AI创业内参
Agent工坊

【Agent工坊】MCP协议实战：10行Python代码让你的AI Agent操控任何业务系统

AI创业内参

2026年最被低估的AI技术：MCP（Model Context Protocol）——它不是又一个API框架，而是给AI Agent装上"手和脚"的操作系统级协议。Anthropic开源半年，已有2000+社区工具，今天带你从零接入。

你为什么必须学会MCP

先说一个场景，看你是否熟悉：

你用Claude Code写了个自动化脚本，想让Agent帮你部署到服务器。Agent说："我可以用SSH连接服务器，但我没有SSH工具。"你用OpenClaw搭了内容工厂，想让Agent把文章发到Notion知识库。Agent说："我看到你的Notion链接了，但我无法写入Notion。"

这就是2026年AI Agent最大的短板：它很聪明，但手被绑在沙箱里。

MCP就是来解决这个问题的。它是一套开放协议（Anthropic开源，MIT许可），定义了AI模型如何安全地调用外部工具、访问外部数据。你可以理解为USB-C for AI——标准化接口，插上任何工具都能用。

已经有2000+社区贡献的MCP工具：飞书、Notion、PostgreSQL、GitHub、Slack、微信企业号、Puppeteer浏览器控制...覆盖了几乎你能想到的所有业务系统。

更关键的是：写一个MCP工具只需要10行Python代码。

MCP的底层逻辑（3分钟理解）

MCP架构只有三个角色：

┌──────────────┐     stdio/SSE     ┌──────────────┐
│  MCP Client  │ ←───────────────→ │  MCP Server  │
│ (Claude Code │                   │ (你写的工具)  │
│  Hermes Agent│                   │              │
│  OpenClaw等) │                   │              │
└──────────────┘                   └──────┬───────┘
                                          │
                                    ┌─────┴──────┐
                                    │ 外部系统    │
                                    │ DB/API/文件 │
                                    └────────────┘
  • MCP Client：AI Agent本身（Claude Code、Hermes Agent、OpenClaw、Cursor等）。它发起工具调用请求。
  • MCP Server：你写的Python/Node.js/Go程序，实现具体功能（查数据库、发消息、操作文件）。
  • Transport：通信方式。本地用stdio（标准输入输出，最简单），远程用SSE（Server-Sent Events，适合微服务架构）。

工作流程极其简单：
1. Agent决定"我需要查一下数据库里的用户订单"
2. Client通过MCP协议调用 query_database 工具
3. 你的MCP Server接收请求、执行SQL、返回结果
4. Agent拿到数据，继续推理

实战一：5分钟写一个"网站健康检查"工具

下面是最简单的MCP Server——让Agent能检查任意URL是否可以访问。

第一步：安装依赖

pip install mcp

第二步：写10行核心代码

# check_url_server.py
import asyncio
import urllib.request
from mcp.server import Server, stdio_server
from mcp.types import Tool, TextContent

app = Server("url-checker")

@app.list_tools()
async def list_tools():
    return [
        Tool(
            name="check_url",
            description="检查一个URL是否可以正常访问，返回HTTP状态码和响应时间",
            inputSchema={
                "type": "object",
                "properties": {
                    "url": {"type": "string", "description": "要检查的URL（含https://）"}
                },
                "required": ["url"]
            }
        )
    ]

@app.call_tool()
async def call_tool(name: str, arguments: dict):
    if name == "check_url":
        import time
        start = time.time()
        try:
            req = urllib.request.Request(
                arguments["url"],
                headers={"User-Agent": "Mozilla/5.0"}
            )
            resp = urllib.request.urlopen(req, timeout=10)
            elapsed = round((time.time() - start) * 1000)
            return [TextContent(
                type="text",
                text=f"✅ {arguments['url']}\n状态码: {resp.status}\n响应时间: {elapsed}ms\n服务器: {resp.headers.get('Server', 'unknown')}"
            )]
        except Exception as e:
            elapsed = round((time.time() - start) * 1000)
            return [TextContent(
                type="text",
                text=f"❌ {arguments['url']}\n错误: {str(e)}\n超时时间: {elapsed}ms"
            )]

async def main():
    async with stdio_server() as (read, write):
        await app.run(read, write, app.create_initialization_options())

asyncio.run(main())

