在 Claude 调用中使用 MCP

在 LLM 调用中使用 MCP – 与 Claude 结合

借助 MCP 释放 Claude 的潜力

大型语言模型（LLM），如 Anthropic 公司的 Claude，功能极其强大，但其知识通常仅限于训练数据，并且通常缺乏对实时信息或私有数据源的直接访问能力。它们本身也无法在外部系统中执行操作。模型上下文协议（Model Context Protocol, MCP）提供了一种标准化的方式，通过将 Claude 连接到外部数据和工具的世界，从而增强 Claude 的能力，使其响应更加准确、相关且可操作。

可以将 MCP 想象成一个通用适配器。Claude 可以（通过你的应用程序）与这个适配器“对话”，以获取最新信息或请求执行任务，而无需了解每个数据源或工具的详细底层细节。

通过 MCP 将 Claude 连接到外部数据

MCP 允许你定义 MCP 服务器上的“资源”（resources）。这些资源可以是文件系统中的文档、数据库中的记录、公司内部 API 提供的信息，或天气更新等实时数据。当你的应用程序与 Claude 交互时，并且需要根据特定、当前或专有数据来构建其响应时，它可以查询一个 MCP 客户端。

流程很简单：你的应用程序在调用 Claude 之前，会判断是否需要上下文数据。它通过 MCP 客户端从 MCP 服务器请求这些数据。MCP 服务器会获取数据（例如，客户最新的支持工单详情）并以结构化格式返回。你的应用程序随后将这些数据整合到发送给 Claude 的提示（prompt）中，使 Claude 能够生成一个基于充分信息的响应。

示例数据源：项目文档、用户资料、产品目录、知识库文章、实时新闻源。

通过 MCP 为 Claude 赋能外部工具

除了获取数据之外，LLM 通常还需要执行动作。MCP 定义了 LLM 可以请求使用的“工具”（tools）。这些工具代表了发送电子邮件、预订会议、查询数据库甚至运行代码片段等能力。当 Claude 在其交互中判断需要执行某个动作时，你的应用程序可以将此意图转换为 MCP 工具执行请求。

例如，如果用户要求 Claude 总结一篇长文档并发送电子邮件，Claude 可能会首先处理该文档（通过 MCP 作为资源提供）。然后，它可能会指示需要使用“电子邮件”（email）工具。你的应用程序随后会使用 MCP 客户端在 MCP 服务器上调用“电子邮件”工具，并传递总结内容和收件人详情。MCP 服务器处理实际的电子邮件发送。工具执行的结果（例如，“电子邮件发送成功”）随后可以传回给 Claude，以向用户确认该操作。

示例工具：发送通知、创建日历事件、执行数据库查询、与版本控制系统交互。

示例场景：MCP 与 Claude 的实际应用

想象一个由 Claude 提供支持的复杂 AI 助手，旨在协助项目管理。以下是 MCP 将如何增强其能力：

用户请求：用户问道：“Claude，‘凤凰项目’有哪些待处理的任务？你能通知 Alex 关于关键任务吗？”
数据检索（MCP 资源）：应用程序识别出需要项目数据。它使用 MCP 客户端从连接到项目管理系统的 MCP 服务器请求 ‘project_tasks’ 资源。示例 MCP 调用（概念性）：mcp_client.get_resource(server_id='project_management_system', resource_path='/projects/Phoenix/tasks?status=pending')。
Claude 的上下文提示：获取到的任务列表（例如，[{'id': 'task1', 'desc': 'Design UI', 'priority': 'high'}, {'id': 'task2', 'desc': 'Backend API', 'priority': 'critical'}]）被格式化并包含在发送给 Claude 的提示中：“这是凤凰项目的待处理任务：[…任务列表…]。请识别关键任务并为 Alex 制定一个通知。”
Claude 的处理与工具指示：Claude 处理信息并识别出 ‘task2’ 为关键任务。然后它会生成一个通知消息，并指示需要使用“send_notification”工具。这种指示可能是一个结构化输出，或者是你的应用程序设计用来理解的特定文本提示。
工具执行（MCP 工具）：你的应用程序解析 Claude 的响应。然后它使用 MCP 客户端在与你的通信平台集成的 MCP 服务器上调用“send_notification”工具。示例 MCP 调用（概念性）：mcp_client.execute_tool(server_id='communication_hub', tool_id='send_slack_dm', params={'user': 'Alex', 'message': 'Critical task update for Project Phoenix: Backend API needs attention.'})。
结果与最终响应：MCP 服务器执行工具，并且结果（例如，{'status': 'success', 'message_id': 'slack123'}）被返回给应用程序。这个结果可以反馈给 Claude，Claude 随后向用户生成最终响应：“我已找到待处理的任务。关键任务‘后端 API’已识别，我已向 Alex 发送了通知。”

# 应用程序逻辑的 Python 概念性示例

# mcp_client 和 claude_client 假设已初始化

# --- 阶段 1：使用 MCP 为 Claude 获取数据 ---
def get_project_tasks_for_claude(project_name):
    try:
        tasks = mcp_client.get_resource(
            server_id='project_management_system',
            resource_path=f'/projects/{project_name}/tasks?status=pending'
        )
        return f"Here are the pending tasks for {project_name}: {tasks}"
    except MCPError as e:
        print(f"MCP Error fetching tasks: {e}")
        return f"Sorry, I couldn't retrieve tasks for {project_name}."

user_query = "What are the pending tasks for the 'Phoenix Project' and can you notify Alex about the critical ones?"
project_name = "Phoenix Project" # 从 user_query 中提取

context_from_mcp = get_project_tasks_for_claude(project_name)

# claude_response_object = claude_client.complete(
#     prompt=f"{context_from_mcp}\n\nUser instruction: {user_query}. Please identify critical tasks and formulate a notification for Alex. If a notification is needed, please indicate to use 'send_notification_tool' with parameters 'user' and 'message'."
# )
# claude_text_response = claude_response_object.completion
# tool_call_request = parse_claude_for_tool_call(claude_text_response) # 假设的解析函数

# --- 阶段 2：Claude 指示工具使用，并通过 MCP 执行 ---
# 假设 claude_response 导致此（应用程序逻辑）：
tool_call_request = {
    'tool_name': 'send_notification_tool',
    'params': {'user': 'Alex', 'message': 'Critical task update for Project Phoenix: Backend API needs attention.'}
}

if tool_call_request and tool_call_request['tool_name'] == 'send_notification_tool':
    try:
        tool_result = mcp_client.execute_tool(
            server_id='communication_hub',
            tool_id='send_slack_dm', # 此 ID 由 MCP 服务器定义
            params=tool_call_request['params']
        )
        print(f"Tool execution result: {tool_result}")
        # final_prompt_to_claude = f"Notification sent to {tool_call_request['params']['user']} with result: {tool_result}. Please confirm to the user."
        # final_user_response = claude_client.complete(prompt=final_prompt_to_claude).completion
        # print(final_user_response)
    except MCPError as e:
        print(f"MCP Tool Error: {e}")
        # 通知 Claude 或用户工具执行失败

这个场景展示了 MCP 如何作为一个重要的中间层，允许 Claude 以结构化和安全的方式与外部系统交互，显著扩展了其效用。