Anthropic 的 Claude 3.7 Sonnet 模型通过 MCP 协议连接现实世界，降低 AI 应用开发门槛，开启 AI 无处不在的未来。
原文标题：MCP：跨越AI模型与现实的桥梁
原文作者：阿里云开发者
冷月清谈：
文章还提供了 MCP Server 的开发、部署和集成指南，包括使用 Python SDK 创建服务器、安装和调试 MCP 服务等步骤。此外，还列举了支持 MCP Server 的客户端，并介绍了多个 MCP Server 的资源平台。通过这些详细的实践指导，开发者可以更好地理解和应用 MCP，从而构建出更智能、更实用的 AI 应用。
怜星夜思：
2、MCP 协议被称为 AI 领域的“USB-C”，你觉得这个比喻是否准确？MCP 协议在实际应用中，是否真的能像 USB-C 一样实现即插即用？
3、文章中提到了 MCP 在购物、健康管理、旅行规划等方面的应用，你觉得在哪些领域 MCP 还能发挥更大的作用？有没有一些你认为很有前景，但文章中没有提到的应用场景？
原文内容
阿里妹导读
本文主要围绕AI技术的进步，特别是Anthropic的Claude 3.7 Sonnet模型在逻辑推理、代码生成和复杂任务执行方面的能力提升及其应用场景。
一、引言
-
Cursor 报告称其在实际编码任务中“再次成为最佳”，特别是在处理复杂代码库和高级工具使用方面。
-
Cognition 发现它在规划代码更改和处理全栈更新方面远超其他模型。
-
Vercel 强调其在复杂代理工作流中的“卓越精度”。
-
Replit 成功使用它从头构建复杂的网络应用程序和仪表板，而其他模型则停滞不前。
-
Canva 报告其生成的代码“生产就绪”，错误显著减少。
-
https://www.anthropic.com/news/claude-3-7-sonnet
-
https://www.anthropic.com/claude/sonnet#customer-stories
二、Claude 3.7：技术突破与能力提升
模型概述
-
知识截止日期：截至 2024 年 10 月底，训练数据包括 2024 年 11 月之前的数据。
-
训练数据：使用专有混合数据，包括公共互联网、非公开第三方数据、数据标注服务和内部生成数据，不包括用户提示/输出数据，遵循 robots.txt 爬取规则，不访问密码保护或 CAPTCHA 页面。
-
训练重点：注重帮助性、无害性和诚实性，使用 Constitutional AI，并新增了从 Collective Constitutional AI 研究中得出的残疾权利原则。
-
扩展思考模式：通过令牌序列进行推理，允许用户通过系统提示指定最大思考令牌数，特别适用于数学、复杂分析和多步骤任务。
各种安全评估
-
自主网络操作：在现实评估中，Claude 3.7 Sonnet 在易任务中 1/1 成功（Pass@5），中任务 1/2 成功。
-
Cybench 基准：在 40 个 CTF 挑战中，成功 15/34 次，与 3.5 Sonnet (new) 的 14/34 比较。
-
破坏能力：评估未来 AI 系统可能破坏评估或影响开发者的行为，引用相关研究。
为什么这么多的安全评估？
案例
天气动画卡片
生成SVG图
设计风格对比(内容对比)
教学动画
-
坐标系:
-
绘制一个笛卡尔坐标系，x轴和y轴用白色标注。
-
x轴水平位于底部，标记点 0 和 1；y轴垂直位于左侧，标记点 0 和 1。
-
关键点:
-
用不同颜色的点标记并用白色文本标注以下位置：
-
点 A (0, 0)：原点，用黄色点标记。
-
点 B (0, 1)：y轴上，用红色点标记。
-
点 C (1, 1)：右上角，用紫色点标记。
-
点 D (1, 0)：x轴上，用黄色点标记。
-
矩形:
-
用浅蓝色线条连接 A、B、C、D 四点，形成一个正方形。
-
参数曲线:
-
在正方形内绘制一条黄色的半圆形曲线，向上拱起，表示参数曲线 ( x(t) ) 和 ( y(t) )。
-
阴影区域:
-
将曲线与x轴之间的区域用青色（teal）填充，表示待计算的面积。
-
公式展示:
-
在青色阴影区域内，用白色文本清晰显示面积计算公式：
1.从黑色背景开始，绘制并标注坐标系（x轴和y轴）。
