MCP explained

MCPAI代理

提供方 shashipk

AI代理 stdio · 本地进程 API Key 社区 / 第三方 Claude DesktopClaudeVS Code
查看接入方式

MCP(模型上下文协议)是一个开放标准,用于定义AI模型与外部工具、数据源和服务的标准化连接方式,简化AI工具集成并提高可重用性。

一句话选型结论

按资料字段整理

MCP explained 属于AI代理类 MCP 服务器,stdio · 本地进程,API Key,可直接接入 Claude Desktop、Claude、VS Code,有可直接执行的安装命令。接入前先确认权限范围;涉及写入、删除或付款的操作,建议先在测试环境验证。

分类AI代理 传输方式stdio · 本地进程 鉴权API Key 部署方式本地部署
GitHub 星标 2 仓库热度,无公开仓库时显示未标注
工具数 7 暴露给模型的工具数量
资源 / 提示词 0 / 0 资源与提示词模板数量
维护方 社区 / 第三方 核验等级 仅资料核对

工具与能力

AI代理
数量来自来源目录的标注,具体工具清单以官方文档为准
工具数量7暴露给模型可调用的工具个数
资源数量0可读取的资源条目
提示词数量0内置提示词模板数量

能力标签

支持客户端

适用场景

AI工具集成Python本地部署标准化协议模型上下文JSON-RPC工具服务器

安装与配置

stdio · 本地进程 API Key
客户端在本机拉起子进程,数据不出本机
python3 -m venv .venv

这条命令只是入口,具体启动参数请按官方文档补齐,不要直接照搬到别的服务器。

  1. 1
    准备运行环境

    stdio 服务在本地起进程,需要先装好 Python,再按安装命令拉取依赖。

  2. 2
    安装服务

    复制上面的安装命令执行;命令里带占位符的位置,换成自己的密钥或路径。

  3. 3
    写入客户端配置

    在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,让新配置生效。

  4. 4
    验证是否可用

    连接成功后客户端会列出约 7 个工具,随便调一个只读工具确认能返回结果。

典型使用场景

3 类
按分类与标签整理的常见用法,具体以官方文档为准
给代理接外部能力

让代理在任务中途调用搜索、数据库等真实工具。

多步任务编排

把一串操作拆成步骤,由代理按顺序执行。

自动化重复流程

把固定流程交给代理跑,减少手工操作。

选择建议

选之前先看这几条
按条目字段给出的判断,不替你决定用不用

值得选的地方

  • 资料标注 7 个工具,职责相对集中,接入后不容易误操作。
  • 有现成的安装命令,不用自己找入口,照着跑就能起服务。
  • 已适配 Claude Desktop、Claude、VS Code,换客户端不用重新研究配置。

先想清楚的地方

  • stdio 方式要求本地装好运行时(如 Node.js),换机器要重新装一遍。
  • 使用前要准备好API Key对应的凭据,并按最小权限配置。
  • 版本更新与行为细节以官方仓库为准。

更适合

  • 需要在AI代理场景里让模型直接调用外部能力的人。
  • 已经在用 Claude Desktop、Claude 的用户,接入路径最短。
  • 想先快速试一下、能接受在本地或自有环境跑服务的人。

不太适合

  • 完全不想在本地装环境的人。
  • 不方便管理密钥或第三方授权的人。
  • 需要厂商级 SLA 和技术支持的生产环境。

同类对比

6 个同类
同分类里挑最接近的几条,字段以各自详情页为准
MCP 服务器工具数传输方式部署方式安装命令最后核验
MCP explained当前 7 stdio · 本地进程 本地部署 有 2026-05-17
Filesystem 560c4363 13 未标注 本地部署 无 2026-05-17
Server Everything (everything) 11 stdio · 本地进程 本地部署 有 2026-05-17
Time 7365cb6d 2 SSE · 服务端推送 远程部署 有 2026-05-18
Everything Claude Code 未标注 stdio · 本地进程 本地部署 有 2026-05-17
Openmemory 557e1585 未标注 stdio · 本地进程 本地部署 有 2026-05-17

