揭秘MCP真實調用鏈路——Claude/ChatGPT如何通過Server中間件重寫Context注入路徑

想用Claude幫你讀取本地文件、查數據庫、甚至自動化執行復雜工作流？別再手動復制粘貼了。MCP（模型上下文協議）不是簡單給AI裝個插件，它是一套徹底重構AI與外部世界連接方式的底層架構。今天拆開黑盒，看看請求到底怎么跑的。

誤區澄清：MCP ≠ 插件式集成

很多人以為MCP就是給Claude裝個"擴展"，類似瀏覽器插件。錯。

傳統插件是點對點的：AI應用直接調用插件API，耦合緊、擴展難、上下文管理混亂。而MCP引入了一個中間層——MCP Server，它充當標準化的"上下文路由器"。AI應用不再直接對接各種數據源和工具，而是通過統一的MCP協議與Server通信，Server再負責連接后端資源。

這帶來的核心變化是：上下文注入路徑被重寫了。以前是"AI → 工具 → 返回結果"，現在是"AI → MCP Server → 動態組裝上下文 → 注入模型"。上下文不再是一次性的工具調用結果，而是由Server持續管理、結構化注入的可復用資源。

完整調用鏈路拆解

以"Claude讀取本地項目文件并分析代碼結構"為例，走一遍真實鏈路：

第1步：AI應用發起MCP請求

Claude Desktop檢測到用戶意圖（如"幫我分析這個項目的代碼結構"），生成結構化的MCP請求：

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

注意：這里不是Claude直接調文件系統API，而是通過MCP協議發送一個標準化的JSON-RPC請求。Claude本身不關心文件怎么讀，它只說"我要這個目錄下的Python文件"。

第2步：MCP Server接收并處理請求

本地運行的MCP Server（比如一個基于@modelcontextprotocol/sdk的Node.js服務）收到請求后：

// MCP Server 端處理邏輯（簡化示例）
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: {} } }
);

// 注冊工具處理器
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'));
    
    // 讀取每個文件的前50行作為上下文摘要
    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 })
      }]
    };
  }
});

關鍵點：Server在這里做了三件事——權限校驗（確保路徑安全）、數據預處理（只取前50行避免上下文爆炸）、格式標準化（統一返回JSON結構）。

第3步：上下文注入路徑重寫

傳統方式：工具返回原始數據 → 直接塞進prompt → 模型處理（容易超長、格式混亂）。

MCP方式：Server返回結構化結果 → Claude的MCP客戶端層解析 → 動態組裝到系統提示詞的特定位置：

[系統提示詞]
你是一個代碼分析助手。

[動態注入的MCP上下文 - 來自local-filesystem工具]
當前項目包含3個Python文件：
- main.py (120行): 入口文件，包含Flask路由定義...
- utils.py (85行): 工具函數，包含數據庫連接池...
- models.py (67行): SQLAlchemy模型定義...

[用戶輸入]
分析這個項目的代碼結構

這個注入過程是自動的、結構化的、可緩存的。如果用戶后續問"utils.py里有什么函數"，Claude不需要再次調用MCP，因為上下文已經在了。

第4步：模型生成響應

Claude基于注入的上下文生成分析結果。如果需要更深入的信息（比如讀取某個文件的完整內容），它會再次發起MCP請求，Server按需返回增量數據。

實戰案例：MCP Server連接數據庫

假設你要讓Claude查詢公司的銷售數據庫。傳統做法：寫SQL → 手動執行 → 復制結果 → 粘貼給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：只允許預定義的查詢模式，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]
    );
    
    // 預處理：計算匯總統計，減少上下文占用
    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) })
      }]
    };
  }
});

現在你對Claude說："幫我分析上個月的銷售趨勢"，它會自動調用MCP Server，拿到結構化的銷售數據，生成帶圖表描述的分析報告。全程無需手動干預。

MCP的底層技術價值

1. 上下文可組合：多個MCP Server可以同時工作。Claude可以同時查詢文件系統、數據庫、搜索引擎，Server各自返回結果，由客戶端層統一組裝上下文。
2. 權限與安全隔離：敏感操作（如數據庫查詢、文件寫入）在Server端執行，AI模型永遠不直接接觸原始憑證。
3. 可緩存與增量更新：Server可以緩存頻繁訪問的數據，只在數據變化時更新上下文，減少重復調用。
4. 標準化協議：無論后端是PostgreSQL、MongoDB還是本地文件，對AI應用來說都是同一個MCP接口。換數據源？換Server就行，AI應用代碼零改動。

下一步行動

1. 本地跑起來：用npx @modelcontextprotocol/create-server生成一個MCP Server模板，5分鐘連接你的本地文件系統。
2. 接一個真實數據源：把你最常用的數據源（Notion、Google Sheets、公司數據庫）封裝成MCP Server，讓Claude直接查詢。
3. 組合多個Server：同時掛載文件系統+數據庫+搜索Server，測試Claude在復雜任務中的自主調度能力。

MCP不是未來，是現在。誰先把上下文注入路徑標準化，誰就掌握了AI自動化的基礎設施層。