前两个标题部分为mcp部分介绍，如果想了解Trea和mcp的使用，请空降至第三小节

MCP 协议通过标准化 AI 智能体与外部资源的连接，显著提升了智能体的上下文感知能力和任务执行效率。在国内，MCP 在企业自动化、物联网和开发社区中展现出巨大潜力，尽管仍需克服认知度和本地化挑战。随着生态系统的扩展和与其他协议的协同，MCP 有望成为智能体互联网的基石，驱动 AI 应用的下一波创新。

一、MCP协议简介

Model Context Protocol (MCP) 是一种由 Anthropic 于 2024 年 11 月开源的标准化协议，旨在为大型语言模型（LLMs）和智能体（AI Agents）提供统一的接口，以连接外部数据源、工具和系统。MCP 的出现是为了解决传统 AI 模型与外部资源整合的复杂性和碎片化问题。传统上，开发人员需要为每个数据源或工具（如数据库、API、企业系统）编写定制代码，导致集成效率低下且难以扩展。MCP 通过定义标准化的通信方式，类似“AI 的 USB-C 端口”，使智能体能够动态访问多样化的外部上下文，从而实现更智能、上下文感知的响应和操作。

MCP 的核心目标是增强智能体的“行动能力”（agentic capability），使其不仅能回答问题，还能执行复杂任务，如查询数据库、操作文件系统、调用 API 或协调多工具工作流。MCP 的开源性质吸引了广泛的社区参与，企业和开发者通过构建 MCP 服务器（MCP Servers）扩展了其生态系统，覆盖了 Google Drive、Slack、GitHub、Postgres 等企业系统。截至 2025 年初，MCP 已成为 AI 领域热门话题，社区贡献了超过 4000 个 MCP 服务器，标志着其快速发展和广泛接受。

二、底层原理简介

MCP 采用客户端-服务器架构，通过标准化的协议实现 AI 智能体与外部资源的高效交互。以下是其底层原理的简要说明：

  1. 组件：

    • MCP 主机（Host）：运行智能体的应用程序（如 Claude Desktop、IDE），负责发起请求并协调工作流。

    • MCP 客户端（Client）：位于主机与服务器之间，管理实时数据交换和协议翻译。

    • MCP 服务器（Server）：暴露特定功能（如 API、数据库、文件系统）的轻量级程序，提供工具、上下文和提示（prompts）。

    • 数据源：包括本地资源（如文件、数据库）和远程服务（如云 API）。

  2. 工作流程：

    • 工具发现：主机查询服务器获取可用工具列表（如天气 API、文件操作）。

    • 上下文注入：主机将用户请求和工具信息发送给 LLM，LLM 决定使用哪些工具。

    • 请求执行：客户端通过 MCP 协议向服务器发送结构化请求，服务器执行操作并返回结果。

    • 实时交互：MCP 支持双向通信（类似 WebSocket），允许动态上下文更新和多步骤工作流。

  3. 关键特性：

    • 标准化：MCP 定义统一的工具调用和数据格式（如 JSON），消除自定义集成的复杂性。

    • 动态发现：智能体可动态识别新工具，无需硬编码。

    • 安全性：通过 TLS 加密、JWT 认证和命名空间隔离确保数据安全。

    • 可扩展性：支持添加新服务器，类似插件机制，适应多样化需求。

  4. 与 LLM 的协作：

    • MCP 将外部上下文（如数据库查询结果）作为增强提示（augmented prompt）注入 LLM，使其生成更准确的响应。

    • 智能体通过工具调用（tool calls）与服务器交互，执行操作后将结果反馈给 LLM，形成闭环工作流。

  5. 示例：

    • 假设用户请求“查询当前天气”：

      • 主机（聊天应用）通过 MCP 客户端查询天气 API 服务器。

      • 服务器返回天气数据，LLM 基于此生成自然语言响应。

      • 整个过程通过 MCP 协议标准化，无需为天气 API 编写专用代码。

MCP 的设计灵感来源于语言服务器协议（LSP），但更强调智能体的自主性和多工具协作，适合构建复杂的工作流。

三、Trea+MCP操作教程

首先，目前比较火的是cursor，但说实话，不是每个人都有条件去使用cursor的，我们把目光转移到字节的trea中，他可以使用国内的deepseek 豆包等模型，也可以使用国外的gpt或者claude模型（国外模型需要下载国外版的trea，地址：https://www.trae.ai/）。请注意，国外部分模型可能会需要排队，但是他免费～；

1、安装Trea

2、点击右上角设置中的mcp服务

3、点击添加后，可以发现内置了许多mcp的服务，这些服务都是可以直接使用的，我们以mysql服务为例

然后我们注意一下，点击mcp服务后跳转的github网址（这个需要magic），这里面有一个command 他这里填写的是uvx，这里说一下uvx和npx的区别，前者是基于python的，后者是基于nodejs的，至于python的uvx如何安装，本文中不过多赘述，使用nodejs的npx，只需要拥有node等正常前端开发环境就可以了！

然后需要注意的是，我们在github中选择的是With Visual Studio Code

因为无论是trea 还是 cursor 都是基于vscode的二开。所以我们使用这个json

4、将json复制进入mcp服务

注意我们在这里把它改为npx，也就是使用node版本的mcp。

还有一点，我们的json头要用mcpServers，这个应该是trea的语法，不改会报错

5、在智能体聊天框中测试

我们选择智能体时选择mcp智能体；

然后输入我们的要求

好，我们目前已经实现了让大模型接入我们本地服务，那么我们可以通过json中的配置赋予ai模型不同的权限，让他们进行crud或者参考开发等等；

6、拓展，多个mcp服务

我们可以用其他mcp进行组合，让我们的工作效率提高，比如，我本地也装了一个file 的mcp，他的作用是让智能体拥有在我们电脑中进行文件操作的权限，那么我们就可以要求ai模型在我们电脑的特定位置生成一些文件，

我们来打个比方，让他帮我们把生成的数据库文件写入到txt中，并放在我们的桌面