定义与核心价值：#

MCP（Model Context Protocol，模型上下文协议）是一种开放标准协议，旨在标准化大型语言模型（LLM）与外部数据源、工具和服务之间的交互方式。其核心是通过客户端-服务器架构（包括MCP主机、MCP客户端和MCP服务器）实现安全、高效的通信，让AI模型能够动态访问外部资源（如文件、数据库、API），并执行具体任务（如数据查询、工具调用）。

并且具有以下特点：

1. 标准化接口：MCP提供统一的协议（类似USB-C接口），简化AI模型与多样化外部资源的连接，避免为每个工具单独开发定制集成。
2. 动态交互能力：支持双向实时通信，AI模型可主动发现工具、拉取数据或触发操作（如发送邮件、调整日程）。
3. 安全可控：通过权限管理和本地化数据处理，确保用户数据隐私和操作安全性（如用户授权访问本地文件）。
4. 生态开放性：作为开源协议，MCP支持开发者构建可复用的MCP服务器（工具提供方）和客户端（AI应用），促进工具生态扩展。

通用架构#

MCP 核心采用客户端-服务器架构，主机应用可以连接多个服务器

• MCP Hosts: 如 Claude Desktop、IDE 或 AI 工具，希望通过 MCP 访问数据的程序
• MCP Clients: 维护与服务器一对一连接的协议客户端
• MCP Servers: 轻量级程序，通过标准的 Model Context Protocol 提供特定能力
• 本地数据源: MCP 服务器可安全访问的计算机文件、数据库和服务
• 远程服务: MCP 服务器可连接的互联网上的外部系统（如通过 APIs

用一句话和一张很经典的图表示：

传统API如同给每个电器配不同插头，而MCP是AI世界的“万能插座”

1. 设计目标与定位#

2. 交互模式对比#

3. 开发与维护成本#

4. 安全与权限控制#

5. 适用场景推荐#

客户端-服务器架构#

MCP核心是其客户端-服务器架构，它旨在为大型语言模型（LLM）与外部世界之间的信息交换提供一个标准化、可扩展的框架 。这一架构并非简单的客户端与服务器的二元关系，而是一个由三个关键角色组成的“三位一体”交互模型：主机（Host）、客户端（Client）和服务器（Server）

传输层与通信方式#

MCP 支持多种传输方式，以适应不同的应用场景。根据官方文档，主要的传输方式包括：

• STDIO (标准输入/输出)：该方法主要用于本地集成场景，即 MCP 服务器与客户端在同一个环境中运行。例如，当一个桌面 AI 应用需要安全地访问本地文件系统时，通常会通过 STDIO 方式启动一个本地 MCP 服务器。这种方式适用于轻量级、同步的消息传递。
• HTTP+SSE (Server-Sent Events)：这是MCP官方支持的一种重要传输方式，专为远程集成设计。客户端通过标准的 HTTP 请求发送消息，而服务器则利用 SSE 技术向客户端进行流式响应和事件推送。这种方式能够有效地处理大量的异步、事件驱动的调用，是大多数生产级云服务的理想选择。

核心原理#

MCP采用基于JSON-RPC 2.0的轻量级通信协议，客户端（如AI应用）与服务器（工具/数据源）通过标准化消息格式交互。流程如下：

1. 请求发起

   • 客户端发送结构化JSON请求，包含：

     1
     {
     2
       "jsonrpc": "2.0",
     3
       "method": "tools/call",  // 方法名（如调用工具、查询数据）
     4
       "params": {              // 参数（工具名、输入数据等）
     5
         "name": "weather_query",
     6
         "arguments": { "city": "Beijing" }
     7
       },
     8
       "id": 1                 // 请求唯一标识
     

   • 请求通过HTTP/WebSocket或本地进程通信传输（如Claude Desktop使用stdio管道）。

2. 服务器处理

   • 服务器解析请求，验证参数合法性（如检查**city**是否存在）。
   • 执行实际操作（如调用天气API、查询数据库）。
   • 若需异步处理（如大文件读取），返回**pending**状态并轮询结果。

3. 响应返回

   • 成功响应：

   1
   {
   2
     "jsonrpc": "2.0",
   3
     "result": {             // 返回数据
   4
       "temperature": "25°C",
   5
       "humidity": "60%"
   6
     },
   7
     "id": 1
   8
   }
   

