从理论到应用：AI搜索MCP的最佳实践案例解析

阿里妹导读

本文深入探讨了如何通过 MCP 协议让大语言模型（LLM）高效调用外部工具，并结合多个实际场景展示了 MCP 在 AI 应用中的价值和未来潜力。

背景

那些LLM不知道的事

开篇先尝试直接问LLM一个问题，“今天天气如何”。

然而，并未能从LLM获得期望回答。原因也很简单，今天是哪天？天气是哪里的天气？这些问题对于LLM来说统统不得而知。

因此，我们很自然地想到，是不是能让LLM自己学会用工具，哪里不会点哪里呢？

当LLM学会用工具

“让LLM自己学会用工具，来解答用户问题。”

上面这句话中，出现了三个角色，“用户”、“工具”、“LLM”，以及隐藏的第四个角色——将这一切粘合起来的“主控程序”。

关于四者的交互流程，我从百炼找了张图，供以参考：

MCP干嘛来了

没有MCP，我要怎么做

按着Agent+FunctionCall的模式，我设计了工具schema，走通了LLM的服务调用，终于让LLM学会了用工具。但随着工具越来越多、工具调用与LLM耦合得越来越深，不管是维护还是迭代，都会消耗大量的精力。

那么，问题来了：

能不能实现Agent与Tools的解耦？
能不能能统一不同Tools的调用协议，让模型快速接入？
能不能实现Tools的共享？

– 有了MCP，我会怎么做

现在有了MCP，一切都好起来了：

Agent和Tools，我可以分开维护了。
再多的Tools，我用”list_tools”+”call_tool”就解决了。
我可以分享自己的Tools，也可以快速接入别人的Tools了。

近距离看看MCP

MCP is an open protocol that standardizes how applications provide context to LLMs. Think of MCP like a USB-C port for AI applications. Just as USB-C provides a standardized way to connect your devices to various peripherals and accessories, MCP provides a standardized way to connect AI models to different data sources and tools.

MCP架构中的角色主要有以下几种：

MCP Hosts: 相当于上文提到的“主控程序”，比如Claude Desktop、IDE等。
MCP Clients: 服务调用的客户端，通常会被集成到Host中执行list_tools、call_tool等操作。
MCP Servers: 服务调用的服务端，通常在此定义tools、prompts、resources等。
Local Data Sources: 本地数据。
Remote Services: 远端服务。

ps：写了个mcp demo，就想让LLM告诉我，今天天气到底如何？

mcp = FastMCP("Demo")
@mcp.tool(    name="get_current_time",    description="获取当前时间",)def get_current_time():    """       获取当前时间并进行格式化展示       :return:    """    now = datetime.datetime.now()    formatted_time = now.strftime("%Y-%m-%d %H:%M:%S")    return formatted_time

@mcp.tool(    name="get_location",    description="获取当前地点",)def get_location():    """       获取当前地点       :return:    """    try:        response = requests.get("http://ip-api.com/json/")        data = response.json()
        if data["status"] == "success":            location_info = {                "country": data.get("country", ""),                "region": data.get("regionName", ""),                "city": data.get("city", "")            }            return json.dumps(location_info, ensure_ascii=False)        else:            return json.dumps({"error": "无法获取地理位置"}, ensure_ascii=False)    except Exception as e:        return json.dumps({"error": str(e)}, ensure_ascii=False)

AI搜索怎么玩MCP

场景一：文件解析与总结

1. 前置准备

1.1 注册 AI搜索平台[1]，获取 api-key[2]

1.2 vscode + cline

从理论到应用：AI搜索MCP的最佳实践案例解析

1.3 cline配置llm接口

API Provider选择 OpenAI Compatible

Base URL设为：

https://dashscope.aliyuncs.com/compatible-mode/v1

从理论到应用：AI搜索MCP的最佳实践案例解析

1.4 安装uv，管理python环境

curl -LsSf https://astral.sh/uv/install.sh | sh 或者 pip install uv

2. cline配置mcp server

2.1 下载 alibabacloud-opensearch-mcp-server[3]

2.2 配置mcp server

{  "mcpServers": {    "aisearch-mcp-server": {      "command": "uv",      "args": [        "--directory",        "/path/to/aisearch-mcp-server",        "run",        "aisearch-mcp-server"      ],      "env": {        "AISEARCH_API_KEY": "<AISEARCH_API_KEY>",        "AISEARCH_ENDPOINT": "<AISEARCH_ENDPOINT>"      }    }  }}

