这次我们来看一个技术圈里讨论度很高的更新MCPModel Context Protocol协议。如果你关注AI代理、本地模型与云端服务的结合或者正在寻找一种更灵活、更开放的方式来构建和扩展你的AI助手那么这次更新值得你花时间了解。简单来说MCP协议是连接AI助手如Claude、GPTs与外部工具、数据源和服务的“桥梁”或“标准插座”。它定义了助手如何发现、调用和使用外部功能。而这次“核爆级”更新的核心就是MCP Streamable。它彻底改变了以往MCP服务器必须与AI助手客户端运行在同一台机器上的限制现在你可以将MCP服务器部署在任何地方——云端、局域网内的另一台服务器甚至是Docker容器里然后让你的AI助手通过网络安全地远程调用它。这意味着你可以将耗费资源的本地模型如大语言模型、图像生成模型部署在一台高性能服务器上而你的轻量级AI助手客户端可以在任何地方包括你的个人电脑、手机通过网络调用这些能力实现真正的“AI代理上云”。对于开发者而言这直接解决了几个痛点资源解耦客户端无需强大GPU、集中化管理一套模型服务多个客户端、安全可控通过标准协议而非直接暴露API以及生态扩展可以像安装插件一样为助手添加远程能力。接下来本文将带你快速理解MCP Streamable的核心变化并演示如何从零开始搭建一个最简单的远程MCP服务器以及如何让Claude Desktop客户端连接并使用它。1. 核心能力速览MCP Streamable 带来了什么在深入部署之前我们先通过一个表格快速把握这次更新的核心价值与变化。能力项传统 MCP (SSE)MCP Streamable (更新后)对用户/开发者的意义部署模式本地进程间通信 (IPC)支持远程网络通信服务器可部署在云端、内网其他机器实现资源与客户端的分离。连接方式标准输入/输出 (stdio) 或 Server-Sent Events (SSE) over localhost新增 WebSocket 和 SSE over HTTP客户端可以通过网络协议如ws://或http://连接到远程服务器。安全性依赖本地环境隔离支持传输层安全 (TLS/SSL)和认证可以进行加密通信和身份验证保障远程调用的安全。资源占用模型与客户端共享同一设备资源模型可部署于独立服务器客户端设备无需强大GPU可专注于交互重型模型在服务器端集中运行。适用场景个人电脑上的本地AI助手扩展企业级AI助手架构、多客户端共享模型服务、跨设备AI能力调用为构建复杂的、分布式的AI代理系统提供了协议基础。启动与访问客户端本地启动服务器进程客户端配置远程服务器地址配置更灵活服务可常驻运行客户端即连即用。简单来说MCP Streamable 让 AI 助手具备了“云原生”能力。你的“AI代理”不再被束缚在单台电脑上而是可以像使用云服务一样调用部署在远端的强大模型和工具。2. 适用场景与使用边界适合谁能解决什么问题个人开发者/极客拥有高性能台式机或云端GPU服务器希望在家中的笔记本、平板等轻量设备上也能调用这些强大算力来驱动AI助手如Claude。小型团队/企业希望搭建一个集中式的AI能力平台为团队内所有成员的AI助手提供统一、可控的模型服务如内部知识库查询、专用代码生成模型。AI应用开发者希望将自己开发的工具或模型以标准化、可插拔的方式提供给更广泛的AI助手生态如Claude, Cursor, Windsurf而无需用户进行复杂的本地部署。寻求隐私与性能平衡的用户既想使用强大的开源模型又担心完全云端服务的隐私问题。可以将模型部署在自己可控的私有服务器家庭NAS、公司内网服务器实现隐私与性能的兼顾。不适合什么场景极度追求零延迟的交互网络引入的延迟即使在内网对于需要极快响应的实时对话可能有一定影响。无稳定网络的环境如果客户端与服务器之间的网络连接不可靠功能将无法使用。仅使用基础AI助手功能的用户如果你只需要助手本身的对话能力不需要连接数据库、执行代码、调用本地模型等扩展功能则无需关注MCP。安全与合规边界授权与认证部署远程服务时务必配置认证机制如API Key、JWT防止未授权访问。MCP Streamable支持TLS和认证头。资源访问控制远程MCP服务器可能具有执行命令、访问文件系统的能力。必须严格限制服务器的权限并仔细审查其实现的工具Tools和资源Resources范围。模型合规性部署的本地模型需确保其训练数据、生成内容符合法律法规及平台政策。网络暴露将服务器暴露在公网时需做好防火墙规则、速率限制和入侵检测避免成为攻击入口。3. 环境准备与前置条件为了演示MCP Streamable的远程能力我们需要准备两个角色服务器Server和客户端Client。它们可以运行在同一台机器但更符合Streamable理念的是分开部署。服务器端环境以Ubuntu 22.04云服务器为例操作系统Linux (推荐Ubuntu 20.04/22.04) macOS 或 Windows Server也可。Python版本 3.8 - 3.11。这是编写MCP服务器最常用的语言。网络服务器需要有一个客户端能够访问的IP地址公网IP或内网IP。确保防火墙开放计划使用的端口例如SSE默认可能用8000WebSocket用8765。可选GPU环境如果你计划在服务器上运行需要GPU的模型如LLM、Stable Diffusion需要安装CUDA、cuDNN及对应的PyTorch等深度学习框架。客户端环境以macOS/Windows PC为例AI助手客户端本次演示以Claude Desktop为例。