无状态 MCP 2.0 发布：Simon Willison 重燃兴趣并推出三款新工具

星期二正是无状态MCP日——即MCP 2.0的发布，或者用更正式但更难记的名字来说，是2026-07-28版Model Context Protocol规范。这是MCP规范自首次发布以来最重大的一次变更，也重新点燃了我对这套协议的个人兴趣。

背景补充：MCP即Model Context Protocol（模型上下文协议），描述了一种向基于LLM的智能体框架暴露新工具的标准方式。它由Anthropic于2024年11月推出，在2025年大部分时间经历了巨大的关注激增，之后便有些被Skills（Anthropic的另一项发明）所掩盖，因为情况越来越明显：一个能访问终端和curl的智能体框架，可以用更灵活的方式完成MCP的大部分工作。我在2025年度回顾中写过这件事。

我现在重新回归MCP。给智能体一个能访问互联网的shell环境充满风险，而且需要一个能有效驾驭这种环境的强大模型。MCP工具更容易审计和控制，而且足够简单，即使是运行在笔记本上的较小模型也能比较好地使用它们。

新的无状态MCP规范还大大降低了为协议实现客户端和服务器的复杂度。本周我就构建了三个这样的东西！

无状态MCP带来了哪些便利

介绍新规范RC的这篇5月21日博客文章，最清晰地展示了有状态与无状态MCP之间的区别。其中包含一个明确的改进前后示例。

较旧的有状态MCP（我将其称为“传统MCP”）需要两个HTTP请求——第一个用于初始化会话并获取Mcp-Session-Id，第二个才真正调用工具：

POST /mcp HTTP/1.1
Content-Type: application/json

{
  "jsonrpc": "2.0",
  "id": 1,
  "method": "initialize",
  "params": {
    "protocolVersion": "2025-11-25",
    "capabilities": {
    },
    "clientInfo": {
      "name": "my-app",
      "version": "1.0"
    }
  }
}

POST /mcp HTTP/1.1
Mcp-Session-Id: 1868a90c-3a3f-4f5b
Content-Type: application/json

{
  "jsonrpc": "2.0",
  "id": 2,
  "method": "tools/call",
  "params": {
    "name": "search",
    "arguments": {
      "q": "otters"
    }
  }
}

新的无状态方式只需一个HTTP请求，如下所示：

POST /mcp HTTP/1.1
MCP-Protocol-Version: 2026-07-28
Mcp-Method: tools/call
Mcp-Name: search
Content-Type: application/json

{
  "jsonrpc": "2.0",
  "id": 1,
  "method": "tools/call",
  "params": {
    "name": "search",
    "arguments": {
      "q": "otters"
    },
    "_meta": {
      "io.modelcontextprotocol/clientInfo": {
        "name": "my-app",
        "version": "1.0"
      }
    }
  }
}

从客户端和服务器端实现的角度来看，这都干净得多。它也更适合构建可扩展的Web应用，因为现在无需维护服务器端状态来跟踪那些会话ID，也不用担心将同一会话路由到同一后端机器。

mcp-explorer

我找不到一款能交互式探查MCP服务器的好用CLI工具，于是让Codex帮我构建了一个。

mcp-explorer就是这个成果。它是一个无状态Python CLI工具，所以你甚至无需安装即可试用——它可以配合uvx使用，如下所示：

uvx mcp-explorer list https://agentic-mermaid.dev/mcp

这会查询Ade Oshineye的agentic-mermaid.dev演示MCP。上述命令返回以下工具列表：

execute(code: string, timeoutMs?: integer) - Execute Mermaid SDK code
  Run JavaScript in an isolated sandbox; return a value.

describe_sdk(family: string, detail?: string) - Describe Mermaid SDK operations
  Return version-matched mutation operations for one diagram family.

render_svg(source: string, options?: object) - Render Mermaid as SVG
  Render a Mermaid source string to themeable SVG. Returns { ok, svg }.

render_ascii(source: string, useAscii?: boolean, targetWidth?: integer, options?: object) - Render Mermaid as text
  Render a Mermaid source string to text. Returns { ok, text }.

render_png(source: string, scale?: number, background?: string, fitTo?: object, options?: object) - Render Mermaid as PNG
  Rasterize a Mermaid source string to PNG. Returns { ok, png_base64 }.
...

