通过 stdin/stdout 通信，延迟低，不支持远程
Streamable HTTP生产环境（推荐）2025 年新规范，支持多用户并发，灵活支持流式响应
SSE兼容旧系统已被 Streamable HTTP 取代，仍广泛兼容

Java 实现 MCP Server 示例代码

以下用 Spring AI + MCP Java SDK 实现一个业务数据查询 MCP Server。

Maven 依赖

<parent>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-parent</artifactId>
    <version>3.4.0</version>
</parent>

<dependencies>
    <!-- Spring AI MCP Server Starter -->
    <dependency>
        <groupId>org.springframework.ai</groupId>
        <artifactId>spring-ai-mcp-server-spring-boot-starter</artifactId>
    </dependency>
    <!-- HTTP 传输（生产推荐） -->
    <dependency>
        <groupId>org.springframework.boot</groupId>
        <artifactId>spring-boot-starter-web</artifactId>
    </dependency>
    <dependency>
        <groupId>org.springframework.boot</groupId>
        <artifactId>spring-boot-starter-jdbc</artifactId>
    </dependency>
</dependencies>

<dependencyManagement>
    <dependencies>
        <dependency>
            <groupId>org.springframework.ai</groupId>
            <artifactId>spring-ai-bom</artifactId>
            <version>1.0.0</version>
            <type>pom</type>
            <scope>import</scope>
        </dependency>
    </dependencies>
</dependencyManagement>

application.yml

spring:
  application:
    name: business-data-mcp-server
  ai:
    mcp:
      server:
        name: 业务数据查询服务
        version: 1.0.0
        type: SYNC
        transport: HTTPSSE       # 生产用 HTTP；本地 IDE 用 STDIO
        instructions: |
          提供对业务数据库的只读查询能力。
          支持：查询销售数据、库存信息、客户信息、查看表结构。
          限制：只允许 SELECT 查询，不允许修改数据。
server:
  port: 8080

MCP Server 工具实现

@Service
@Slf4j
public class DatabaseMcpTools {

    private final JdbcTemplate jdbcTemplate;
    private final ObjectMapper objectMapper;

    // 安全白名单：只允许查询这些表
    private static final Set<String> ALLOWED_TABLES = Set.of(
        "orders", "products", "customers", "inventory"
    );

    /**
     * Tool 1：执行业务数据查询
     */
    @Tool(description = "在业务数据库中执行 SELECT 查询，返回 JSON 数据。只允许查询白名单内的表。")
    public String executeQuery(
            @ToolParam(description = "SQL SELECT 语句") String sql,
            @ToolParam(description = "最大返回行数，默认 50，上限 500") Integer limit) {

        String trimmed = sql.trim().toLowerCase();

        // 安全校验：只允许 SELECT
        if (!trimmed.startsWith("select")) {
            return "安全限制：只允许 SELECT 查询。";
        }

        // 安全校验：白名单表名
        boolean hasAllowedTable = ALLOWED_TABLES.stream()
            .anyMatch(table -> trimmed.contains(table));
        if (!hasAllowedTable) {
            return "安全限制：只允许查询以下表：" + ALLOWED_TABLES;
        }

        // 安全校验：禁止危险关键词
        List<String> dangerKeywords = List.of("drop", "delete", "update", "insert", "alter");
        for (String kw : dangerKeywords) {
            if (trimmed.contains(kw)) {
                return "安全限制：查询包含非法关键词：" + kw;
            }
        }

        try {
            int maxLimit = Math.min(limit != null ? limit : 50, 500);
            String safeSql = sql.trim().replaceAll(";\\s*$", "") + " LIMIT " + maxLimit;
            List<Map<String, Object>> results = jdbcTemplate.queryForList(safeSql);
            log.info("MCP executeQuery: {} 条结果", results.size());
            return objectMapper.writeValueAsString(results);
        } catch (Exception e) {
            log.error("SQL 查询失败: {}", sql, e);
            return "查询失败：" + e.getMessage();
        }
    }

    /**
     * Tool 2：查看表结构（Resource 概念的 Tool 形式实现）
     */
    @Tool(description = "查看指定表的列名、数据类型和注释，用于了解数据结构再生成 SQL")
    public String describeTable(
            @ToolParam(description = "表名，如：orders、products") String tableName) {

        if (!ALLOWED_TABLES.contains(tableName.toLowerCase())) {
            return "只允许查看以下表：" + ALLOWED_TABLES;
        }

        try {
            List<Map<String, Object>> columns = jdbcTemplate.queryForList(
                "SELECT COLUMN_NAME, DATA_TYPE, COLUMN_COMMENT, IS_NULLABLE " +
                "FROM INFORMATION_SCHEMA.COLUMNS " +
                "WHERE TABLE_SCHEMA = DATABASE() AND TABLE_NAME = ? " +
                "ORDER BY ORDINAL_POSITION",
                tableName
            );
            return objectMapper.writeValueAsString(columns);
        } catch (Exception e) {
            return "查询表结构失败：" + e.getMessage();
        }
    }