确保已安装最新版本需支持MCP Streamable较新的版本均已支持。网络客户端需要能通过网络互联网或局域网访问到服务器端的IP和端口。核心概念与工具MCP SDK我们将使用官方提供的Python SDK (mcp) 来快速构建服务器。它简化了工具Tools和资源Resources的定义。uv(推荐)一个快速的Python包管理器和解析器能更好地处理依赖隔离。我们将使用它来创建虚拟环境和安装依赖。4. 安装部署与启动方式构建你的第一个远程MCP服务器我们创建一个最简单的MCP服务器它提供一个工具计算两个数的和。虽然简单但能完整演示协议流程。4.1 创建项目目录与虚拟环境在服务器上执行# 1. 创建项目目录并进入 mkdir mcp-remote-demo cd mcp-remote-demo # 2. (推荐) 安装uv包管理器 curl -LsSf https://astral.sh/uv/install.sh | sh source $HOME/.cargo/env # 如果uv被安装到cargo目录 # 或者根据安装提示执行对应的source命令 # 3. 使用uv创建虚拟环境并安装MCP SDK uv venv source .venv/bin/activate # Linux/macOS # 如果是Windows PowerShell: .venv\Scripts\Activate.ps1 uv add mcp4.2 编写MCP服务器代码创建一个名为server.py的文件# server.py import asyncio from mcp.server import Server, NotificationOptions from mcp.server.models import InitializationOptions import mcp.server.stdio from mcp.shared.exceptions import McpError # 创建MCP服务器实例 server Server(remote-calculator) # 定义一个工具计算两个数的和 server.list_tools() async def handle_list_tools(): return [ { name: add_numbers, description: Add two numbers together., inputSchema: { type: object, properties: { a: {type: number, description: The first number}, b: {type: number, description: The second number}, }, required: [a, b], }, } ] # 处理工具调用 server.call_tool() async def handle_call_tool(name: str, arguments: dict): if name add_numbers: result arguments[a] arguments[b] return [ { type: text, text: fThe sum of {arguments[a]} and {arguments[b]} is {result}., } ] raise McpError(fUnknown tool: {name}) async def main(): # 初始化服务器 initialization_options InitializationOptions( server_nameremote-calculator, server_version0.1.0, capabilitiesserver.get_capabilities( notification_optionsNotificationOptions(), experimental_capabilities{}, ), ) # 使用stdio传输层运行服务器这是传统方式稍后我们会改为Streamable async with mcp.server.stdio.stdio_server() as (read_stream, write_stream): await server.run( read_stream, write_stream, initialization_options, ) if __name__ __main__: asyncio.run(main())这是一个标准的基于stdio的MCP服务器它只能在本地与客户端进程通信。4.3 改造为Streamable服务器支持SSEMCP Streamable的核心是支持网络传输层。我们使用mcp.server.sse模块来快速创建一个基于HTTP SSE的服务器。