   • 错误响应：

   1
   {
   2
     "jsonrpc": "2.0",
   3
     "error": {
   4
       "code": -32601,       // 标准错误码（如方法不存在）
   5
       "message": "Tool not found"
   6
     },
   7
     "id": 1
   8
   }
   

关键特性

• 幂等性：相同请求多次执行结果一致（如查询操作）。
• 状态管理：通过**id**匹配请求与响应，避免乱序问题。
• 传输层无关：支持HTTP、WebSocket、gRPC等多种协议（参考Model Context Protocol官方文档）。

工具调用与数据交互流程#

完整交互链路

以“AI查询数据库并返回结果”为例

必要工具与依赖（Node.js、Python等）#

Node.js

Python

常见MCP客户端#

1. Claude-code
2. Claude Desktop
3. Cherry Studio
4. cursor

STDIO (标准输入/输出) 的使用#

该方法主要用于本地集成场景，即 MCP 服务器与客户端在同一个环境中运行 。例如，当一个桌面 AI 应用需要安全地访问本地文件系统时，通常会通过 STDIO 方式启动一个本地 MCP 服务器 。这种方式适用于轻量级、同步的消息传递 。

1. 配置mcp的python-sdk

python-sdk

根据提示一步一步安装uv等配置

1
mkdir mcp-server-demo # 创建 mcp-server-demo 目录
2
uv init mcp-server-demo
3
cd mcp-server-demo
4
uv add "mcp[cli]" # 安装mcp的SDK

然后使用IDE打开mcp-server-demo目录就会发现已经配置好了

2. 创建一个简单的 MCP 服务器，它提供计算工具和一些数据，这里依旧使用官方给出的demo，最后不要忘了在最后添加主程序入口点

1
"""
2
FastMCP quickstart example.
3

4
cd to the `examples/snippets/clients` directory and run:
5
    uv run server fastmcp_quickstart stdio
6
"""
7

8
from mcp.server.fastmcp import FastMCP
9

10
# Create an MCP server
11
mcp = FastMCP("Demo")
12

13
# Add an addition tool
14
@mcp.tool()
15
def add(a: int, b: int) -> int:
16
    """Add two numbers"""
17
    return a + b
18

19
# Add a dynamic greeting resource
20
@mcp.resource("greeting://{name}")
21
def get_greeting(name: str) -> str:
22
    """Get a personalized greeting"""
23
    return f"Hello, {name}!"
24

25
# Add a prompt
26
@mcp.prompt()
27
def greet_user(name: str, style: str = "friendly") -> str:
28
    """Generate a greeting prompt"""
29
    styles = {
30
        "friendly": "Please write a warm, friendly greeting",
31
        "formal": "Please write a formal, professional greeting",
32
        "casual": "Please write a casual, relaxed greeting",
33
    }
34

35
    return f"{styles.get(style, styles['friendly'])} for someone named {name}."
36

37
# 添加主程序入口点
38
if __name__ == "__main__":
39
    # 启动服务器，使用标准输入/输出作为通信通道
40
    mcp.run(transport="stdio")

3. 使用stdio客户端测试mcp

这里使用的客户端是Cherry Studio

选择MCP服务器，点击快速创建

分别在类型选择：stdio，命令使用：uv

参数填以下（注意<your_path>需要填写你自己的路径:

1
--directory
2
/<your_path>/mcp-server-demo
3
run
4
main.py

然后保存后使用大模型调用mcp服务

另外一个mcp我使用的是一个开源的mcp服务器， VirusTotal MCP Server，是一个让AI结合威胁情报进行深入分析、基于 Model Context Protocol (MCP) 开发的 VirusTotal API 调用工具，为用户提供文件、IP地址、域名和URL的威胁情报查询功能，并将得到的数据喂给AI进行二次分析，提升威胁情报分析能力并给予处置建议。

从github把项目拉到本地，然后根据提示填写好对应的api_key就好。

实现效果如下：

我来帮您查询IP地址146.190.70.24的物理位置，并分析是否为恶意IP。

首先查询IP地址的物理位置：

现在让我查询这个IP地址的信誉信息，分析是否为恶意IP：

现在让我对这个IP地址进行更深入的风险分析，包括风险画像和身份验证：

根据查询结果，我来为您详细分析IP地址146.190.70.24的物理位置和安全性：

📍 物理位置信息#

基本信息：

• IP地址: 146.190.70.24
• 大洲: 北美洲
• 国家: 美国
• 州/省: 新泽西州
• 城市: 北伯根 (North Bergen)
• 邮编: 07047
• 时区: UTC-5
• 经纬度: 40.804267, -74.012084
• 定位精度: 城市级