2.逐一绘制并标注点 A、B、C、D，使用各自的颜色。
3.用浅蓝色线条连接四点，绘制矩形正方形。
4.缓慢绘制黄色半圆形曲线，强调其为参数曲线。
5.用青色填充曲线下的区域，突出显示待计算的面积。
6.在阴影区域内显示公式
-
采用数学插图常见的简洁精确风格。
-
使用黑色背景，搭配白色文本和彩色元素（点、线、阴影），增强视觉对比度。
-
确保所有元素（点、曲线、阴影）清晰可辨。
-
动画过渡需平滑，节奏适中，避免观众感到仓促。
-
可加入细微动态效果（如曲线逐渐绘制、阴影逐步填充），增加趣味性和吸引力。
小结
-
模型能力持续提升，效果都比以往更好，准确度更高；
-
我们还没有完全发挥这些模型的潜力，主要是缺乏想象力；
-
只要善用模型配置和写代码的能力，AI就能在日常工作中带来巨大的帮助。
-
数据分析
-
生成报告
-
日常自动化任务
-
尝试让模型和自身领域结合，掘出更多实用价值；
三、MCP：模型与现实世界的连接
什么是 MCP？
MCP怎么工作？
-
MCP客户端：嵌在AI应用里（比如Claude Desktop），负责跟服务器“聊天”，告诉服务器“我需要什么数据”或者“帮我干点儿啥”。
-
MCP服务器：一个轻量级的小程序，连接到具体的数据源或工具（比如你的本地文件、GitHub仓库、Slack频道），然后按照客户端的请求提供数据或者执行任务。
1.获取数据：比如从数据库里查东西、从文件里读内容。
2.执行操作：比如调用API发个消息、管理代码仓库。
MCP有什么好处？
1.标准化：就像USB-C成了通用接口，MCP让AI跟外部世界的连接有了统一标准，省去了重复开发的麻烦。
2.安全性：服务器管着访问权限，不用担心数据被乱用。
3.灵活性：不管是数据库、文件还是API，MCP都能支持，而且还能根据需要扩展。
MCP能干啥？
-
数据分析：AI可以直接查数据库，拿到最新数据帮你分析。
-
自动化任务：比如让AI调用API，在GitHub上创建issue，或者在Slack上发消息。
-
开发辅助：AI跟你的代码编辑器（IDE）连起来，帮你写代码、找bug。
如何开发MCP Server？
-
开发一个MCP Server需要使用Anthropic的Model Context Protocol（MCP），它是一个开源标准协议，帮助AI模型与外部数据源和工具无缝连接。
-
推荐使用Python SDK，通过uv或pip安装，创建简单的服务器文件，并使用mcp dev命令本地运行。
-
该服务器可以作为HTTP服务运行，通常监听默认端口（如3000），用户可以通过HTTP请求与服务器交互。
-
资源（Resources）资源是AI可以读取的数据，比如文件内容、数据库查询结果或API的响应。 例如，AI可能通过资源获取你的日历事件列表。
-
工具（Tools）工具是AI可以调用的函数，用于执行特定操作，比如添加新任务或发送邮件，使用工具时，通常需要用户先批准，以确保安全。
-
提示词（Prompts）提示词是服务器提供给AI的预写消息或模板，帮助AI理解如何使用资源和工具，例如，服务器可能告诉AI：“你可以添加任务，试试说‘添加任务：买牛奶’”，从而帮助用户更轻松地完成任务。提示词虽然直接提供给AI，但实际上是通过AI间接帮助用户，比如AI会根据提示词告诉用户如何操作。
安装与设置
-
使用uv（推荐，速度更快）：运行uv add "mcp[cli]"。 uv是一个Rust编写的现代Python包管理器，相比传统pip更高效。
curl -LsSf https://astral.sh/uv/install.sh | sh
uv add "mcp[cli]"
-
使用pip：运行pip install mcp。
创建简单服务器
from mcp.server.fastmcp import FastMCPmcp = FastMCP(“Simple Server”)
@mcp.tool()
def add(a: int, b: int) -> int:
“”“Add两个数字”“”
return a + b
@mcp.resource(“greeting://{name}”)
def get_greeting(name: str) -> str:
“”“获取个性化问候”“”
return f"Hello, {name}!"