创建server_sse.py# server_sse.py import asyncio from contextlib import asynccontextmanager from typing import AsyncIterator import uvicorn from mcp.server import Server, NotificationOptions from mcp.server.models import InitializationOptions from mcp.server.sse import SseServerTransport from mcp.shared.exceptions import McpError from fastapi import FastAPI, Request from fastapi.responses import StreamingResponse # 创建FastAPI应用和MCP服务器实例 app FastAPI() server Server(remote-calculator-streamable) # 工具定义与之前相同 server.list_tools() async def handle_list_tools(): return [ { name: add_numbers, description: Add two numbers together., inputSchema: { type: object, properties: { a: {type: number, description: The first number}, b: {type: number, description: The second number}, }, required: [a, b], }, } ] server.call_tool() async def handle_call_tool(name: str, arguments: dict): if name add_numbers: result arguments[a] arguments[b] return [ { type: text, text: fThe sum of {arguments[a]} and {arguments[b]} is {result}., } ] raise McpError(fUnknown tool: {name}) # 关键部分创建SSE传输端点 app.post(/sse) async def handle_sse(request: Request): 处理MCP over SSE的连接 transport SseServerTransport(/messages) async def event_generator(): async with transport: # 初始化服务器 initialization_options InitializationOptions( server_nameremote-calculator-streamable, server_version0.1.0, capabilitiesserver.get_capabilities( notification_optionsNotificationOptions(), experimental_capabilities{}, ), ) # 运行服务器会话绑定到SSE传输层 await server.run( transport.receive_messages(), # 从客户端接收消息 transport.send_messages(), # 向客户端发送消息 initialization_options, ) return StreamingResponse( event_generator(), media_typetext/event-stream, headers{ Cache-Control: no-cache, Connection: keep-alive, Access-Control-Allow-Origin: *, # 简化CORS生产环境应严格限制 }, ) app.post(/messages) async def handle_messages(request: Request): 接收客户端发送的消息 # 这里需要根据你的传输层实现来解析消息 # 对于简单的演示我们可以直接打印body body await request.body() print(fReceived message: {body.decode()}) return {status: ok} if __name__ __main__: # 启动FastAPI服务器监听所有网络接口的8000端口 uvicorn.run(app, host0.0.0.0, port8000)代码解析我们创建了一个FastAPI应用它提供了两个端点/sse和/messages。/sse端点返回一个Server-Sent Events流这是MCP通信的主通道。SseServerTransport是MCP SDK提供的辅助类用于处理SSE协议下的消息收发。服务器监听0.0.0.0:8000意味着可以从任何IP访问请仅在测试环境这样设置。4.4 安装FastAPI和Uvicorn在服务器虚拟环境中安装运行所需的库uv add fastapi uvicorn4.5 启动远程MCP服务器在服务器上运行python server_sse.py你应该看到类似下面的输出INFO: Started server process [12345] INFO: Waiting for application startup. INFO: Application startup complete. INFO: Uvicorn running on http://0.0.0.0:8000 (Press CTRLC to quit)恭喜你的第一个支持MCP Streamable的远程服务器已经启动。