Manus与MCP深度解析：原理解析与MCP Client实践教程

本文讲述了MCP 原理解析和作者的MCP Client实践，希望能实现一个自己的 agent，让 AI 不仅能与人交流，还能协助工作。文末附源码！

MCP（Model Context Protocol）是由Anthropic于2024年底提出并开源的一种协议，旨在为AI系统（如AI编程助手、Agent等）提供安全、标准化的数据访问方式。它采用客户端-服务器架构，使AI工具（如Claude Desktop、IDE插件等）能够通过MCP客户端与MCP服务端交互，访问本地或远程数据源。  

基础概念

基础概念讲解总结自官方文档

MCP 是客户端-服务端架构，一个 Host 可以连接多个 MCP Server。

• MCP Hosts（宿主程序）：如Claude Desktop、IDE等，通过MCP访问数据。  
• MCP Clients（客户端）：与服务器建立1:1连接，处理通信。  
• MCP Servers（服务端）：轻量级程序，提供标准化的数据或工具访问能力。  
• Local Data Sources（本地数据源）：如文件、数据库等，由MCP服务端安全访问。  
• Remote Services（远程服务）：如API、云服务等，MCP服务端可代理访问。

协议层与传输层





协议层（Protocol Layer）

• 负责消息封装（framing）、请求/响应关联、高级通信模式管理。

传输层（Transport Layer）

支持两种通信方式： 

1.Stdio传输（标准输入/输出）  

• 适用于本地进程间通信。

2.HTTP + SSE传输  

• 服务端→客户端：Server-Sent Events（SSE） 
• 客户端→服务端：HTTP POST 
• 适用于远程网络通信。

所有传输均采用JSON-RPC 2.0进行消息交换。  

消息类型

MCP 拥有多种类型的消息来处理不同的场景

请求（Request）（期望获得响应）

成功响应（Result）​​​​​​​

错误响应（Error）​​​​​​​

通知（Notification）（单向，无需响应）​​​​​​​

生命周期

类似于三次握手，MCP客户端与MCP服务端初始化建立连接会进行以下步骤：





初始化（Initialization）  

1.客户端发送请求（含协议版本、能力集）。  

2.服务端返回版本及能力信息。 

3.客户端发送通知确认。  

4.进入正常通信阶段。

消息交换（Message Exchange）  

当初始化完毕，就可以进行通信了，目前支持：

• 请求-响应模式（Request-Response）：双向通信。  

• 通知模式（Notification）：单向消息。

终止（Termination）  

有以下几种方式会关闭连接

• 主动关闭（）。  
• 传输层断开。 
• 错误触发终止。

实践

基础概念介绍完毕，接下来进行实践，我希望能实现一个自己的 agent，让 AI 不仅能和我交流，还能帮我干活。换一句话就是

myAgent is a general AI agent that turns your thoughts into actions. It excels at various tasks in work and life, getting everything done while you rest.

 [手动doge][手动doge]

先画一个图：





如图，要实现一个这样的效果，实现一个 myAgent，启动时，MCP Client建立与 MCP 服务端的连接，此时 MCP Server 上的能力或者可调用的工具会注册进来， 让 Client 感知到这个MCP服务能够干啥。

当用户与 Agent 进行交互时，Agent 会让 MCP Client 将用户的输入发送给 AI，让 AI 解析用户意图，一并发送的还有注册在 Client 上的能力集合。

我写了一个搜索助手的 MCP Server ，能力集的数据是这样的，可以看到目前只有一个 function，get_offers，可以看到工具里有它的名字，能力描述，需要的字段（包含字段类型，字段描述）。

AI 会理解用户意图，决定是否用自然语言回答用户，或者选择合适的工具，告诉 client，帮我调用它。

当输入  时，传给 AI 的 message 是这样的，这里系统预设了 AI 的一个身份，用于更好的完成特定领域的任务。​​​​​​​

此时 client 接收到 AI 的消息后，会解析数据，当没有工具要调用时

AI返回的是这样的：

可以看到，AI 返回是带有角色信息的，然后本次并没有识别到需要调用工具的地方，因此直接返回给用户就好，当然，在工程应用时，可以进行额外的逻辑处理。

让 AI 长出手，AI调用 MCP Server流程揭秘

当输入  时，输入是：

第一次AI 交互

AI返回的是​​​​​​​

可以看到，AI 识别到了用户的意图，是要寻找一些手表，并自动的选择了一个工具进行调用，根据工具使用说明，决定了选择的工具应该输入什么入参。(这里和模型很相关，是一个重要的节点，识别用户意图并决定要调用工具，有时识别的并不准确，或者返回的结构不是标准可解析的，这时就触发不了工具的调用，还会引入一些辣鸡信息，可能的解决方案是 换效果更好的模型，或者用提示词来约束模型返回，或者系统自己增加鲁棒性，提升成功率）

下面举一个效果不好的例子，大家如果知道有其他解决方法欢迎留言。

Client 调用 MCP Server

client 接收到AI 的消息后，发现要调用工具，并且也有了工具所需的参数，就会与通过协议与 MCP Server 进行通信，告诉 MCP Server 该使用 get_offers 能力了，并且期待 MCP Server 将结果返回回来：

获取 MCP Server 数据

 MCP Server 不负众望，将结果返回了，可以看看返回的格式是什么样的：

MCP Client 拿到数据后，再将数据发送给 AI，输入是这样的：​​​​​​​

第二次 AI 交互

最后，AI 将 MCPServer 的结果，进行总结润色，结构化返回：​​​​​​​

这里给了 它 10 个品 ，但是只总结了两个品，可能适合我之前的输入  有关，看来AI 也会偷懒😅。

实际效果manus 教程

实践后的总结

上面的交互过程，其实可以化简，如果在工程应用上，调用的 MCP Server 是一个预期内的结构化的结果或者触发某个任务时，可以不必进行二次 AI 调用。如上面的例子中，MCP Server 是一个搜索助手，内部发起调用的是搜索的接口，并进行结构化返回。此时在 AI 识别到用户意图并告诉 Client 该调用什么工具时，与 AI 的交互就可以结束了，由系统接管决定应该返回给用户什么，不必再将结果给到 AI 进行润色总结。

给到 AI 进行润色总结的好处是可以根据用户的输入，再结合工具获取的数据，更智能友好的返回给用户信息，这一点可以在工程应用时，进行衡量取舍。

将MCP Server 的结果交给 AI，在需要进行多轮交互场景是有必要的，根据 MCP Server的结果，进行分析及决策，动态调整要使用的工具，可以将一个复杂的任务交给 AI , 它会自己拆解成小任务，然后自动完成。 

对于该场景，也进行了一些实践。

例如，让Al agent拆解抽象任务，并自己主动与系统进行多轮交互，完成任务场景。

后续文章我们会详细介绍具体实现方法，讲讲如何让Al在我的电脑上玩起贪吃蛇？





附录

MCP Client代码 (Python实现)​​​​​​​

MCP Client代码 (TypeScript实现)

MCP Server 代码 (TypeScript实现)

SelectDB 实现日志高效存储与实时分析

企业级日志数据具有数据量巨大、写入和查询速度快、结构多样的特点，本方案基于阿里云云数据库 SelectDB 版构建高性能、低成本、分析能力强大的日志存储与分析解决方案，覆盖运维监控、安全审计、业务分析等场景，并通过智能索引与分级存储实现数据亚秒级检索。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集

​