第三步：接入Claude Code

在项目根目录创建 .claude/mcp.json：

{
  "mcpServers": {
    "url-checker": {
      "command": "python3",
      "args": ["check_url_server.py"],
      "env": {}
    }
  }
}

第四步：让Agent干活

启动Claude Code，直接说：

帮我检查这三个网站是否可以访问：
1. https://www.xopcx.com
2. https://github.com
3. https://api.openai.com

Claude会自动发现 check_url 工具，依次调用，然后把结果汇总给你。

这就是MCP的核心价值：你写一次工具，所有兼容MCP的Agent都能用。

实战二：进阶——让Agent操控你的数据库

上面是入门级。对一人公司来说，真正有价值的是让Agent能读写你的业务数据。

# db_server.py —— 让Agent操作PostgreSQL
import asyncio, os
import asyncpg
from mcp.server import Server, stdio_server
from mcp.types import Tool, TextContent

app = Server("postgres-tools")
pool = None

@app.list_tools()
async def list_tools():
    return [
        Tool(
            name="query_db",
            description="执行只读SQL查询（SELECT），返回JSON结果",
            inputSchema={
                "type": "object",
                "properties": {
                    "sql": {"type": "string", "description": "SELECT查询语句"}
                },
                "required": ["sql"]
            }
        ),
        Tool(
            name="get_table_schema",
            description="获取某个表的字段结构",
            inputSchema={
                "type": "object",
                "properties": {
                    "table_name": {"type": "string"}
                },
                "required": ["table_name"]
            }
        )
    ]

@app.call_tool()
async def call_tool(name: str, arguments: dict):
    global pool
    if pool is None:
        pool = await asyncpg.create_pool(os.environ["DATABASE_URL"])

    async with pool.acquire() as conn:
        if name == "query_db":
            sql = arguments["sql"].strip()
            if not sql.upper().startswith("SELECT"):
                return [TextContent(type="text", text="❌ 仅允许SELECT查询")]
            rows = await conn.fetch(sql)
            result = [dict(r) for r in rows]
            return [TextContent(
                type="text",
                text=f"查询结果（{len(result)}行）:\n" + 
                     "\n".join(str(r) for r in result[:50])
            )]
        elif name == "get_table_schema":
            rows = await conn.fetch(
                "SELECT column_name, data_type FROM information_schema.columns WHERE table_name=$1",
                arguments["table_name"]
            )
            return [TextContent(
                type="text",
                text="\n".join(f"{r['column_name']}: {r['data_type']}" for r in rows)
            )]

asyncio.run(main())

然后你可以对Agent说：

查一下上周新增了多少付费用户，按天分组统计，如果趋势下降就提醒我。

Agent会先调 get_table_schema 了解表结构，再调 query_db 执行查询，最后分析数据给你结论。

实战三：一人公司的MCP工具箱（拿来即用）

你不用从零写所有工具。以下是2026年最实用的社区MCP Server：

工具 安装命令 用途
GitHub npx @anthropic/mcp-server-github 管理Issue/PR/Release
Notion npx @notionhq/mcp-server-notion 读写Notion数据库
飞书 npx @feishu/mcp-server 发消息、读文档、管理日历
PostgreSQL npx @anthropic/mcp-server-postgres 数据库查询
Puppeteer npx @anthropic/mcp-server-puppeteer 浏览器自动化（截图/点击/填表）
Slack npx @slack/mcp-server 发消息、读频道
文件系统 npx @anthropic/mcp-server-filesystem 安全的文件读写
Brave Search npx @anthropic/mcp-server-brave-search 网络搜索