它现在在http://你的服务器IP:8000提供SSE服务。5. 功能测试与效果验证连接Claude Desktop现在我们需要在客户端你的个人电脑配置Claude Desktop让它连接到这个远程服务器。5.1 配置Claude DesktopClaude Desktop的MCP配置通常位于以下路径macOS:~/Library/Application Support/Claude/claude_desktop_config.jsonWindows:%APPDATA%\Claude\claude_desktop_config.jsonLinux:~/.config/Claude/claude_desktop_config.json打开或创建这个JSON配置文件添加你的远程服务器配置{ mcpServers: { remote-calculator: { command: npx, args: [ -y, modelcontextprotocol/server-fetch, http://你的服务器IP:8000/sse ], env: {} } } }重要说明我们使用了modelcontextprotocol/server-fetch这个官方提供的“适配器”客户端。它的作用是以子进程形式运行并通过HTTP去连接我们远程的SSE端点然后将数据通过stdio传递给Claude Desktop。这是一种兼容现有MCP客户端期望本地进程的巧妙方式。将你的服务器IP替换为你服务器的实际公网IP或内网IP例如192.168.1.100。确保客户端电脑可以访问http://你的服务器IP:8000。你可能需要在服务器防火墙开放8000端口。5.2 测试连接与功能保存配置文件并完全重启Claude Desktop应用。打开Claude Desktop新建一个对话。在输入框里你可以尝试直接询问助手它能做什么或者直接使用工具。例如输入“请使用 add_numbers 工具计算一下 123 和 456 的和。”Claude应该会识别到可用的add_numbers工具并可能会自动调用或者向你确认参数。按照提示提供a123和b456。如果一切顺利Claude会返回结果“The sum of 123 and 456 is 579.”成功验证点Claude Desktop成功启动并连接到了远程服务器查看Claude Desktop日志或服务器日志可能看到连接信息。Claude能够“发现”远程服务器提供的工具 (add_numbers)。工具调用成功计算在远程服务器执行结果通过网络返回并显示在Claude对话中。6. 接口API与批量任务思考MCP协议本身是一个双向通信协议并非简单的REST API。但基于Streamable我们可以构建更灵活的集成模式。6.1 关于“客户端Postman可以访问吗”这是一个常见问题。MCP over SSE 的/sse端点是一个事件流不是返回单个JSON的REST端点。直接用Postman GET访问/sse你会看到一个持续打开、不断接收服务器事件如ping的连接。然而真正的MCP消息交换是双向的客户端也需要向服务器的另一个端点如我们示例中的/messages发送特定格式的JSON消息来调用工具或请求资源。因此用Postman手动测试完整的MCP流程比较繁琐需要模拟完整的握手、请求-响应循环。更实用的测试方法是使用官方测试工具Anthropic提供了mcpCLI 工具可以用于测试连接。# 在客户端安装mcp CLI npm install -g modelcontextprotocol/cli # 测试SSE服务器连接假设你有一个兼容的测试服务器 mcp dev http://your-server:8000/sse编写简单的测试客户端脚本使用PythonmcpSDK的客户端部分或使用SDK提供的mcp.client.sse来编写一个小的测试程序。6.2 批量任务与AI代理MCP的核心是让AI助手去调用工具。所谓的“批量任务”可以通过以下模式实现AI驱动批量你向Claude描述一个批量处理的需求例如“为./inputs目录下的所有图片文件生成描述”。Claude会利用MCP工具如list_directory,read_file, 和一个image_caption工具来规划并执行一系列调用自动处理每个文件。外部调度器你可以编写一个外部程序这个程序本身通过MCP客户端协议连接到你的远程服务器然后按顺序或并行地发起多个工具调用请求。这要求你的MCP服务器设计支持并发会话或提供批处理工具。7. 资源占用与性能观察在Streamable架构下资源占用被清晰地分到了两端服务器端CPU/GPU承载实际模型推理或工具执行的主要负载。例如运行一个70亿参数的语言模型可能需要10GB以上的GPU显存。内存需要容纳模型权重和运行时数据。网络I/O处理来自多个客户端的并发SSE连接和消息传输。连接数增多时需要关注。观察命令在Linux服务器上可以使用htop,nvidia-smi(GPU),iftop(网络) 来监控。客户端端Claude Desktop资源消耗极低它只负责渲染UI、运行轻量级对话模型如果需要以及维护到远程MCP服务器的网络连接。几乎不消耗GPU和大量CPU。网络延迟是关键工具调用的响应时间 网络往返延迟(RTT) 服务器处理时间。内网环境下RTT 10ms体验接近本地公网环境下延迟可能达到100-300ms感知会较明显。