服务器档案

AI代理
字段来自项目仓库与公开索引,中文说明由本站标注
提供方shashipk上游标注的维护方 shashipk
分类AI代理本站按上游分类展示
连接方式stdio · 本地进程客户端在本机拉起子进程,数据不出本机
鉴权方式API Key远程服务建议用最小权限凭据
维护方社区 / 第三方核验等级 仅资料核对
包名 / 运行时未标注 · Python本地安装时用到的包标识与运行时
部署类型本地部署上游给出的部署形态
最近核验2026-05-17上游最后核验时间

详细介绍

22.6 KB
来自项目仓库与上游目录的原文,未做删改

MCP解析——通过代码理解模型上下文协议

> 一个动手学习项目,解释 MCP(模型上下文协议) 通过工作Python代码——它是什么,为什么存在,以及它如何使AI工具集成更简单、更强大。


目录

  • 什么是MCP?
  • 为什么我们需要MCP?
  • MCP的工作原理
  • 本项目
  • 项目结构
  • 快速开始
  • 建议学习路径
  • 运行示例
  • 关键概念深度学习
  • MCP生态系统
  • 故障排除
  • 完整安装指南→

什么是MCP?

模型上下文协议(MCP) 是由Anthropic开发(现已广泛采用)的开放标准,定义了 人工智能模型连接到外部工具、数据源和服务的标准化方式.

把它想象成 用于AI工具的USB:

  • USB标准化了设备连接到计算机的方式——一个端口,无限兼容设备
  • MCP规范了工具如何连接到AI模型——一个协议、无限兼容的工具和AI模型

在MCP之前,每个开发人员都必须在他们的工具和每个AI模型之间构建自定义集成。在MCP之后,您只需构建一次工具服务器,它就可以与任何兼容MCP的AI一起工作。

简而言之```

Without MCP: "I need to write code to make my tool work with Claude,
then rewrite it for GPT, then again for Gemini..."

With MCP: "I build an MCP server once. Claude, GPT, Gemini — they
all connect to the same server using the same protocol."


______________________________________________________________________

## 为什么我们需要MCP?

### 问题:N×M积分

想象一下,你有 **5工具** (计算器、数据库、文件系统、天气API、日历)和 **4个AI模型** (克劳德,GPT-4,双子座,拉玛)。没有标准:```
5 tools × 4 AI models = 20 custom integrations to build and maintain

每个集成都有自己的模式格式、调用约定、响应格式、身份验证机制和错误处理——所有这些都是不同的,都是重复的。

解决方案:N+M集成

使用MCP:```
5 tools (each as an MCP server) + 4 AI clients (each MCP-compatible)
= 9 total things to build


每个工具都是写的 **一次** 作为MCP服务器。每个AI客户端都是构建的 **一次** 作为MCP客户端。他们都通过标准协议相互交谈。

### MCP解决的其他问题

|问题|没有MCP |有MCP|
|---------|------------|----------|
| **工具重复使用** |在应用程序之间复制粘贴代码|将任何应用程序指向同一服务器|
| **可发现性** |硬编码哪些工具存在|客户端在运行时发现工具|
| **关注点分离** |工具代码与AI逻辑混合|干净分割:服务器=工具,客户端=AI|
| **生态系统** |每个开发人员都在重新发明轮子|不断增长的可重用服务器库|
| **更新** |更新工具=更新每个AI应用程序|更新服务器=所有客户端都得到它|
| **安全** |工具代码在任何地方运行|工具代码在受控服务器中运行|

______________________________________________________________________

## MCP的工作原理

### 建筑```
┌─────────────────────────────────────────────────────────────────┐
│                         YOUR APPLICATION                         │
│                                                                  │
│  ┌──────────────────┐            ┌─────────────────────────┐    │
│  │    MCP CLIENT     │           │      Claude API          │    │
│  │  (mcp_client.py) │◄─────────►│  (or GPT / Gemini / ...) │   │
│  └────────┬─────────┘            └─────────────────────────┘    │
│           │                                                      │
│     MCP Protocol                                                 │
│     (JSON-RPC over stdio / SSE / WebSocket)                     │
│           │                                                      │
│  ┌────────▼─────────┐                                           │
│  │    MCP SERVER     │                                           │
│  │  (mcp_server.py) │                                           │
│  │                  │                                           │
│  │  Tools exposed:  │                                           │
│  │   • calculate    │                                           │
│  │   • get_weather  │                                           │
│  │   • save_note    │                                           │
│  │   • get_note     │                                           │
│  │   • list_notes   │                                           │
│  │   • get_datetime │                                           │
│  │   • word_count   │                                           │
│  └──────────────────┘                                           │
└─────────────────────────────────────────────────────────────────┘

