LLM&MCP

tools

发布日期: 2025-04-26

文章字数: 2.7k

阅读时长: 10 分

阅读次数:

一、术语解释及用途

LLM（大语言模型）

是什么：像GPT这样的大规模人工智能模型，通过海量文本数据训练，能理解、生成人类语言。
用途：写文章、回答问题、翻译、聊天机器人等。比如客服系统用它自动回复用户问题。

MCP（模型控制面板）

是什么：一个管理模型的“控制台”，类似手机的设置菜单，用来配置模型参数、分配任务。
用途：让开发者调整模型行为（比如限制回答敏感内容），或切换不同模型处理任务。比如用MCP让客服模型在遇到技术问题时转接给专业模型。

A2A（智能体协作）

是什么：多个智能体（Agent）互相配合完成任务，像团队分工合作。
用途：复杂任务拆分。例如电商场景：A智能体分析用户需求，B智能体查库存，C智能体生成订单，协作完成购物流程。

二、部署智能体环境

角色：Traefik 是一个“交通警察”，负责管理不同服务之间的请求路由（比如把用户请求导向正确的模型）

部署步骤
1. 装Traefik：在服务器上安装，配置网络规则。
2. 连LLM：设置Traefik将用户请求转发给LLM（如调用GPT接口）。
3. 接MCP：通过Traefik让MCP管理模型配置，比如动态切换模型版本。
4. A2A协作：配置Traefik识别不同智能体的任务，自动转发请求（如用户问天气，转到天气模型；问翻译，转到翻译模型）。

国外的Cursor

角色：Cursor 类似一个“智能积木板”，提供可视化界面拖拽组件搭建智能体，内置LLM和MCP支持。

部署步骤
1. 选模板：在Cursor界面选择“客服机器人”模板，自动生成基础代码。
2. 绑模型：连接LLM（如Claude）和MCP，设置模型权限和参数。
3. 设协作：用图形化界面定义智能体间的协作规则（比如A处理不了时自动转B）。
4. 一键部署：导出代码到服务器，或直接通过Cursor云服务运行。

三、举个实际例子

假设你要做一个智能客服：

用Traefik：需要手动配置路由规则，把用户问题分给不同模型，再通过MCP调整模型参数，A2A则需要写代码定义协作逻辑。
用Cursor：拖拽“问题分类”组件→连接LLM→设置MCP管理模型→用连线定义“转人工”规则，点击发布即可。

总结

LLM是“能说会道”的大脑，MCP是它的“遥控器”，A2A是团队合作模式。
Traefik适合定制化开发（需技术基础），Cursor适合快速搭建（拖拽操作）。

实践

哪些平台支持MCP查询

github查看:
MCP官方资源https://github.com/modelcontextprotocol/servers
MCP热门资源:https://github.com/punkpeye/awesome-mcp-servers
其它平台
Glama: https://glama.ai/mcp/servers
Smithery:https://smithery.ai
cursor: https://cursor.directory
MCPso(高德地图): https://mcp.so/zh
阿里云百炼:https://bailian.console.aliyun.com/?tab=mcp#/mcp-market

配置模型apikey：
硅基流动：https://siliconflow.cn/zh-cn/models
deepseek:https://platform.deepseek.com/
MCP的通信机制

根据 MCP 的规范，当前支持两种通信机制(传输方式)
stdio(标准输入输出):主要用在本地服务上，操作你本地的软件或者本地的文件。比如 Blender 这种就只能用 Stdio 因为他没有在线服务。 MCP默认通信方式
SSE(Server-Sent Events服务器发送事件):主要用在远程通信服务上，这个服务本身就有在线的 API，比如访问你的谷歌邮件，天气情况等

MCP的通信机制:stdio方式
优点
这种方式适用于客户端和服务器在同一台机器上运行的场景，简单,stdio模式无需外部网络依赖，通信速度快，适合快速响应的本地应用。
可靠性高，且易于调试
缺点
stdio 的配置比较复杂，我们需要做些准备工作，你需要提前安装需要的命令行工具。stdio模式为单进程通信，，无法并行处理多个客户端请求，同时由于进程资源开销较大，不适合在本地运行大量服务。(限制了其在更复杂分布式场景中的使用)

MCP的通信机制:SSE方式
场景
SSE方式适用于客户端和服务器位于不同物理位置的场景，适用于实时数据更新、消息推送、轻量级监控和实时日志流等场景对于分布式或远程部署的场景，基于 HTTP 和 SSE 的传输方式则更为合适
优点
配置方式非常简单，基本上就一个链接就行，直接复制他的链接填上就行

安装uvx环境

python

方法1：pip install uv
方法2：
powershell -ExecutionPolicy ByPass -c “irm https://astral.sh/uv/install.ps1 | iex “
uv –version
uv –help

TypeScript
VS Code 安装Cline
安装node.js即可
npx（bun）
Bun: https://github.com/oven-sh/bun/releases
UV: https://github,com/astral-sh/uv/releases

