给本地大模型装上手脚：MCP 模型上下文协议实战，让 Ollama 也能调工具、读文件、查系统
本地跑大模型的朋友应该都有这种憋屈感：模型再…
本地跑大模型的朋友应该都有这种憋屈感：模型再聪明，它也只能待在聊天框里。你让它“帮我看看服务器负载”，它一本正经地编；你让它“读一下这个日志文件”，它两手一摊。不是模型笨，是它没有手脚——没有连接外部世界的通道。
今天聊的就是给本地模型装手脚的标准协议：MCP（Model Context Protocol，模型上下文协议）。这玩意儿 2025 年开始火起来，到 2026 年已经是本地 Agent 的标配了。学完这篇，你的 Ollama 就能真正调用工具、读写文件、查询系统，从“聊天机器人”进化成“能干活的助理”。
一、MCP 到底是什么，为什么本地党更需要它
一句话概括：MCP 是一个开放协议，让大模型能以标准化的方式连接外部工具和数据源。它解决的核心问题是“模型和外部世界之间的接口混乱”——以前你想让模型调个工具，每个框架、每个工具都得单独写一套对接代码，现在统一成一套协议了。
MCP 里有三个角色，第一次接触容易绕晕，记住这个对应关系就行：
- Host（宿主）：承载 AI 的应用，比如 Claude Desktop、Cursor、Cline 这类。
- Client（客户端）：跑在 Host 内部，和 Server 建立一对一连接。
- Server（服务端）：暴露具体能力的程序，比如“读文件”“查数据库”“搜网页”。
对本地党来说，MCP 最香的地方在于：它是模型无关的。Server 写一次，既能给 Claude Desktop 用，也能通过 OpenAI 兼容接口给 Ollama 用的客户端（比如 Cline、Roo Code）用。这意味着你用本地模型，也能享受那些原本只有云端旗舰模型才有的工具调用能力。
二、动手：写一个能查系统状态的 MCP Server
环境按最省事的方式配：Python 3.10+，配合之前写过的 uv（秒级装包），用官方 mcp 包自带的 FastMCP 快速开发。先建环境、装依赖：
uv venv && source .venv/bin/activate && uv pip install mcp然后新建 server.py，写一个能查负载、读文件的 Server：
from mcp.server.fastmcp import FastMCP
import subprocess
mcp = FastMCP("homelab")
@mcp.tool()
def get_uptime() -> str:
"""查看当前服务器的运行时长与负载。"""
return subprocess.run(["uptime"], capture_output=True, text=True).stdout
@mcp.tool()
def read_file(path: str) -> str:
"""读取指定绝对路径的文本文件内容。"""
with open(path, "r", encoding="utf-8") as f:
return f.read()
if __name__ == "__main__":
mcp.run(transport="stdio")注意函数里的 docstring 不是写着玩的，它就是给模型看的“说明书”，后面会展开讲。
三、把 Server 挂到客户端上
先用 Claude Desktop 演示（它原生支持 MCP）。配置文件 claude_desktop_config.json 一般在 macOS 的 ~/Library/Application Support/Claude/ 或 Windows 的 %APPDATA%/Claude/ 下，加一段：
{
"mcpServers": {
"homelab": {
"command": "uv",
"args": ["run", "--with", "mcp", "/absolute/path/server.py"]
}
}
}重启后，聊天框右下角会出现一个锤子图标，点开就能看到 homelab 暴露的两个工具：get_uptime 和 read_file。
不过大多数场景你根本不用自己造轮子。MCP 生态已经攒了不少现成的 Server，官方仓库里就有文件系统、GitHub、PostgreSQL、SQLite、浏览器自动化等一大堆。比如想给模型接文件系统，直接拉官方 server：
npx -y @modelcontextprotocol/server-filesystem /home/cortex/documents这条命令启动后，模型就能在指定目录下读文件、列目录了。把上面配置里的 command 换成 npx、args 换成对应参数即可。学会挂自己写的、再学会挂现成的，基本就能覆盖 80% 的自动化需求。
四、把 MCP 喂给本地 Ollama
这才是重点。想用本地模型调 MCP，推荐 Cline 或 Roo Code 这类 VS Code 扩展，它们既支持 MCP，又支持通过 OpenAI 兼容接口连 Ollama。三步走：
- Ollama 先拉起一个工具调用稳定的模型（推荐 qwen2.5 或 llama3.1 系列）：
ollama run qwen2.5:14b- 在 Cline 的 API 设置里，Provider 选
OpenAI Compatible，Base URL 填http://localhost:11434/v1，API Key 随便填个ollama，Model ID 填qwen2.5:14b。 - 在 Cline 的 MCP 设置里，同样挂上刚才那个
server.py，保存后工具就会出现在模型可见的工具列表里。
然后你在 Cline 里问一句“服务器现在负载怎么样？”，它就会真的去调 get_uptime，把真实结果拿回来，而不是张口就编。
五、怎么确认工具真的被调用了
光配置好还不够，得验证。最直接的办法是用官方 SDK 写个极简客户端，直连你刚写的 server，手动触发一次工具调用：
import asyncio
from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client
async def main():
params = StdioServerParameters(command="uv", args=["run", "--with", "mcp", "server.py"])
async with stdio_client(params) as (read, write):
async with ClientSession(read, write) as session:
await session.initialize()
tools = await session.list_tools()
print("可用工具:", [t.name for t in tools.tools])
result = await session.call_tool("get_uptime", {})
print("返回结果:", result.content[0].text)
asyncio.run(main())跑通之后，你能在终端里直接看到工具列表和 uptime 的真实输出。这一步能帮你把问题隔离在“MCP 层”还是“模型层”——如果这里通了但模型还不调用，那就是模型能力或提示词的问题；如果这里都不通，先回去查配置。
六、踩坑记录，全是我实际翻过的车
- 路径必须写绝对路径。args 里写相对路径，很多客户端会找不到文件，报一堆玄学错误。
- stdio 和 SSE 别搞混。本地单机用 stdio 就够了；只有跨机器、需要远程调用时才考虑 SSE/HTTP 传输，配置复杂得多，新手别一上来就碰。
- Windows 上 command 别直接写 python。建议用
uv run或写全 Python 绝对路径，否则就是经典的“找不到命令”。 - 工具描述要写清楚，模型才敢用。docstring 越具体，模型调用越准；别写“读取文件”这种模糊话，写“读取指定绝对路径的文本文件内容”。
- 小模型工具调用稳定性差。14b 以下偶尔出现“参数格式错”“调一半放弃”，这是模型能力问题，不是 MCP 的锅；上 14b 及以上体验会明显好转。
写在最后
MCP 的价值，是把“模型调用工具”这件事从各家私有的野路子，收编成一个开放标准。对于咱们玩本地 AI 的，这意味着你今天写的 Server，明天换个模型、换个客户端照样能用，工具和模型彻底解耦。
如果你已经在折腾多节点分布式架构，那 MCP 更是绕不开的一环——把每个节点的能力（图像生成、语音合成、日志查询）都封装成 MCP Server，再由一个中枢 Agent 统一调度，这才是本地 Agent 架构该有的样子。下一期可以聊聊怎么用 MCP 把 ComfyUI、IndexTTS 这些节点串成可编排的 Agent 工作流，想看的评论区扣 1。
一句话收尾：本地模型不弱，弱的是没接上真实世界。先把 MCP 这套手脚装上，你手里的 Ollama 就真能替你干活了。有问题欢迎评论区聊。