3. 任务演示

此处为语雀视频卡片，点击链接查看：aisearch_mcp_demo.mp4

4. 业务价值

降低接入成本，提升用户体验：支持用户通过标准化方式快速集成AI搜索平台的服务，降低了开发门槛和接入成本，同时提升了用户体验。
提高系统灵活性：用户可根据业务需求灵活配置AI服务，适应多样化的业务需求。
支持自然语言交互与智能化操作：用户可通过简单的自然语言指令进行智能化任务编排，完成复杂的任务执行。
促进创新和业务增长：可通过MCP的标准化集成，进行快速试错与迭代，加速产品上线周期。

场景二：向量检索及排序

1. 前置准备

（新增）开通 opensearch向量检索版[4]，构建一张向量表

（其他）同场景一

2. cline配置mcp server

2.1 下载 alibabacloud-opensearch-mcp-server

2.2 配置mcp server

{  "mcpServers": {    "aisearch-mcp-server": {      "command": "uv",      "args": [        "--directory",        "/path/to/aisearch-mcp-server",        "run",        "aisearch-mcp-server"      ],      "env": {        "AISEARCH_API_KEY": "<AISEARCH_API_KEY>",        "AISEARCH_ENDPOINT": "<AISEARCH_ENDPOINT>"      }    },    "opensearch-vector-mcp-server": {      "command": "uv",      "args": [        "--directory",        "/path/to/opensearch-vector-mcp-server",        "run",        "opensearch-vector-mcp-server"      ],      "env": {        "OPENSEARCH_VECTOR_ENDPOINT": "http://ha-cn-***.public.ha.aliyuncs.com",        "OPENSEARCH_VECTOR_USERNAME": "<username>",        "OPENSEARCH_VECTOR_PASSWORD": "<password>",        "OPENSEARCH_VECTOR_INSTANCE_ID": "ha-cn-***",        "OPENSEARCH_VECTOR_INDEX_NAME": "<Optional: index in vector table>",        "AISEARCH_API_KEY": "<Optional: AISEARCH_API_KEY for embedding>",        "AISEARCH_ENDPOINT": "<Optional: AISEARCH_ENDPOINT for embedding>"      }    }  }}

3. 任务演示

4. 业务价值

扩展AI应用场景：增强Agent向量检索能力，支持动态扩展和无缝集成。
优化用户体验：提供更精准的向量搜索服务，降低使用成本。

场景三：Elasticsearch智能检索

1. 前置准备

（新增）开通 Elasticsearch[5]，创建一份索引并写入测试数据

（其他）同场景一

2. cline配置mcp server

2.1 参考 elasticsearch-mcp-server[6]

2.2 配置mcp server

{  "mcpServers": {    "elasticsearch-mcp-server": {      "command": "npx",      "args": [        "-y",        "@elastic/mcp-server-elasticsearch"      ],      "env": {        "ES_URL": "http://es-cn-***.public.elasticsearch.aliyuncs.com:9200",        "ES_USERNAME": "<USERNAME>",        "ES_PASSWORD": "<PASSWORD>"      }    }  }}

3. 任务演示

4. 业务价值

提升数据搜索和分析能力：支持高效的全文搜索、实时分析和复杂查询。
优化用户体验：提供更精准的搜索结果和个性化服务。

参考链接：

[1]https://help.aliyun.com/zh/open-search/activate-services-and-create-api-key?utm_content=g_1000405161

[2]https://help.aliyun.com/zh/open-search/api-keys-management?utm_content=g_1000405162

[3]https://github.com/aliyun/alibabacloud-opensearch-mcp-server?tab=readme-ov-file

[4]https://help.aliyun.com/zh/open-search/vector-search-edition/vector-search-product-overview/?utm_content=g_1000405163

[5]https://help.aliyun.com/zh/es/user-guide/getting-started?utm_content=g_1000405164

[6]https://github.com/elastic/mcp-server-elasticsearch

dify，高效搭建 AI 应用” style=”white-space: normal;margin: 0px;padding: 0px;box-sizing: border-box;”>快速部署 Dify，高效搭建 AI 应用

Dify 作为企业级 LLM 应用开发引擎，能够有效解决 AI 应用开发周期长、技术门槛高的痛点。本方案基于阿里云容器服务 Kubernetes 版 ACK 打造云原生高可用架构，实现快速私有化部署，助力企业高效搭建 AI 应用。

点击阅读原文查看详情。

{{userData.name}}已认证

从理论到应用：AI搜索MCP的最佳实践案例解析

1. 前置准备

🧠 解码大语言模型的记忆力：上下文长度的前世今生

腾讯大模型应用演进之路：从 RAG 到 MCP 的技术实践