一、为什么传统的 Function Calling 在 2026 年“不够用”了？

过去两年，开发者习惯了为每个大模型单独编写 Function Calling 适配层。但在面对企业级复杂场景时，这种“点对点”集成模式暴露出三大致命缺陷：

2026 年的解法：MCP（Model Context Protocol）。

，将“AI 应用”与“数据/工具源”彻底解耦。AI 应用只需实现一个 MCP Client，即可无缝接入全球任何符合规范的 MCP Server，实现真正的“即插即用”。

二、MCP 核心架构：AI 时代的 USB-C 接口

一个标准的 MCP 交互流程包含三个核心角色：

[AI Application (Host)] 
   │  ──> 内置 MCP Client
   ▼
[MCP Protocol Layer] <──> JSON-RPC 2.0 / stdio / SSE
   │
   ├──> [MCP Server A: 本地文件系统] ──> Resources (文件内容), Tools (读写操作)
   ├──> [MCP Server B: PostgreSQL]   ──> Resources (表结构), Tools (SQL查询)
   └──> [MCP Server C: 飞书/钉钉]    ──> Prompts (消息模板), Tools (发送消息)


三、实战：用 Python 构建跨应用 MCP Agent

同时读取本地 Markdown 笔记并查询 SQLite 数据库

的 Agent。全程无需手写任何 Prompt 适配代码，所有工具与上下文均由 MCP 协议自动发现。

3.2 MCP Server 实现（数据/工具提供方）

# mcp_server.py
"""
MCP Server：提供本地文件读取与 SQLite 查询能力
运行方式：python mcp_server.py
"""
import sqlite3
from pathlib import Path
from mcp.server.fastmcp import FastMCP

mcp = FastMCP("LocalKnowledgeBase")

# ==================== 1. 定义 Resources (只读上下文) ====================
@mcp.resource("notes://{filename}")
def get_note_content(filename: str) -> str:
    """读取本地 notes 目录下的 Markdown 文件内容"""
    path = Path(f"./notes/{filename}")
    if not path.exists():
        return f"Error: File {filename} not found."
    return path.read_text(encoding="utf-8")

@mcp.resource("db://schema")
def get_database_schema() -> str:
    """返回 SQLite 数据库的完整表结构，作为 SQL 生成的上下文"""
    conn = sqlite3.connect("./knowledge.db")
    cursor = conn.execute("SELECT sql FROM sqlite_master WHERE type='table';")
    schema = "\n".join([row[0] for row in cursor if row[0]])
    conn.close()
    return schema or "No tables found."

# ==================== 2. 定义 Tools (可执行操作) ====================
@mcp.tool()
def query_database(sql: str) -> str:
    """执行只读 SQL 查询并返回结果。仅允许 SELECT 语句。"""
    if not sql.strip().upper().startswith("SELECT"):
        return "Error: Only SELECT queries are allowed for safety."
    try:
        conn = sqlite3.connect("./knowledge.db")
        cursor = conn.execute(sql)
        rows = cursor.fetchall()
        columns = [desc[0] for desc in cursor.description]
        conn.close()
        return f"Columns: {columns}\nRows: {rows}"
    except Exception as e:31227.t.kuaisou.com 
        return f"SQL Error: {str(e)}"

if __name__ == "__main__":31226.t.kuaisou.com 

    # 以 stdio 模式启动，供本地 Client 连接
    mcp.run(transport="stdio")


3.3 MCP Client + Agent 实现（AI 应用方）

# mcp_agent.py
"""
MCP Client Agent：自动发现 Server 提供的 Tools/Resources，驱动 LLM 完成任务
"""
import asyncio
import json
import os
from openai import OpenAI
from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client

async def run_agent():
    # 1. 配置 MCP Server 连接参数
    server_params = StdioServerParameters(
        command="python",
        args=["mcp_server.py"]
    )

    # 2. 建立 MCP 连接并自动发现工具
    async with stdio_client(server_params) as (read, write):
        async with ClientSession(read, write) as session:
            await session.initialize()
            
            # 自动获取 Server 暴露的所有 Tools
            tools_response = await session.list_tools()
            openai_tools = []
            for tool in tools_response.tools:
                openai_tools.append({
                    "type": "function",
                    "function": {
                        "name": tool.name,
                        "description": tool.description,
                        "parameters": tool.inputSchema
                    }
                })
            
            print(f"✅ 已发现 {len(openai_tools)} 个 MCP 工具:")
            for t in openai_tools:
                print(f"   - {t['function']['name']}: {t['function']['description']}")

