实现编程 Agent 里我们给 Agent 装了三个工具：读文件、写文件、执行命令。工具的定义方式很直接，一段 JSON 描述参数格式，一个 Python 函数实现逻辑，Agent 就能用了。
这种方式足够简单，但你有没有想过一个问题：如果你想把自己的工具给别人用呢？
MCP 的使用场景
MCP 全称 Model Context Protocol（模型上下文协议），听起来挺唬人，但本质就是一套标准化的工具接口协议。
在用它之前，先想清楚你的场景。如果你只是自己本地开发，想让 Claude Code 调一个脚本查个东西、跑个命令，那直接写个 Python 脚本就行了。
Claude Code 本身就能执行命令、读写文件，你写个脚本让它用 run_command 调用，几分钟搞定，完全没必要引入 MCP。
MCP 真正有价值的场景是把工具变成标准化的服务，适合多人使用、需要集中管控的场景，举两个例子：
GitHub 私有仓库查询：假设你有一批私有仓库，团队成员想通过 AI 助手搜代码。你不可能把 Token 给每个人，但可以部署一个 MCP Server，Token 存在服务端，大家在自己的 AI 客户端（Claude Code、Cursor 等）里配一个地址就能查，接触不到 Token。
公司内部文档系统：公司想让所有员工都能通过 AI 助手查内部文档，写个查询脚本分发给大家当然也能用，但每个人都得装脚本，更新了还得确保所有人同步，想做权限控制（不同部门看不同文档）也很难。
MCP Server 就没这些问题，因为它本身就是个 Server 嘛，所有人配一个 URL 就能用，也容易做不同用户的权限隔离。
你加了新功能或者修改了已有的接口，大家那边自动就更新了，因为 MCP client 每次连接 MCP server 都会动态获取最新的工具列表和参数定义，用户无感知。
所以 MCP 的核心价值在于集中维护、标准通用：
敏感信息留在服务端，调用者不需要关心服务端内部的实现；只需要在 MCP Server 端维护一份工具代码，所有支持 MCP 协议的 AI 客户端都能直接用，不用为不同的客户端单独适配，而且更新即时生效。
接下来我们就动手写一个简单 MCP Server 和 MCP client，并且把它接入到你喜欢的 AI 编辑器中。