mcp dev server.py
import sqlite3
from fastapi import HTTPException
from mcp.server.fastmcp import FastMCP
import atexit
db_conn = None
def init_db():
global db_conn
db_conn = sqlite3.connect("todo.db")
cursor = db_conn.cursor()
cursor.execute("CREATE TABLE IF NOT EXISTS tasks (id INTEGER PRIMARY KEY, description TEXT NOT NULL, completed INTEGER DEFAULT 0);")
db_conn.commit()
init_db()
def close_db():
if db_conn:
db_conn.close()
atexit.register(close_db)
mcp = FastMCP("To-Do List Server")
@mcp.tool()
def add_task(description: str) -> int:
if not description.strip():
raise ValueError("Task description cannot be empty")
cursor = db_conn.cursor()
cursor.execute("INSERT INTO tasks (description) VALUES (?);", (description,))
task_id = cursor.lastrowid
db_conn.commit()
return task_id
@mcp.tool()
def mark_task_completed(task_id: int) -> bool:
cursor = db_conn.cursor()
cursor.execute("UPDATE tasks SET completed=1 WHERE id=?;", (task_id,))
rows_affected = cursor.rowcount
db_conn.commit()
return rows_affected > 0
@mcp.tool()
def delete_task(task_id: int) -> bool:
cursor = db_conn.cursor()
cursor.execute("DELETE FROM tasks WHERE id=?;", (task_id,))
rows_affected = cursor.rowcount
db_conn.commit()
return rows_affected > 0
@mcp.tool()
def update_task_description(task_id: int, new_description: str) -> bool:
if not new_description.strip():
raise ValueError("Task description cannot be empty")
cursor = db_conn.cursor()
cursor.execute("UPDATE tasks SET description=? WHERE id=?;", (new_description, task_id))
rows_affected = cursor.rowcount
db_conn.commit()
return rows_affected > 0
@mcp.resource("tasks://all")
def get_all_tasks() -> list[dict]:
cursor = db_conn.cursor()
cursor.execute("SELECT id, description, completed FROM tasks;")
tasks = []
for row in cursor.fetchall():
tasks.append({"id": row[0], "description": row[1], "completed": bool(row[2])})
return tasks
@mcp.resource("task_status://{task_id}")
def get_task_status(task_id: int) -> dict:
cursor = db_conn.cursor()
cursor.execute("SELECT description, completed FROM tasks WHERE id=?;", (task_id,))
row = cursor.fetchone()
if row is None:
raise HTTPException(status_code=404, detail="Task not found")
return {"description": row[0], "completed": bool(row[1])}
@mcp.resource("task_counts://{dummy}")
def get_task_counts(dummy: str = "all") -> dict:
cursor = db_conn.cursor()
cursor.execute("SELECT COUNT(*) FROM tasks WHERE completed=0;")
incomplete_count = cursor.fetchone()[0]
cursor.execute("SELECT COUNT(*) FROM tasks WHERE completed=1;")
completed_count = cursor.fetchone()[0]
return {"incomplete": incomplete_count, "completed": completed_count}
@mcp.prompt()
def todo_list_prompt() -> str:
return """
You have access to a to-do list server. You can use the following tools and resources:
- Tool: add_task(description) -> int
- Adds a new task with the given description and returns the task ID.
- Tool: mark_task_completed(task_id) -> bool
- Marks the task with the given ID as completed and returns True if successful, False otherwise.
- Tool: delete_task(task_id) -> bool
- Deletes the task with the given ID and returns True if successful, False otherwise.