一键接入Hermes Agent

Hermes Agent从v0.18开始原生支持MCP。在 ~/.hermes/mcp.json 中配置：

{
  "mcpServers": {
    "filesystem": {
      "command": "npx",
      "args": ["-y", "@anthropic/mcp-server-filesystem", "/home/agent/projects"],
      "env": {}
    },
    "github": {
      "command": "npx",
      "args": ["-y", "@anthropic/mcp-server-github"],
      "env": {
        "GITHUB_PERSONAL_ACCESS_TOKEN": "${GITHUB_TOKEN}"
      }
    },
    "notion": {
      "command": "npx",
      "args": ["-y", "@notionhq/mcp-server-notion"],
      "env": {
        "NOTION_API_TOKEN": "${NOTION_TOKEN}"
      }
    }
  }
}

重启Hermes，Agent就能看到这些工具了。

避坑指南：4个新手最容易踩的坑

坑1：Transport选错

  • stdio（标准输入输出）：适合本地开发，Agent和工具在同一台机器上。99%的场景用这个。
  • SSE（Server-Sent Events）：适合远程部署，工具跑在另一台服务器上。需要额外处理认证和网络。

别在本地用SSE，别在远程用stdio。

坑2：权限过度开放

MCP工具可以做任何事——查数据库、发消息、删文件。永远不要给Agent root权限。

# ❌ 危险：允许任意SQL
async def call_tool(name, arguments):
    await conn.execute(arguments["sql"])  # DROP TABLE也能执行！

# ✅ 安全：只允许SELECT
async def call_tool(name, arguments):
    if not arguments["sql"].upper().startswith("SELECT"):
        return [TextContent(type="text", text="❌ 仅允许查询操作")]

坑3：忽略错误处理

Agent调用工具时如果报错，它可能会反复重试或给出错误结论。

# ✅ 永远返回结构化错误，不要让异常逃逸
try:
    result = do_something()
    return [TextContent(type="text", text=f"✅ {result}")]
except Exception as e:
    return [TextContent(type="text", text=f"❌ 操作失败: {str(e)}")]

坑4：环境变量泄露

MCP Server的 env 字段会在Agent的上下文中可见。不要在工具描述里暴露Token。

// ❌ 危险
"env": {
    "DATABASE_URL": "postgres://admin:MyP@ssword123@db.host.com/prod"
}

// ✅ 安全：用环境变量引用
"env": {
    "DATABASE_URL": "${DATABASE_URL}"
}

一人公司的MCP终极方案

把上面所有内容串起来，这就是一个AI创业者一天的工作流：

早上8:00
  Hermes Agent 通过 MCP-BraveSearch 扫描热点
  → MCP-Notion 写入选题库
  → MCP-Slack 通知你审核

上午10:00
  Claude Code 通过 MCP-Filesystem 读取草稿
  → MCP-Puppeteer 截图数据图表
  → MCP-GitHub 提交到仓库

下午2:00
  OpenClaw 通过 MCP-Feishu 发布到飞书群
  → MCP-PostgreSQL 记录发布数据
  → MCP-GitHub 同步到网站

晚上8:00
  Agent 通过 MCP-PostgreSQL 生成日报
  → MCP-Slack 发送数据总结
  → 你只需要看一眼

核心逻辑：Agent负责执行，MCP负责连接，你负责决策。

总结

MCP不是又一个需要学习的框架——它是AI Agent生态的"操作系统接口"。2026年，写MCP工具将成为AI创业者的基本功，就像2015年的REST API一样。

三个可以立刻行动的点：

  1. 今天：跑通"网站健康检查"例子，感受MCP的工作方式
  2. 本周：接入一个社区MCP Server（推荐从GitHub或文件系统开始）
  3. 本月：写一个连接你自己业务系统的MCP Server

记住一句话：AI Agent的边界，就是你能用MCP连接到的世界的边界。

AI创业 #MCP协议 #Agent工坊 #一人公司 #AI工具

参考来源：
- MCP官方规范：https://modelcontextprotocol.io
- MCP Python SDK：https://github.com/modelcontextprotocol/python-sdk
- 社区MCP Server汇总：https://github.com/modelcontextprotocol/servers