1. 前言

在第一篇文章中，我們先從需求面談起，讓 QueryPal 具備了 MCP Server 的能力，AI 客戶端（例如 Copilot、Kiro、Claude Desktop）能夠「直接」調用我們的功能。但你可能會好奇：AI 究竟是怎麼知道我有哪些功能？又是怎麼知道要傳什麼參數、回傳什麼資料的？這篇就從實務角度拆解 MCP 的核心運作原理。

2. 什麼是 MCP（Model Context Protocol）

MCP，全名 Model Context Protocol，是一個讓 AI 與外部工具進行標準化互動的協定。它解決了兩個關鍵問題：

1. 工具發現（Tool Discovery） — AI 如何「自動找到」可用的工具。
2. 工具使用（Tool Invocation） — AI 如何根據規格正確調用工具。

與傳統 API 相比，MCP 多了「自描述（self-describing）」的能力——當 AI 連線到 MCP Server 時，它能自動取得所有工具清單、每個工具的用途說明、輸入/輸出參數格式，甚至是錯誤格式。

適用場景：

• 讓 AI Agent 自動串接你的系統功能
• 讓不同 AI 工具（Copilot、Kiro、Claude Desktop…）即插即用
• 減少人類手動教 AI 如何使用 API 的步驟

3. 核心概念

MCP 的運作可以拆成幾個核心模組：

3.1 Tool Registry（工具登錄表）

• MCP Server 維護的一份工具清單
• 每個工具有唯一識別名稱、描述、標籤（tags）
• 例如 QueryPal 的 list-collections、generate-query

3.2 Schema Discovery（規格探索）

• 每個工具都有輸入與輸出的 schema（通常用 JSON Schema 表示）
• AI 可透過 MCP API 取得 schema
• 這讓 AI 能自行推導應該傳哪些欄位、欄位型態、哪些必填

3.3 Execution（執行）

• AI 根據 schema 組裝請求
• MCP Server 執行對應邏輯
• 回傳結果（或錯誤）給 AI

3.4 Metadata（中繼資料）

• 包含版本、作者、支援的傳輸方式（HTTP、SSE）、驗證需求等

4. 與 AI Agent 的互動流程

流程解讀：

1. AI 與 MCP Server 建立連線（HTTP/SSE 或透過 mcp-remote）
2. 取得工具清單（Tool Registry）
3. 指定某工具並取得詳細 schema
4. 按 schema 組裝請求並發送
5. MCP Server 執行並回傳結果

5. 系統架構

根據官方「Concepts of MCP」說明（見參考連結），MCP 的高層結構包含：

• Client（客戶端）：LLM 代理或 IDE（如 Copilot、Kiro、Claude Desktop），實作 MCP client，能連線至一個或多個 MCP 伺服器。
• Server（伺服器）：以 MCP 介面公開工具（tools）、資源（resources）等能力，負責工具登錄、規格提供與執行。
• Transport（傳輸層）：HTTP（含 SSE）或 WebSocket；若需 OAuth／網路限制，可透過 mcp-remote 代理。
• Capabilities Negotiation（能力協商）：連線時交換支援能力（例如是否支援 resources、prompts、流式傳輸）。
• Registry & Discovery（登錄與探索）：客戶端列出工具與其 schema；可選擇暴露資源與 metadata。
• Execution（執行）：客戶端依 schema 構造參數請求執行，伺服器回傳成功結果或結構化錯誤。
• Security（安全）：驗證通常由伺服器或代理處理（如 OAuth/OIDC、API Key），MCP 訊息層保持中立。

Mermaid：系統關係與資料流

參考：Concepts of MCP（系統架構） — https://modelcontextprotocol.io/docs/learn/architecture#concepts-of-mcp

6. 協定與詳細規格（部分重點）

MCP 採用 JSON-RPC 2.0 為基礎進行通訊，格式如下：

5.1 Tool List（工具清單）

{
  "jsonrpc": "2.0",
  "method": "tools/list",
  "params": {},
  "id": 1
}

回應範例：

{
  "jsonrpc": "2.0",
  "result": {
    "tools": [
      {
        "name": "list-collections",
        "description": "List all MongoDB collections",
        "input_schema": {"type": "object", "properties": {}},
        "output_schema": {"type": "array", "items": {"type": "string"}}
      }
    ]
  },
  "id": 1
}

5.2 Tool Execution（工具執行）

{
  "jsonrpc": "2.0",
  "method": "tools/execute",
  "params": {
    "name": "generate-query",
    "arguments": {
      "collection": "users",
      "description": "Find all active users"
    }
  },
  "id": 2
}

參考資料：

• MCP 官方文件
• fastapi_mcp GitHub 專案
• Azure MCP Server 介紹

7. 小結

MCP 讓 AI 不只是「讀懂你的 API 文件」，而是能「自己找到並用對工具」。在 QueryPal 的案例中，我們不需要額外寫一堆 Copilot 專用的封裝，只要一次實作 MCP，所有支援的 AI 工具都能直接使用。

下一篇，我會示範如何從零實作一個完整可運作的 MCP Server，讓你更清楚它的內部運作。