- Tool: update_task_description(task_id, new_description) -> bool
- Updates the description of the task with the given ID and returns True if successful, False otherwise.
- Resource: tasks://all
- Returns a list of all tasks, each with their ID, description, and completion status.
- Resource: task_status://{task_id}
- Returns the status of the task with the given ID, including its description and completion status.
- Resource: task_counts://{dummy}
- Returns a dictionary with the count of incomplete and completed tasks.
You can use these to manage your to-do list.
"""
调试服务器
部署MCP服务
-
部署MCP服务器可以选择本地运行、VPS或云平台，具体取决于使用场景。
-
确保服务器稳定、安全，并支持JSON-RPC和SSE协议。
-
使用mcp install server.py可为Claude Desktop安装服务器；对于通用部署，可用Uvicorn或Docker运行。
-
部署需配置HTTPS、限制访问，并设置监控和日志。
sudo mcp install server.py
问题与修复
2025-03-01T13:15:43.231Z [To-Do List Server] [info] Initializing server...
2025-03-01T13:15:43.246Z [To-Do List Server] [error] spawn uv ENOENT {"context":"connection","stack":"Error: spawn uv ENOENT\n at ChildProcess._handle.onexit (node:internal/child_process:285:19)\n at onErrorNT (node:internal/child_process:483:16)\n at process.processTicksAndRejections (node:internal/process/task_queues:82:21)"}
2025-03-01T13:15:43.246Z [To-Do List Server] [error] spawn uv ENOENT {"stack":"Error: spawn uv ENOENT\n at ChildProcess._handle.onexit (node:internal/child_process:285:19)\n at onErrorNT (node:internal/child_process:483:16)\n at process.processTicksAndRejections (node:internal/process/task_queues:82:21)"}
2025-03-01T13:15:43.248Z [To-Do List Server] [info] Server transport closed
2025-03-01T13:15:43.248Z [To-Do List Server] [info] Client transport closed
brew install uv
-
在运行 mcp install server2.py 时，使用 --with 选项指定所需的依赖包。例如：
mcp install server2.py --with fastapi
-
如果服务还依赖其他包（例如 uvicorn），可以用逗号分隔列出：
mcp install server2.py --with fastapi,uvicorn
-
运行后，MCP 会在隔离环境中自动安装这些包。
-
在你的服务代码 server2.py 中，使用 FastMCP 的 dependencies 参数指定依赖包。例如：
from fastmcp import FastMCP
mcp = FastMCP(“To-Do List Server”, dependencies=[“fastapi”, “uvicorn”])
如何集成MCP Server？
Claude Desktop
sudo mcp install server.py
Cursor&Windsurf
集成外部Mcp Server
-
mcp.so：社区驱动的平台，包含 1584 个服务器，适合发现和分享。
-
glama.ai/mcp/servers：列出 872 个开源 MCP 服务器，提供详细信息。
-
portkey.ai/mcp-servers：列出 42 个 MCP 服务器，专注于开源领域。
-
GitHub 仓库：punkpeye/awesome-mcp-servers
{
"mcpServers": {
"playwright": {
"command": "npx",
"args": ["-y", "@executeautomation/playwright-mcp-server"]
}
}
}
客户端SDK集成
#!/usr/bin/env python3 """ 简单的 MCP 客户端示例 连接到 server2.py 并演示 MCP 的基本功能 """ import asyncio import os import json from mcp import ClientSession, StdioServerParameters from mcp.client.stdio import stdio_client from typing import Optional, List, Dict, Any创建连接到 server2.py 的参数