沟通流程(循序渐进)```

User types: "What is sqrt(144) + 10^2?"
│
▼
MCP Client sends to Claude API
(includes list of tools discovered from MCP server)
│
▼
Claude thinks: "I need the calculator tool"
Claude responds: tool_use { name: "calculate", input: {...} }
│
▼
MCP Client routes to MCP Server via call_tool()
Server executes the calculation
Server returns: "Result: 112"
│
▼
MCP Client sends tool_result back to Claude
│
▼
Claude responds: "sqrt(144) is 12, and 10² is 100, so the answer is 112."
│
▼
User sees the final answer


### 协议:基于stdio的JSON-RPC

MCP使用 **JSON-RPC 2.0** --简单的请求/响应格式。这是客户端和服务器之间实际流动的内容:```json
// Client → Server: "What tools do you have?"
{ "jsonrpc": "2.0", "method": "tools/list", "id": 1 }

// Server → Client: "Here are my tools"
{ "jsonrpc": "2.0", "result": { "tools": [...] }, "id": 1 }

// Client → Server: "Run the calculator"
{ "jsonrpc": "2.0", "method": "tools/call",
"params": { "name": "calculate", "arguments": { "expression": "sqrt(144)" } },
"id": 2 }

// Server → Client: "Here's the result"
{ "jsonrpc": "2.0", "result": { "content": [{ "type": "text", "text": "Result: 12" }] }, "id": 2 }

所有这些都是自动发生的—— mcp Python库处理它。你只需编写工具逻辑,库就可以进行消息传递。


本项目

MCP服务器内置的工具

工具 它做什么 它展示了什么
calculate 安全地评估数学表达式 工具可以包装现有的Python库
get_weather 返回任何城市的模拟天气 工具可以调用外部API
save_note 留一张便条给 data/notes.json 工具可以读/写文件(有状态)
get_note 按键检索笔记 工具可以返回存储的数据
list_notes 列出所有已保存的笔记键 工具不能有必需的参数
get_datetime 返回当前UTC日期/时间 简单实用工具
word_count 统计文本中的单词/字符/句子 文本处理工具

文件及其目的

文件 目的
server/mcp_server.py MCP服务器--定义并运行所有7个工具
client/mcp_client.py MCP客户端连接到服务器,使用Claude回答问题
examples/01_without_mcp.py 传统方法——人工智能客户端中硬编码的工具
examples/02_with_mcp.py MCP方法——结果相同,客户端无工具代码

项目结构```

mcp_explained/
│
├── README.md ← You are here
├── pyproject.toml ← Project dependencies (uv)
├── requirements.txt ← Same deps for pip users
├── .env.example ← API key template
├── .gitignore
│
├── server/
│ └── mcp_server.py ← THE MCP SERVER
│ Exposes 7 tools via stdio transport
│ Any MCP-compatible AI can connect to this
│
├── client/
│ └── mcp_client.py ← THE MCP CLIENT
│ Connects to server, uses Claude + MCP
│ Interactive CLI + scripted demo mode
│
├── examples/
│ ├── 01_without_mcp.py ← Traditional approach (hardcoded tools)
│ └── 02_with_mcp.py ← MCP approach (dynamic discovery)
│
└── data/
└── notes.json ← Persisted notes (created at runtime)


______________________________________________________________________

## 快速开始

> 📖 **需要更多细节吗?** 请参阅 完整的分步安装指南 它涵盖了uv和pip方法、验证步骤、所有运行命令以及完整的故障排除部分。

### 先决条件

- Python 3.11+
- 紫外线 (推荐)或pip
- 启用计费的Anthropic API密钥(在这里买一个)

> **账单备注:** 此项目使用 `claude-haiku-4-5-20251001` 例如(最便宜的型号)。
> 完整的演示课程费用低于 **$0.01**.在以下位置添加至少5美元的信用额度
> console.anthropic.com/settings/billion.