性能优化建议服务器位置尽可能将服务器部署在离客户端网络延迟低的地方如同一局域网、同云服务商区域。连接复用MCP会话是长连接避免频繁断开重连。服务器性能根据你部署的工具类型CPU密集型、GPU密集型、IO密集型选择合适的服务器规格。8. 常见问题与排查方法问题现象可能原因排查方式解决方案Claude Desktop 启动时报错或无法加载MCP服务器1. 配置文件JSON格式错误。2.npx或server-fetch包未安装或下载失败。3. 网络无法连接到远程地址。1. 检查claude_desktop_config.json语法。2. 在终端手动运行配置中的commandargs看是否报错。3. 用curl -v http://服务器IP:8000/sse测试连通性。1. 使用JSON验证器。2. 确保Node.js已安装或尝试全局安装npm install -g modelcontextprotocol/server-fetch。3. 检查服务器防火墙、安全组规则确保端口开放。Claude 对话中看不到远程工具1. 服务器未成功启动或崩溃。2. MCP握手失败协议版本不兼容等。3. 服务器代码中工具定义未正确暴露。1. 查看服务器控制台是否有错误日志。2. 查看Claude Desktop的日志文件位置因系统而异。3. 使用mcpCLI 测试连接。1. 确保服务器进程正常运行。2. 检查服务器和客户端使用的mcpSDK 版本是否兼容。3. 确保server.list_tools()装饰器函数正确返回工具列表。工具调用失败或超时1. 网络不稳定连接中断。2. 服务器端工具处理函数抛出异常。3. 参数格式不符合schema定义。1. 观察服务器和网络状态。2. 查看服务器控制台的异常堆栈信息。3. 检查客户端发送的参数是否与inputSchema匹配。1. 优化网络环境。2. 在服务器代码中添加异常捕获和日志。3. 在客户端Claude清晰指定参数名和类型。连接存在但响应缓慢1. 服务器处理任务本身耗时如大模型推理。2. 网络延迟高或带宽不足。3. 服务器资源CPU/GPU/内存已满。1. 在服务器上测量工具函数执行时间。2. 使用ping和traceroute检查网络。3. 使用监控工具查看服务器资源利用率。1. 考虑优化服务器端任务或使用更高效的模型。2. 将服务器部署到离客户端更近的位置。3. 升级服务器配置或实现任务队列。如何添加认证默认示例未设置认证存在安全风险。参考MCP官方文档关于传输层安全的部分。1.SSEAPI Key在客户端配置的env字段中添加自定义Header在服务器端FastAPI中间件验证。2.HTTPS/TLS使用Nginx反向代理为SSE端点配置SSL证书。9. 最佳实践与使用建议从简单开始先像本文一样部署一个无状态、无副作用的工具如计算器、时间查询来验证整个远程链路。环境隔离为每个MCP服务器项目使用独立的Python虚拟环境如uv venv避免依赖冲突。配置管理将服务器地址、端口、认证密钥等配置信息从代码中分离使用环境变量或配置文件管理。生产部署不要直接使用uvicorn app --host 0.0.0.0。应使用Gunicorn/Uvicorn工作进程管理器或通过Docker容器化部署。使用Nginx/Apache作为反向代理处理SSL终止、负载均衡和静态文件。配置系统服务如systemd来保证服务器进程常驻和自动重启。日志与监控为服务器添加详细的日志记录操作日志、访问日志、错误日志便于故障排查。考虑集成Prometheus等监控指标。设计幂等工具尽可能让工具函数是幂等的相同输入产生相同输出且无副作用这有利于客户端重试和错误处理。权限最小化仔细设计每个工具的能力。一个提供“文件阅读”的工具其访问范围应被严格限制在必要的目录内切勿授予过高权限。10. 总结与下一步MCP Streamable协议的更新将AI助手从“单机智能”推向了“网络化智能”的新阶段。它不仅仅是技术协议的演进更是为AI应用架构打开了新的可能性。最值得尝试的点你可以立即将那些对硬件要求高、但使用频率不高的AI能力如大型语言模型推理、高清图像生成、视频处理部署到一台中央服务器上让你的轻薄本上的Claude随时调用它们实现算力资源的优化配置。最先应该验证的功能按照本文的步骤成功部署一个远程计算器服务器并连接Claude Desktop。这是理解整个流程的基石。最容易踩的坑网络与防火墙80%的问题源于此。务必确保端口可访问并理解内网穿透或公网IP的配置。配置文件的路径与格式Claude Desktop的配置文件路径要找准JSON格式不能有错误。依赖版本PythonmcpSDK、server-fetch适配器等组件版本需保持兼容关注官方更新。后续扩展方向集成真实模型将服务器端的工具函数替换为对本地运行的Ollama、vLLM、Stable Diffusion API等的调用。构建复杂工具集创建一个服务器同时提供数据库查询、代码执行、网络搜索、图像分析等多种工具打造你的个人AI代理中枢。探索WebSocket传输SSE是单向流WebSocket是双向的可能在某些场景下性能更好。尝试使用mcp.server.websocket模块。开发自定义客户端不局限于Claude Desktop你可以为任何支持MCP协议的应用或自己开发的应用集成远程能力。MCP生态正在快速成长随着Streamable的普及我们有望看到一个更加开放、互联、专业化的AI工具网络。现在就从搭建你的第一个远程MCP服务器开始吧。