网络信息：

• 所属机构: DigitalOcean, LLC
• 互联网服务提供商: DigitalOcean, LLC
• 自治系统号: 14061
• 数据来源: 数据挖掘

---

🔒 安全信誉分析#

恶意检测结果#

根据VirusTotal的多引擎扫描结果：

总体统计：

• 🔴 恶意: 6个引擎检测
• 🟡 可疑: 3个引擎检测
• 🟢 无害: 56个引擎检测
• ⚪ 未检测: 29个引擎
• ⏰ 超时: 0个引擎

检测到威胁的引擎详情#

🔴 恶意检测 (6个引擎)#

1. Criminal IP - 检测为”malicious”
2. ArcSight Threat Intelligence - 检测为”malware”（恶意软件）
3. Cyble - 检测为”malicious”
4. CyRadar - 检测为”malicious”
5. Fortinet - 检测为”malware”（恶意软件）
6. SOCRadar - 检测为”malware”（恶意软件）

🟡 可疑检测 (3个引擎)#

1. alphaMountain.ai - 检测为”suspicious”
2. AlphaSOC - 检测为”suspicious”
3. Gridinsoft - 检测为”suspicious”

🟢 主要安全引擎检测结果#

大多数知名安全引擎将其标记为安全，包括：

• Acronis: clean
• BitDefender: clean
• ESET: clean
• Google Safebrowsing: clean
• Kaspersky: unrated (未评级)
• Sophos: clean
• TrendMicro: clean
• Microsoft: clean
• Fortinet: malware (检测为恶意)

---

🚨 综合风险评估#

风险等级：高风险#

判断依据：#

⚠️ 高风险因素#

1. 多个权威引擎检测为恶意：
   • Fortinet、ArcSight、SOCRadar等知名安全厂商都检测为恶意软件
   • 共6个引擎标记为恶意，比例较高
2. 云服务商IP被滥用：
   • 属于DigitalOcean（知名云服务提供商）
   • 云服务器IP经常被黑客租用进行恶意活动
3. 恶意活动多样性：
   • 检测结果包括”malicious”、“malware”等多种恶意类型
   • 表明可能涉及多种恶意活动

📊 风险评分#

• VirusTotal信誉分数: 0（低信誉）
• 恶意检测率: 6.7% (6/94)
• 可疑检测率: 3.2% (3/94)
• 总体风险: 中高风险

---

💡 建议措施#

🚫 立即行动#

1. 阻止访问：建议在防火墙中阻止此IP访问您的网络
2. 监控日志：检查是否有来自此IP的可疑活动记录
3. 安全加固：检查可能被此IP攻击的系统和服务

🔍 进一步调查#

1. 联系DigitalOcean：可以通过abuse@digitalocean.com报告此IP的恶意活动
2. 威胁情报：收集更多关于此IP的威胁情报信息
3. 行为分析：分析此IP的行为模式，确定攻击类型

🛡️ 长期防护#

1. IP信誉管理：建立IP信誉黑名单机制
2. 云服务监控：加强对来自云服务商IP的监控
3. 实时威胁检测：部署实时威胁检测系统

---

📋 结论#

IP地址146.190.70.24被评估为高风险恶意IP，主要原因是：

1. 地理位置：位于美国新泽西州的DigitalOcean云服务器
2. 安全信誉：被6个权威安全引擎检测为恶意，3个检测为可疑
3. 风险特征：云服务器IP被广泛用于恶意软件分发和其他网络攻击活动
4. 建议处置：立即阻止此IP访问，并进行进一步的安全调查

强烈建议将此IP列入黑名单，并采取相应的安全防护措施。

SSE（Server-Sent Events）的使用#

1. 客户端

依旧使用的是Cherry Studio，在设置处的mcp设置可以使用同步服务器。

可以选择不同的服务提供商，只需配置好相应的API即可

2. MCP服务器

这里使用的是 埃文IP定位MCP，配置好相应的key即可

然后在Cherry Studio即可同步相应的mcp服务，简单易上手

测试一下效果