______________________________________________________________________

### 步骤1——克隆仓库```bash
git clone https://github.com/shashipk/mcp_explained.git
cd mcp_explained

步骤2——安装依赖项

紫外线(推荐):```bash
uv sync


**使用pip:**```bash
python3 -m venv .venv
source .venv/bin/activate      # macOS/Linux
pip install -r requirements.txt

步骤3-添加您的API密钥```bash

cp .env.example .env


打开 `.env` 在任何编辑器中,替换占位符:```
ANTHROPIC_API_KEY=sk-ant-api03-your-actual-key-here

> 如何获取密钥:
>
> 1. 首选 console.anthropic.com/settings/keys
> 1. 点击 创建密钥,随便命名(例如。 mcp-learning)
> 1. 复制密钥——它以开头 sk-ant-...
> 1. 将其粘贴到 .env (值周围没有引号)


第4步——验证一切正常```bash

Check that all packages are importable

uv run python -c "import mcp, anthropic, dotenv, rich; print('All OK')"

Expected: All OK

Confirm your API key loads

uv run python -c "
from dotenv import load_dotenv; import os
load_dotenv('.env', override=True)
key = os.environ.get('ANTHROPIC_API_KEY', '')
print('Key OK' if key.startswith('sk-ant') else 'Key missing — check your .env')
"


______________________________________________________________________

## 建议学习路径

如果您是MCP的新手,请按以下顺序操作:```
1. Read "What is MCP?" and "Why Do We Need MCP?" above
↓
2. Run Example 1 (without MCP) — see the problem
uv run python examples/01_without_mcp.py
↓
3. Run Example 2 (with MCP) — see the solution
uv run python examples/02_with_mcp.py
↓
4. Compare the two files side by side in your editor
Open: examples/01_without_mcp.py  vs  examples/02_with_mcp.py
↓
5. Read the server code with comments
Open: server/mcp_server.py
↓
6. Read the client code with comments
Open: client/mcp_client.py
↓
7. Run the interactive client and experiment
uv run python client/mcp_client.py

运行示例

> pip用户注意事项: 如果您使用pip而不是uv,请先激活您的venv:
> source .venv/bin/activate (macOS/Linux)或 .venv\Scripts\activate (Windows)
> 然后使用 python 而不是 uv run python.


示例1:没有MCP(旧方法)```bash

uv run python examples/01_without_mcp.py


**在输出中要注意什么:**

- 工具模式在文件中定义(搜索 `TOOLS_HARDCODED_IN_THIS_FILE`)
- 工具逻辑在文件中运行(请参见 `execute_tool_locally()`)
- 要添加新工具,您必须修改此文件

**尝试一个自定义问题:**```bash
uv run python examples/01_without_mcp.py "What is 15 squared plus sqrt(81)?"

示例2:使用MCP(正确的方式)```bash

uv run python examples/02_with_mcp.py


**注意事项:**

- 此文件中没有工具模式-- `session.list_tools()` 从服务器获取它们
- 此文件中没有工具逻辑-- `session.call_tool()` 在服务器中运行它
- 此文件将自动获得您添加到的任何新工具 `server/mcp_server.py`

**尝试相同的自定义问题:**```bash
uv run python examples/02_with_mcp.py "What is 15 squared plus sqrt(81)?"

同样的答案。完全不同的架构。


交互式客户端(完整体验)```bash

Interactive mode — ask Claude anything

uv run python client/mcp_client.py

Pass a question directly

uv run python client/mcp_client.py "What is the area of a circle with radius 5?"

Scripted demo — automatically shows all 7 tools

uv run python client/mcp_client.py --demo


**尝试涵盖所有7个工具的问题:**```
# Calculator
"What is log base 2 of 1024, and what is 15 factorial?"

# Weather
"Compare the weather in Tokyo, Mumbai, and New York."

# Notes — try these in sequence
"Save a note called 'mcp-insight' with this text: MCP lets you build tools once and reuse them with any AI."
"What notes do I have saved?"
"Read the note called 'mcp-insight'"

# Word count
"How many words are in: Four score and seven years ago our fathers brought forth on this continent a new nation."