    /**
     * Tool 3：列出所有可用表（Prompt/引导类能力）
     */
    @Tool(description = "列出所有可查询的业务数据表及其说明，查询前应先调用此工具了解有哪些数据")
    public String listAvailableTables() {
        return """
            可用表：
            - orders：订单表（订单号、金额、状态、用户ID、创建时间）
            - products：商品表（商品名称、价格、分类、库存数量）
            - customers：客户表（客户名称、注册时间、等级、联系方式）
            - inventory：库存表（商品ID、仓库、库存数量、最后更新时间）
            """;
    }
}

在 Cursor 中配置使用

在项目目录创建 .cursor/mcp.json：

{
  "mcpServers": {
    "business-data": {
      "url": "http://localhost:8080/sse",
      "transport": "sse",
      "description": "公司业务数据库查询工具"
    }
  }
}

Claude Desktop 使用 stdio 模式配置（claude_desktop_config.json）：

{
  "mcpServers": {
    "business-data": {
      "command": "java",
      "args": ["-jar", "/path/to/business-mcp-server.jar"],
      "env": { "DB_USER": "user", "DB_PASS": "password" }
    }
  }
}

国内大厂使用 MCP 的场景

阿里巴巴：通义 AI 平台（百炼）已全面支持 MCP，开发者可以将自定义 MCP Server 接入通义千问模型。阿里云内部将 MCP 用于 AI 客服工具链，连接订单系统、库存系统等业务系统，实现"一个 Agent 处理跨系统业务查询"。

腾讯：腾讯云 AI Agent 平台（元器）支持 MCP 协议，微信团队将 MCP 用于企业微信机器人与内部知识库、OA 系统的标准化集成，减少重复开发工作。

字节跳动：Trae IDE（字节 AI 编程工具）原生支持 MCP，内部 AI 效能平台用 MCP Server 将 Lark（飞书）文档、代码仓库、监控系统接入 AI 工具链，工程师可以用自然语言查询线上告警并联动代码库分析原因。

共同趋势：大厂将 MCP 作为 AI 工具集成的基础设施层，把原来碎片化的 AI 集成统一为标准化的 MCP Server 生态，减少 N×M 的集成成本，让每个业务系统只需维护一个 MCP Server 实现，即可接入全公司所有 AI 应用。

高频面试题

Q1：MCP 协议解决了什么问题？

MCP 解决了 AI 工具集成的碎片化问题。没有 MCP 之前，每个 AI 应用集成每个外部工具都需要单独适配，N 个应用 × M 个工具 = N×M 的工作量，且工具无法跨应用复用。MCP 统一了工具集成协议标准，工具只需实现一次 MCP Server，所有支持 MCP 的 AI 应用都能直接使用，将工作量降为 N+M，并且工具可以独立部署、独立维护、跨团队共享。

Q2：MCP 和 Function Calling 有什么本质区别？

Function Calling 是 LLM 与工具通信的协议（应用内部），描述 LLM "怎么调用工具"；MCP 是 AI 应用与外部工具服务之间的集成标准（跨系统），描述工具服务"怎么被所有 AI 应用发现和使用"。两者不互斥：MCP Server 内部实现工具时，仍然利用了 Function Calling 的思路来定义工具的入参/出参；而 MCP 解决的是工具的"标准化打包和跨应用分发"问题，Function Calling 无法解决这一点。

Q3：MCP Server 的 Tools、Resources、Prompts 三类能力各适用于什么场景？

Tools 适合有副作用的操作（写数据、发消息、调 API），LLM 主动决定是否触发；Resources 适合提供只读上下文信息（数据库 Schema、接口文档、配置内容），类似文件系统的读取操作；Prompts 适合封装可复用的提示词模板（Code Review 规范、SQL 优化提示），供 Host 在特定场景复用。三类能力分工不同，一个 MCP Server 可以同时提供多种类型。

Q4：stdio 和 Streamable HTTP 传输方式如何选择？

stdio 适合本地 IDE 集成（Cursor/Claude Desktop），Client 通过标准输入输出与 Server 子进程通信，不支持远程访问和多用户并发；Streamable HTTP 适合生产环境部署，基于 HTTP 支持多用户、支持远程访问，是 2025 年 MCP 新规范推荐的方式。选择原则：个人本地开发用 stdio（零网络配置），企业生产服务用 Streamable HTTP（可扩展、可监控）。

Q5：如何保证 MCP Server 的安全性？

四个层面：1）工具权限最小化，数据库工具只允许 SELECT，文件工具只允许读特定目录；2）输入验证，白名单表名/路径过滤、SQL 危险关键词拦截；3）认证授权，HTTP 模式下加 Bearer Token 或 mTLS，防止未授权调用；4）审计日志，记录所有工具调用的参数和结果，便于安全审计和问题排查。生产 MCP Server 不应将数据库写权限、文件系统写权限等高风险能力暴露给 LLM。

知识星球深度内容

完整大厂面经（含详细答案、最新更新）、AI 项目源码、1v1 简历修改，扫码加入「AI 工程师加速社区」知识星球获取 👉 立即加入

编辑此页
最近更新:
贡献者: xiaozhangge