server_params = StdioServerParameters(
command=“python”,
args=[os.path.join(os.path.dirname(os.path.abspath(file)), “server2.py”)],
env=None # 使用当前环境变量
)async def run():
“”“演示 MCP 客户端功能的主函数”“”
print(“正在连接到 MCP 服务器…”)async with stdio_client(server_params) as (read, write):
async with ClientSession(read, write) as session:1. 初始化连接
await session.initialize()
print(“✓ 已成功初始化连接”)2. 获取可用的提示词
try:
prompts = await session.list_prompts()
print(f"可用的提示词: {prompts}")if prompts and prompts.prompts:
3. 获取提示词内容
try:
prompt = await session.get_prompt(prompts.prompts[0].name)
print(f"\n服务器提示词:\n{prompt}\n")
except Exception as e:
print(f"获取提示词内容时出错: {e}“)
except Exception as e:
print(f"获取提示词列表时出错: {e}”)4. 列出可用资源
try:
resources = await session.list_resources()
print(f"可用的资源: {resources}“)
except Exception as e:
print(f"获取资源列表时出错: {e}”)
resources =5. 列出可用工具
try:
tools = await session.list_tools()
print(f"可用的工具: {tools}“)
except Exception as e:
print(f"获取工具列表时出错: {e}”)
tools =
if name == “main”:
try:
asyncio.run(run())
except KeyboardInterrupt:
print(“\n程序已被用户中断”)
except Exception as e:
print(f"\n发生错误: {e}")
finally:
print(“演示完成”)
四、MCP 的未来畅想
-
开发者不再需要从零开始写复杂的代码，只用几行配置就能快速搭出一个 AI 驱动的应用。比如，一个程序员想做一个“智能日程助手”，通过 MCP 直接调用日历服务和 AI 模型，半天就能上线。
-
普通用户甚至都不用会编程。就像点外卖一样，他们只需要在 Claude Desktop 上输入几行简单的指令，比如“帮我买点东西”，AI 就能通过 MCP 连接到购物服务，几分钟搞定。
-
服务商也能轻松转型。过去的老牌公司，比如物流商或银行，只需开放一个标准的 MCP 接口，AI 模型就能直接集成，用户点点鼠标就能用上服务，省去了繁琐的定制开发。
-
购物：你说：“帮我买一箱牛奶和一些新鲜水果。” AI 通过 MCP 连接到电商平台，自动筛选最佳商品、下单、支付，甚至根据你的偏好安排次日送达。
-
健康管理：你说：“我最近睡眠不好。” AI 立刻调用健康服务，分析你的睡眠数据，推荐调整作息的建议，或者直接帮你预约睡眠专家。
-
旅行规划：你说：“我想下个月去意大利玩十天。” AI 会自动搜索最优机票、预订特色酒店、规划经典景点路线，还能根据天气预报提醒你带上雨伞。
-
美食体验：你说：“今晚我想吃中餐，但不想出门。” AI 迅速连接外卖平台，推荐附近评分最高的中餐厅，帮你点好菜送到家门口。
-
教育与工作：你说：“我需要准备明天的会议PPT。” AI 不仅能整理资料、生成幻灯片，还能根据你的风格润色内容；学生说：“我不会解二次方程。” AI 则会调用教育平台，提供步骤讲解和互动练习。
五、总结
-
Spark AI 官网：https://aispark.alibaba-inc.com/
-
AI应用搭建平台：https://appbuilder.alibaba-inc.com/
-
https://www.anthropic.com/news/claude-3-7-sonnet
-
https://www.anthropic.com/claude/sonnet#customer-stories
-
https://assets.anthropic.com/m/785e231869ea8b3b/original/claude-3-7-sonnet-system-card.pdf
-
https://modelcontextprotocol.io/clients
-
https://github.com/modelcontextprotocol/python-sdk
-
mcp.so：社区驱动的平台，包含 1584 个服务器，适合发现和分享。
-
glama.ai/mcp/servers：列出 872 个开源 MCP 服务器，提供详细信息。
-
portkey.ai/mcp-servers：列出 42 个 MCP 服务器，专注于开源领域。
-
GitHub 仓库：punkpeye/awesome-mcp-servers
构建高性能秒杀系统
秒杀活动因其高流量和用户参与度，已成为电商平台的重要营销方式。本方案详细介绍如何利用阿里云产品构建高性能秒杀系统，以实现高并发处理，确保系统稳定和快速响应，从而为用户提供流畅的抢购体验。
点击阅读原文查看详情。