# Date / Time
"What day of the week is it today, and what is the Unix timestamp right now?"

关键概念深度学习

1.MCP服务器(server/mcp_server.py)

MCP服务器是一个带有两个处理程序的Python脚本:```python
from mcp.server import Server
from mcp.server.stdio import stdio_server
from mcp import types

app = Server("my-server")

Handler 1: Tell clients what tools exist

@app.list_tools()
async def list_tools() -> list[types.Tool]:
return [
types.Tool(
name="my_tool",
description="Does something useful", # Claude reads this to decide when to use the tool
inputSchema={"type": "object", "properties": {...}}
)
]

Handler 2: Execute a tool when called

@app.call_tool()
async def call_tool(name: str, arguments: dict) -> list[types.TextContent]:
if name == "my_tool":
result = do_something(arguments)
return [types.TextContent(type="text", text=result)]


### 2.MCP客户端(`client/mcp_client.py`)

MCP客户端连接到服务器并将其与AI桥接:```python
from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client

# 1. Define how to launch the server
server_params = StdioServerParameters(command="python", args=["server/mcp_server.py"])

# 2. Connect
async with stdio_client(server_params) as (read, write):
async with ClientSession(read, write) as session:
await session.initialize()                    # MCP handshake

tools = await session.list_tools()            # discover tools dynamically
result = await session.call_tool(name, args)  # execute a tool in the server

3.传输层

MCP支持客户端和服务器的多种通信方式:

运输 用例 工作原理
标准 本地工具(同一台机器) 客户端将服务器作为子进程启动;通过stdin/stdout进行通信
SSE(HTTP) 远程工具(不同的机器) 服务器作为HTTP端点运行;客户端通过服务器发送的事件进行连接
WebSocket 双向远程工具 全双工连接

此项目使用 标准 --最容易在本地设置和运行。在生产环境中,您可以使用SSE或WebSocket通过网络公开服务器,以便多个客户端可以连接。

4.工具模式(JSON模式)

每个工具都用JSON模式描述。Claude使用它来了解要发送哪些参数:```python
types.Tool(
name="calculate",
description="Evaluate a math expression", # ← Claude reads this to decide WHEN to use the tool
inputSchema={
"type": "object",
"properties": {
"expression": {
"type": "string",
"description": "e.g. 'sqrt(144)', '2 + 2 * 10'" # ← Claude reads this to format its call
}
},
"required": ["expression"]
}
)


### 5.代理循环

Claude并没有预先调用所有工具——它一步一步地推理:```
Turn 1  →  User: "What is sqrt(144)?"
Turn 2  →  Claude: tool_use { name: "calculate", input: { "expression": "sqrt(144)" } }
Turn 3  →  User:   tool_result { content: "Result: 12.0" }
Turn 4  →  Claude: "The square root of 144 is 12."   [stop_reason: "end_turn"]

对于复杂的问题,克劳德可能会在给出最终答案之前,在多个回合中调用多个工具。

6.MCP与本地工具使用

您可能会想:“Claude已经原生支持工具使用——为什么要在上面添加MCP?”

特性 本机工具使用(无MCP) 使用MCP
工具模式 在应用程序中硬编码 在可重用服务器中定义
工具逻辑 在应用程序中运行 在服务器中运行
可重用性 零--每个应用程序复制粘贴 完全--任何MCP客户端都可以连接
多模型 每个模型都必须重写 一台服务器适用于所有模型
发现 静态--您预先定义它 动态--客户端在运行时询问服务器
生态系统 无-你构建一切 数百个可用的社区服务器

MCP是一种 标准化层 除了原生工具的使用。客户端仍然发送本机Anthropic格式的工具调用——MCP只是定义了如何在单独的服务器中发现和执行这些工具。


并排理解代码

同样的问题,两种架构:

无MCP (examples/01_without_mcp.py):```python

❌ Tool schemas defined HERE (in the AI client)

TOOLS = [{"name": "calculate", "description": "...", "input_schema": {...}}]

❌ Tool logic runs HERE (in the AI client)

def execute_tool_locally(name, args):
if name == "calculate":
return str(eval(args["expression"], ...))

❌ Reuse = copy-paste this entire file into every new app


**使用MCP** (`examples/02_with_mcp.py`):```python
# ✅ Tool schemas come FROM the server (zero hardcoding here)
tools_response = await session.list_tools()
anthropic_tools = [{"name": t.name, ...} for t in tools_response.tools]

# ✅ Tool logic runs IN the server (zero implementation code here)
result = await session.call_tool(block.name, block.input)

# ✅ Reuse = point any new app at the same server

MCP生态系统

MCP已被所有主要AI平台采用:

  • Anthropic -Claude Desktop,Claude API
  • 开放人工智能 --ChatGPT(2025年宣布支持MCP)
  • 谷歌 --Gemini(社区MCP客户)
  • 微软 --GitHub Copilot,VS Code AI扩展