            # 3. 初始化 LLM 并注入 MCP 工具
            client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))
            messages = [
                {"role": "system", "content": "你是一个知识库助手。请使用可用的工具回答用户问题。如需文件内容或数据库结构，请先通过资源获取上下文。"},
                {"role": "user", "content": "帮我查一下笔记里关于'MCP协议'的定义，并统计数据库中相关文档的数量。"}
            ]

            # 4. Agent 循环：LLM 决策 -> MCP 执行 -> 结果回传
            while True:
                response = client.chat.completions.create(
                    model="gpt-4o",
                    messages=messages,
                    tools=openai_tools if openai_tools else None
                )
                
                msg = response.choices[0].message
                messages.append(msg)
                
                # 如果 LLM 不再调用工具，输出最终答案并退出
                if not msg.tool_calls:
                    print(f"\n🤖 Agent 最终回复:\n{msg.content}")
                    break
                
                # 执行 MCP 工具调用并将结果回传给 LLM
                for tool_call in msg.tool_calls:
                    print(f"\n🔧 调用 MCP 工具: {tool_call.function.name}")
                    args = json.loads(tool_call.function.arguments)
                    
                    result = await session.call_tool(tool_call.function.name, arguments=args)
                    result_text = result.content[0].text if result.content else "No result"
                    
                    print(f"   └─ 返回结果: {result_text[:100]}...")
                    messages.append({
                        "role": "tool",
                        "tool_call_id": tool_call.id,
                        "content": result_text
                    })

if __name__ == "__main__":
    asyncio.run(run_agent())


，你将看到 Agent 自主完成跨系统协作的完整链路：

✅ 已发现 2 个 MCP 工具:
   - query_database: 执行只读 SQL 查询并返回结果。仅允许 SELECT 语句。
   - get_note_content: 读取本地 notes 目录下的 Markdown 文件内容

🔧 调用 MCP 工具: get_note_content
   └─ 返回结果: # MCP协议定义\nModel Context Protocol 是一种开放标准，用于标准化 AI 应用与外部数据源...

🔧 调用 MCP 工具: query_database
   └─ 返回结果: Columns: ['count']\nRows: 

🤖 Agent 最终回复:
根据笔记中的定义，MCP（Model Context Protocol）是一种开放标准，用于标准化 AI 应用与外部数据源的连接。
同时，经数据库查询确认，当前知识库中共有 42 篇与 MCP 协议相关的文档。


四、生产进阶：2026 企业级 MCP 落地三大基石

上述代码展示了本地 stdio 模式的开发体验。在真实的企业级生产环境中，MCP 还需要以下三大基石支撑规模化部署：

五、结语：从“AI 应用”到“AI 操作系统”的跃迁

MCP 1.0 Stable 的发布，标志着 AI 行业正式从“单点智能”迈入“系统智能”时代。当每一个 SaaS 产品、每一个内部系统、每一份本地文件都成为标准化的 MCP Server，

AI 应用将不再是孤立的对话框，而是演变为连接万物的“AI 操作系统（AI OS）”。

对于开发者而言，掌握 MCP 不再是可选项，而是 2026 年 AI 工程化的必修课。未来的核心竞争力，不在于你能写出多复杂的 Prompt，而在于：

你能否将业务领域的知识、数据与操作，优雅地封装为标准的 MCP Server，让全球的 AI 都能安全、高效地“使用”你的系统。

从“对话”到“执行”：2026 MCP 协议全面爆发，用 Python 构建跨应用 AI Agent 操作系统

人工智能

编程语言

开发工具

2026年AI领域重大突破：MCP1.0规范正式发布，实现大模型与业务系统的无缝连接。该协议解决了传统FunctionCalling的三大痛点，采用Client-Server架构统一API、数据库和本地文件调用。文章详细解析MCP核心架构，并提供Python实战代码，演示如何构建跨应用Agent。MCP正成为AI时代的通用接口，推动AI应用向"AI操作系统"演进，是开发者必备技能。

结构化数据

数据泄露

文件系统

PostgreSQL

数据库

容器

SQLite

Python

Agent

SaaS

JSON

2026上云采购 | AI焕新·智启新局

lexiang

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

2026年AI领域重大突破：MCP1.0规范正式发布，实现大模型与业务系统的无缝连接。该协议解决了传统FunctionCalling的三大痛点，采用Client-Server架构统一API、数据库和本地文件调用。文章详细解析MCP核心架构，并提供Python实战代码，演示如何构建跨应用Agent。MCP正成为AI时代的...

从“对话”到“执行”：2026 MCP 协议全面爆发，用 Python 构建跨应用 AI Agent 操作系统

从“对话”到“执行”：2026 MCP 协议全面爆发，用 Python 构建跨应用 AI Agent 操作系统

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