MCP 遵循客户端-服务器架构(client-server)，其中包含以下几个核心概念
MCP 主机(MCP Hosts)
MCP 客户端( MCP clients )
MCP 服务器( MCP Servers )
本地资源( Local Resources)
远程资源( Remote Resources )

1：MCP Host
作为运行 MCP 的主应用程序，例如 claude Desktop、cursor、 cline 或 AI 工具。
为用户提供与LLM交互的接口，同时集成 MCP client 以连接 MCP Server。

2：MCP Client
MCP client 充当 LLM 和 MCP server 之间的桥梁，嵌入在主机程序中，主要负责
接收来自LLM的请求;
将请求转发到相应的 MCP server
将 MCP server 的结果返回给 LLM

有哪些常用的clients
MCP 官网(https://modelcontextprotocol.io/clients) 列出来一些支持 MCP 的 clients。
分为两类:
AI编程IDE:Cursor、Cline、Continue、Sourcegraph、Windsurf等聊天客户端:Cherry Studio、Claude、Librechat、chatwise等
更多的client参考这里:MCP Clients: https://www.pulsemcp.com/clients
Awesome MCP Clients: https://github.com/punkpeye/awesome-mcp-clients/

3：MCP Server
stdio的方式
与传统的远程 API 服务器不同，MCP 服务器既可以作为本地应用程序在用户设备上运行，也可部署至远程服务器。SSE的方式
比如你让助手“帮我査航班信息”>它调用航班査询 API
“算一下 37% 折扣后多少钱” →它运行计算器函数
作用:让 LLM 不仅能“说”，还能“做”(执行代码、查询数据等)

cherry studio

cherry studio 是一款集多模型对话、知识库管理、AI绘画、翻译等功能于一体的全能 AI 助手平台。支持 windows，Linux和 Mac。
同时，cherrystudio提供了一个简洁便于操作的可视化页面，通过简单的配置即可开启MCP服务。非常适合大众用户用于构建“低代码智能流程“
Cherry Studio的下载地址:https://cherry-ai.com/

热门MCP Servers推荐
推荐1:文件系统 filesystem
Filesystem McP 旨在为大型语言模型(LLM)和 AI 助手提供对本地文件系统的安全、受控访问。
主要功能:
文件读写:允许读取和写入文件内容，支持创建新文件或覆盖现有文件。
目录管理:支持创建、列出和删除目录，以及移动文件或目录。
文件搜索:能够在指定路径中搜索匹配特定模式的文件或目录。
元数据获取:提供获取文件或目录的详细元数据，包括大小、创建时间、修改时间、访问时间类型和权限等信息。

推荐2:数据库 mysqldb-mcp-server
-种模型上下文协议(MCP)实现，支持与 MySaL数据库进行安全交互。此服务器组件可促进 AI应用程序(主机/客户端)与 MySQL数据库之间的通信，提供安全的 MvSQL数据库操作，通过受控接口使数据库探索和分析更安全、更有条理。

推荐3:高德地图 amap-maps
官
高德地图是一个支持任何 MCP 协议客户端的服务器，允许用户轻松地利用高德地图 MCP 服务器进行各种基于位置的服务。
高德地图的主要特点
支持多种位置服务，包括地理编码、天气和距离测量
提供步行、驾车、公交等多种交通方式的 API
允许根据关键字或位置详细搜索兴趣点(POI)

推荐4:网页数据采集 Firecrawl
Firecrawl MCP 工具是一款基于模型上下文协议(MCP)的企业级网页数据采集服务器。能够为大型语言模型(LLM)提供强大的网页抓取能力。
主要功能
Javascript 渲染:能够处理动态网页内容，突破传统抓取工具的局限，获取更全面的数据批量处理:支持并行处理和队列管理，提高数据抓取效率。
智能限速:根据网络状况和任务需求智能调整抓取速度，避免对目标网站造成过大压力。多种输出格式:支持将抓取的内容转换为 Markdown、HTML等格式，满足不同场景的需求
说明:去firecrawl官网注册后即可查看自己的apikey

推荐5:Github
GitHub MCP 服务器是一个模型上下文协议 (MCP)提供与 GitHub API无缝集成的服务器，从而实现面向开发人员的高级自动化工具和交互功能
使用案例:
自动化 GitHub 工作流程和流程
从 GitHub 存储库中提取和分析数据:
构建与 GitHub 生态系统交互的 A驱动的工具和应用程序。
说明:去https://github.com/settings/tokens 申请自己的token

推荐6:Git
用于 Git 存储库交互和自动化的模型上下文协议服务器
直接的Git仓库操作，包括读取、搜索和分析本地仓库

推荐7:记忆图谱 memory
基于知识图谱的长期记忆系统用于维护上下文
使用本地知识图谱的持久内存的基本实现。这使 claude 可以在聊天中记住有关用户的信息。

推荐8:控制台 desktop-commander
在计算机上无缝执行终端命令和管理流程。使用强大的命令执行和文件作工具简化您的开发任务。

推荐9:社交软件 slack
用于 slack API的 MCP 服务器，个使 LLM 能够与 slack 工作区进行交互，用于频道管理和消息传递。
说明:去https://app.slack.com/intl/zh-cn注册并获取自己的team id