社区MCP服务器

社区已经构建了数百台即用型MCP服务器:

服务器 它连接到什么
mcp-server-filesystem 本地文件系统(读/写文件)
mcp-server-git Git仓库
mcp-server-github GitHub API(问题、PR、转发)
mcp-server-postgres PostgreSQL数据库
mcp-server-brave-search 勇敢的网络搜索
mcp-server-puppeteer 浏览器自动化
mcp-server-slack Slack消息

更多信息请访问: github/modelcontextprotocol/servers


故障排除

API密钥未加载(ANTHROPIC_API_KEY not set)

如果您在设置密钥后仍看到此错误 .env,您的shell可能已经 ANTHROPIC_API_KEY 设置为空字符串-- load_dotenv 默认情况下不会覆盖现有的shell变量。

此项目中的所有文件都已包含 override=True 要处理此问题:```python
load_dotenv(Path(file).parent.parent / ".env", override=True)


如果您仍然有问题,请验证:```bash
# Does the .env file exist and contain the key?
cat .env | grep ANTHROPIC_API_KEY

# Does it load correctly?
uv run python -c "
from dotenv import load_dotenv; import os
load_dotenv('.env', override=True)
key = os.environ.get('ANTHROPIC_API_KEY', '')
print('OK' if key.startswith('sk-ant') else 'Missing or wrong format')
"

`credit balance is too low````

anthropic.BadRequestError: Your credit balance is too low to access the Anthropic API.


在以下位置添加学分 console.anthropic.com/settings/billion5美元的充值足以完成这个项目的数百次运行。

______________________________________________________________________

### `ModuleNotFoundError: No module named 'mcp'`

你在虚拟环境之外运行Python。使用 `uv run python` 而不是 `python`:```bash
uv run python examples/01_without_mcp.py    # ✓ uses venv
python examples/01_without_mcp.py           # ✗ uses system Python

或者使用pip,先激活venv:```bash
source .venv/bin/activate
python examples/01_without_mcp.py


______________________________________________________________________

### 服务器似乎挂起,没有输出

`server/mcp_server.py` 被设计为 **由客户端作为子流程启动** --它等待stdin上的JSON-RPC输入。直接运行它不会显示任何输出(这是正确的——它正在等待客户端)。始终运行客户端:```bash
uv run python client/mcp_client.py    # ✓ the client launches the server automatically

许可证

麻省理工学院——见 许可证


作者

作为一个学习项目,通过工作代码了解MCP。如果这对你有帮助,给它一个⭐ 在GitHub上!


用途 claude-opus-4-6 对于交互式客户端和 claude-haiku-4-5-20251001 例如(演示更快、更便宜)。

常见问题

8 问
答案由本站依据条目字段整理,不引用上游原文
MCP explained 怎么安装?

在客户端按下面的安装命令接入:python3 -m venv .venv。装完在客户端配置里引用同一个包或端点。

MCP explained 怎么在 Claude Desktop、Claude、VS Code 里配置?

它的传输方式是stdio · 本地进程,在客户端的 MCP 配置里填好启动命令和参数,保存后完全退出客户端再打开,配置才会生效。

MCP explained 收费吗?

本站不代收费用,也没有标注具体价格。是否收费取决于服务本身和背后的接口额度,正式使用前按官方说明确认。

MCP explained 需要 API Key 吗?

资料标注需要API Key认证,使用前准备好对应凭据,并按最小权限配置。

MCP explained 支持哪些客户端?

资料标注支持 Claude Desktop、Claude、VS Code;其他客户端只要能配置 MCP Server,也能用同样的命令或地址接入。

MCP explained 能提供哪些能力?

资料显示约 7 个工具;能力标签包括 标准化协议、Python、Claude、模型上下文。具体工具清单以官方文档为准。

MCP explained 需要什么运行环境?

运行时为 Python;属于本地进程,需要在本机装好运行环境。

MCP explained 是本地还是远程?

它是本地进程(stdio),由客户端在本机拉起。传输方式为stdio · 本地进程。

热门专题

按标签挑服务器
全部专题 →

服务器信息以作者仓库与官方文档为准;分类、传输方式与鉴权方式的中文说明为中文整理,最近核验 2026-05-17。