揭秘MCP真实调用链路——Claude/ChatGPT如何通过Server中间件重写Context注入路径

想用Claude帮你读取本地文件、查数据库、甚至自动化执行复杂工作流？别再手动复制粘贴了。MCP（模型上下文协议）不是简单给AI装个插件，它是一套彻底重构AI与外部世界连接方式的底层架构。今天拆开黑盒，看看请求到底怎么跑的。

误区澄清：MCP ≠ 插件式集成

很多人以为MCP就是给Claude装个"扩展"，类似浏览器插件。错。

传统插件是点对点的：AI应用直接调用插件API，耦合紧、扩展难、上下文管理混乱。而MCP引入了一个中间层——MCP Server，它充当标准化的"上下文路由器"。AI应用不再直接对接各种数据源和工具，而是通过统一的MCP协议与Server通信，Server再负责连接后端资源。

这带来的核心变化是：上下文注入路径被重写了。以前是"AI → 工具 → 返回结果"，现在是"AI → MCP Server → 动态组装上下文 → 注入模型"。上下文不再是一次性的工具调用结果，而是由Server持续管理、结构化注入的可复用资源。

完整调用链路拆解

以"Claude读取本地项目文件并分析代码结构"为例，走一遍真实链路：

第1步：AI应用发起MCP请求

Claude Desktop检测到用户意图（如"帮我分析这个项目的代码结构"），生成结构化的MCP请求：

{
  "jsonrpc": "2.0",
  "method": "tools/call",
  "params": {
    "name": "read_directory",
    "arguments": {
      "path": "/Users/dev/my-project",
      "pattern": "*.py"
    }
  },
  "id": "req_001"
}

注意：这里不是Claude直接调文件系统API，而是通过MCP协议发送一个标准化的JSON-RPC请求。Claude本身不关心文件怎么读，它只说"我要这个目录下的Python文件"。

第2步：MCP Server接收并处理请求

本地运行的MCP Server（比如一个基于@modelcontextprotocol/sdk的Node.js服务）收到请求后：

// MCP Server 端处理逻辑（简化示例）
import { Server } from "@modelcontextprotocol/sdk/server/index.js";
import fs from "fs/promises";
import path from "path";

const server = new Server(
  { name: "local-filesystem", version: "1.0.0" },
  { capabilities: { tools: {} } }
);

// 注册工具处理器
server.setRequestHandler("tools/call", async (request) => {
  const { name, arguments: args } = request.params;
  
  if (name === "read_directory") {
    const files = await fs.readdir(args.path);
    const pyFiles = files.filter(f => f.endsWith('.py'));
    
    // 读取每个文件的前50行作为上下文摘要
    const contents = await Promise.all(
      pyFiles.map(async (file) => {
        const content = await fs.readFile(
          path.join(args.path, file), 
          "utf-8"
        );
        return {
          filename: file,
          preview: content.split("\n").slice(0, 50).join("\n"),
          lines: content.split("\n").length
        };
      })
    );
    
    return {
      content: [{
        type: "text",
        text: JSON.stringify({ files: contents, total: pyFiles.length })
      }]
    };
  }
});

关键点：Server在这里做了三件事——权限校验（确保路径安全）、数据预处理（只取前50行避免上下文爆炸）、格式标准化（统一返回JSON结构）。

第3步：上下文注入路径重写

传统方式：工具返回原始数据 → 直接塞进prompt → 模型处理（容易超长、格式混乱）。

MCP方式：Server返回结构化结果 → Claude的MCP客户端层解析 → 动态组装到系统提示词的特定位置：

[系统提示词]
你是一个代码分析助手。

[动态注入的MCP上下文 - 来自local-filesystem工具]
当前项目包含3个Python文件：
- main.py (120行): 入口文件，包含Flask路由定义...
- utils.py (85行): 工具函数，包含数据库连接池...
- models.py (67行): SQLAlchemy模型定义...

[用户输入]
分析这个项目的代码结构

这个注入过程是自动的、结构化的、可缓存的。如果用户后续问"utils.py里有什么函数"，Claude不需要再次调用MCP，因为上下文已经在了。

第4步：模型生成响应

Claude基于注入的上下文生成分析结果。如果需要更深入的信息（比如读取某个文件的完整内容），它会再次发起MCP请求，Server按需返回增量数据。

实战案例：MCP Server连接数据库

假设你要让Claude查询公司的销售数据库。传统做法：写SQL → 手动执行 → 复制结果 → 粘贴给Claude。

用MCP Server的做法：

// database-mcp-server.js
import { Server } from "@modelcontextprotocol/sdk/server/index.js";
import pg from "pg";

const pool = new pg.Pool({ connectionString: process.env.DATABASE_URL });

server.setRequestHandler("tools/call", async (request) => {
  if (request.params.name === "query_sales") {
    const { date_range, metric } = request.params.arguments;
    
    // 安全：只允许预定义的查询模式，防止SQL注入
    const allowedMetrics = ["revenue", "orders", "avg_order_value"];
    if (!allowedMetrics.includes(metric)) {
      throw new Error("Invalid metric");
    }
    
    const result = await pool.query(
      `SELECT date, ${metric} FROM sales WHERE date BETWEEN $1 AND $2`,
      [date_range.start, date_range.end]
    );
    
    // 预处理：计算汇总统计，减少上下文占用
    const summary = {
      total: result.rows.reduce((sum, r) => sum + r[metric], 0),
      trend: result.rows.length > 1 ? 
        (result.rows[result.rows.length-1][metric] > result.rows[0][metric] ? "上升" : "下降") : "持平",
      data_points: result.rows.length
    };
    
    return {
      content: [{
        type: "text",
        text: JSON.stringify({ summary, raw_data: result.rows.slice(0, 10) })
      }]
    };
  }
});

现在你对Claude说："帮我分析上个月的销售趋势"，它会自动调用MCP Server，拿到结构化的销售数据，生成带图表描述的分析报告。全程无需手动干预。

MCP的底层技术价值

1. 上下文可组合：多个MCP Server可以同时工作。Claude可以同时查询文件系统、数据库、搜索引擎，Server各自返回结果，由客户端层统一组装上下文。
2. 权限与安全隔离：敏感操作（如数据库查询、文件写入）在Server端执行，AI模型永远不直接接触原始凭证。
3. 可缓存与增量更新：Server可以缓存频繁访问的数据，只在数据变化时更新上下文，减少重复调用。
4. 标准化协议：无论后端是PostgreSQL、MongoDB还是本地文件，对AI应用来说都是同一个MCP接口。换数据源？换Server就行，AI应用代码零改动。

下一步行动

1. 本地跑起来：用npx @modelcontextprotocol/create-server生成一个MCP Server模板，5分钟连接你的本地文件系统。
2. 接一个真实数据源：把你最常用的数据源（Notion、Google Sheets、公司数据库）封装成MCP Server，让Claude直接查询。
3. 组合多个Server：同时挂载文件系统+数据库+搜索Server，测试Claude在复杂任务中的自主调度能力。

MCP不是未来，是现在。谁先把上下文注入路径标准化，谁就掌握了AI自动化的基础设施层。