MCP 完整教學 2026：什麼是 Model Context Protocol？從架構、三大原語到 Python 實作第一個 MCP Server 的權威指南

MCP（Model Context Protocol）是讓 AI 應用連接外部工具與資料的開放標準，像「AI 界的 USB-C」：一次開發、處處可用，Claude、ChatGPT、Cursor 都支援，2026 年已是 AI 代理開發的必學基礎。

如果你在 2026 年還不知道 MCP，那你大概錯過了 AI 開發領域最重要的基礎建設之一。這個由 Anthropic 在 2024 年底開源的協定，只花了不到兩年就變成整個 AI 生態系的「共同語言」——OpenAI 在 2025 年 3 月宣布支援、Google Gemini 與 Microsoft Copilot 跟進、官方 Registry 已有近萬個伺服器記錄。這篇文章用最白話的方式，帶你從零搞懂 MCP：它解決什麼問題、架構長怎樣、三大原語是什麼，最後用 Python 實作第一個 MCP Server。

為什麼需要 MCP？先看 AI 整合的碎片化噩夢

在 MCP 出現之前，把 AI 模型接到外部系統是場噩夢。假設你的公司有三個 AI 平台（Claude、ChatGPT、Gemini）和三個系統（資料庫、CRM、檔案庫）：

• 把 ChatGPT 接到 CRM？要寫一個 ChatGPT 專屬 plugin。
• 同一套功能搬到 Claude？全部重寫。
• Gemini 又是另一套做法。

這就是經典的 N×M 整合問題：每個「模型 × 工具」組合都要一套客製化 glue code（膠水程式碼）、schema、錯誤處理。系統越多，複雜度爆炸式成長，開發慢、bug 多、維護成本高。

MCP 的解法很簡單：把「模型」和「工具」中間的介面標準化。就像 USB-C 統一了充電與傳輸介面——不管哪個裝置，插上就能用。模型端只要支援 MCP，就能連接任何 MCP Server；工具端只要做成 MCP Server，就能服務任何支援 MCP 的 AI 應用。一次開發，多處複用，N×M 直接變成 N+M。

MCP 核心架構：Host / Client / Server 三層

flowchart LR
    H[Host<br/>AI 應用<br/>Claude Desktop / Cursor / ChatGPT]
    C1[MCP Client 1]
    C2[MCP Client 2]
    S1[MCP Server A<br/>本地 檔案系統<br/>stdio]
    S2[MCP Server B<br/>本地 資料庫<br/>stdio]
    S3[MCP Server C<br/>遠端 Sentry<br/>Streamable HTTP]
    H --> C1
    H --> C2
    C1 <--> S1
    C1 <--> S2
    C2 <--> S3

MCP 採用典型的 client-server 架構，三個角色各司其職：

一個 Host 可以同時連接多個 Server——本地 Server（如檔案系統、資料庫，走 stdio）與遠端 Server（如 Sentry、GitHub，走 Streamable HTTP）可以混用。所有訊息走 JSON-RPC 2.0 格式，不管底層用什麼傳輸方式，協定表面都一致。

三大核心原語：Tools / Resources / Prompts

MCP 定義了三種 Server 可以暴露給 AI 的「原語」（Primitives），理解這三個就掌握了 MCP 的精髓：

一個資料庫 MCP Server 的典型設計：用 Tools 讓模型執行 SQL 查詢、用 Resources 暴露資料庫 schema 給模型參考、用 Prompts 提供「如何用這些工具」的示範對話。Client 透過 tools/list、resources/list 等方法動態發現能力，所以 Server 的功能可以隨時擴充。

💡 2026-07-28 最新版規格還加入了客戶端原語：Elicitation（Server 主動向使用者追問資訊、請求確認，取代已棄用的 Sampling）。新版規格也棄用了舊的 Logging 原語，建議改用 stderr 或 OpenTelemetry。

傳輸方式：stdio vs Streamable HTTP

MCP 的傳輸層（Transport）決定 Server 與 Client 之間怎麼「講話」：

Streamable HTTP 已取代舊版 HTTP+SSE 傳輸（2024-11-05 規格），但保持向下相容。實務上：本機開發一律用 stdio（Client 直接把 Server 當子進程啟動），要上線給多人用才部署 Streamable HTTP。

Python 實戰：15 行寫出第一個 MCP Server

理論講完，直接動手。用官方 MCP Python SDK v2（目前穩定版，支援 2026-07-28 規格，需 Python 3.10+）：

# 安裝（含 CLI 工具）
pip install "mcp[cli]"
# 或用 uv
uv add "mcp[cli]"

建立 server.py，一個完整的 MCP Server 只要 15 行：

from mcp.server import MCPServer

mcp = MCPServer("Demo")


@mcp.tool()
def add(a: int, b: int) -> int:
    """Add two numbers."""
    return a + b


@mcp.resource("greeting://{name}")
def greeting(name: str) -> str:
    """Greet someone by name."""
    return f"Hello, {name}!"