然后检查某个工具：

uvx mcp-explorer inspect render_svg

这会输出大量信息，包括输入和输出的JSON schema。

调用该工具并传入参数：

uvx mcp-explorer call \
  https://agentic-mermaid.dev/mcp \
  render_svg \
  -a source 'graph TD; A-->B' \
  -a options '{"padding":24}'

返回结果：

{"ok":true,"svg":"<svg xmlns=\"http://www.w3.org/2000/svg\" width=...

若只想获取原始SVG，可尝试在该命令后加上| jq .svg -r。我得到了这张图片：

README中还有几个其他命令，但你已经明白大致用法了。我发现，即使大部分代码由智能体编写，亲手构建这样的CLI工具也是熟悉规范的一种非常高效的方式。

datasette-mcp

第二个项目是datasette-mcp，这是一个Datasette插件，可为任何Datasette实例添加/-/mcp端点。

这大概是我第四次尝试构建这个插件，但多亏了新的无状态MCP规范，我终于有了一个适合发布的版本。

它只提供三个工具：list_databases()、get_database_schema(database_name)和execute_sql(database_name, sql)。它们做的事正如你所预期——不过execute_sql()目前是只读的。

将这些接入智能体，或接入ChatGPT或Claude等聊天工具后，它们就能针对你托管的Datasette实例运行SQL查询。

目前我正把它运行在我博客的 Datasette 镜像上，地址是 datasette.simonwillison.net/-/mcp。琢磨了一番才弄明白如何把它接入 ChatGPT 和 Claude，不过最后还是成功了。这是 一篇新的 TIL，里面详细介绍了具体做法。

这是 一段共享的 Claude 会话，我在其中提问：

列出 simonwillison.net 中的表

然后：

Simon 最近关于 MCP 说了什么？

它运行了 7 条独立的 SQL 查询才得出答案。

llm-mcp-client

我的 LLM 工具早就该有一个官方的 MCP 集成了。新的 alpha 版插件 llm-mcp-client 正是我为此做的尝试：

llm install llm-mcp-client
llm -T 'MCP("https://datasette.simonwillison.net/-/mcp")' 'count the notes'

这是输出（包括推理痕迹，我正在使用 LLM 0.32rc2）：

正在统计笔记数量 我看到“统计笔记”这个问题可能是在要求我汇总博客笔记的数量。也可能是指已发布的笔记或草稿，所以存在一些歧义。我需要弄清楚笔记的总数，很可能要通过查询已发布笔记和草稿的数量来得出明确答案。让我来执行这个统计！ 共有 151 条笔记。

以及该提示对应的 llm logs 的输出。

一旦这个功能完全成熟，我考虑直接把它整合进 LLM 核心。我也很期待在 Datasette Agent 和 llm-coding-agent 中尝试 MCP。

MCP 是一种更安全的构建智能体方式

MCP 发布几个月后，我写了 《Model Context Protocol 存在提示注入安全漏洞》，文中指出，让终端用户自行混搭工具这种模式，将避免数据外泄攻击的责任推给了用户自己。那时我还没有提出 “致命三角” 这个概念，但我心里想的正是它。

后来出现了拥有任意 shell 和 curl 访问权限的通用智能体，这让安全保障变得困难得多！

我逐渐体会到 MCP 的一个优点：相比在开放式网络环境中执行任意命令（这是当今大多数通用智能体和编程智能体工具的默认方式），基于 MCP 更容易推演智能体的能力边界以及可能出问题的地方。

在基于 LLM 构建敏感应用时，我打算更多地采用 MCP。

标签：projects、ai、datasette、mermaid、generative-ai、llms、llm、anthropic、model-context-protocol