用 @mcp.tool() 註冊工具、@mcp.resource() 註冊資源，就完成了！啟動並用官方 Inspector 除錯工具測試：

uv run mcp dev server.py

進階範例：SQLite 查詢工具

實務上更常見的用法是讓 AI 直接查資料庫。以下範例把 SQLite 查詢包成一個 tool：

import sqlite3
from mcp.server import MCPServer

mcp = MCPServer("SQLite Helper")


@mcp.tool()
def query_sales(sql: str) -> list:
    """Execute a read-only SQL query on the sales database."""
    conn = sqlite3.connect("sales.db")
    conn.row_factory = sqlite3.Row
    cur = conn.execute(sql)
    rows = [dict(r) for r in cur.fetchall()]
    conn.close()
    return rows

連到 Claude Code 與 Cursor

Server 寫好後，在 AI 工具的設定檔註冊即可：

Claude Code（~/.claude.json 或專案 .mcp.json）：

{
  "mcpServers": {
    "sqlite": {
      "command": "/path/to/venv/bin/python",
      "args": ["/path/to/server.py"]
    }
  }
}

Cursor（~/.cursor/mcp.json）：

{
  "mcpServers": {
    "sqlite": {
      "command": "/path/to/venv/bin/python",
      "args": ["/path/to/server.py"]
    }
  }
}

⚠️ 三個關鍵踩坑提醒：

1. 一定要用絕對路徑指定 Python 直譯器與腳本位置，相對路徑在子進程啟動時常常找不到。
2. stdio 模式下 log 一律寫 stderr，千萬不要 print() 到 stdout——會破壞 JSON-RPC 訊息協定，讓 Client 直接斷線。
3. 設定後 Cursor 會顯示綠色狀態點、Claude Desktop 會出現 tools 圖示，每次工具呼叫前都要使用者批准。

2026 生態系現況：MCP 已經不是「未來」

MCP 的採用數據在 2026 年已經非常扎實：

各大平台支援現況：

企業部署的安全挑戰

工具能力越強，安全責任越大。MCP 的動態工具呼叫模型帶來幾個獨特威脅：

• 工具中毒（Tool Poisoning）：攻擊者用惡意撰寫的工具描述誘騙模型做出不該做的事。
• 間接提示注入（Prompt Injection）：惡意文件或網頁內容夾帶隱藏指令，讓代理在執行任務時「被劫持」——OpenAI 自己都承認這個問題「不太可能被徹底解決」。

企業部署建議遵循以下原則：

1. 零信任（Zero Trust）：Never trust, always verify。每個請求都重新驗證授權，不只登入時驗一次。
2. 最小權限：Server 只暴露必要的工具。與其給「全資料庫管理」，不如給「query_sales_data」這種窄範圍、帶參數限制與速率限制的工具。
3. 即時權限授予（JIT）：不給常駐權限，需要時才發放短期、限時、限用途的存取憑證。
4. 閘道集中管控：企業內所有 MCP 連線走單一閘道，統一執行 OAuth 2.1 認證、工具級 RBAC 與呼叫級審計日誌，才能滿足 SOC 2 / 合規稽核。

總結

MCP 之於 AI 代理，就像 USB-C 之於消費電子——它把「AI 連外部世界」這件事標準化了。對開發者來說，學會寫 MCP Server 等於拿到一張「一次開發、所有 AI 都能用」的入場券；對企業來說，MCP 是讓 AI 從聊天機器人升級為真正能做事之員工的關鍵基礎設施。

下一步可以從官方 Registry 找現成 Server 裝來玩，或參考我們先前介紹的 MCP Router 開源路由器，用一個 Server 同時代理多個後端工具；對 MCP 安全性有興趣的讀者，可以看這篇企業 API 整合 MCP 難度分析。

延伸閱讀

• 大腦思考大不同：Sequential Thinking MCP 與推理型大模型功能實現全解析 — 用 MCP 強化模型推理能力的實例
• MCP Router：模型上下文協定伺服器的開源路由器 — 單一入口管理多個 MCP Server
• 2026 年 SEO 怎麼做？用 Semrush MCP + ChatGPT 聊天完成網站稽核 — MCP 在行銷場景的實戰應用
• Agent Skills 完整教學：讓 Claude Code、Cursor 自動遵循工程紀律 — MCP 之外的另一種能力擴充方式
• DeepSeek Harness 開源登場：「一切皆插件」的 Agent 框架 — 插件化 Agent 架構的最新嘗試

資料來源

• MCP 官方文件：What is the Model Context Protocol?
• MCP 規格 2026-07-28
• MCP Python SDK 官方文件
• modelcontextprotocol/python-sdk GitHub
• Stacklok：State of MCP in Software 2026
• DigitalOcean：How to Build an MCP Server in Python