本文介绍了模型上下文协议（MCP），一种支持大型语言模型与应用程序进行智能交互的开放式协议。通过MCP服务器，用户可查询系统数据并直接操作存储设备，如Everpure FlashBlade。文章详细阐述了如何构建集成了MCP服务器的存储管理系统，展示了通过自然语言与存储设备交互的便捷性。此外，还探讨了模块化方法在MCP工具中的应用，以及如何设置提示词以充当智能体，实现智能化的存储管理。MCP的引入不仅简化了存储管理流程，还为未来智能存储管理奠定了基础，为企业提供了更高效、更智能的存储解决方案
借助集成FlashBlade的MCP服务器，您可以查询系统数据，甚至采取直接操作，从而开辟智能体存储管理的新领域。
一直以来，管理本地存储都是一个繁琐的手动过程，查询系统指标、监控性能和执行操作通常需要复杂的脚本或专业工具。倘若您能够用简单的英语询问信息，并立即获得可操作的见解？模型上下文协议应势而生，让这个梦想成为现实。
什么是模型上下文协议(MCP)？
MCP是一种开放式协议，支持大型语言模型与应用程序进行智能交互，从而将自然语言功能引入存储管理。在本博客中，Everpure将向您展示如何构建一个与Everpure® FlashBlade®集成的MCP服务器，支持您查询系统数据，甚至直接采取行动——所有这一切都通过人工智能驱动的直观界面完成。
采取模块化方法，Everpure开辟了智能体存储管理的新前沿。这个领域中，自动化不仅高效，而且可对话、可适配。接下来将深入探讨一下。
MCP + FlashBlade
这些操作的目标是Everpure阵列，具体来说是FlashBlade系统，但其原理也适用于FlashArray系统。凭借Claude桌面应用程序，我们的查询将使用MCP服务器提供的工具与指定的Everpure阵列进行交互，如下图所示：
| 步骤1：创建MCP服务器 |
第一步是安装uv Python软件包管理器。
接下来，我们需要创建MCP服务器结构。为此，我们将使用uv软件包中提供的工具：
最后按照指示安装依赖项，MCP服务器框架就搭建完成了。需要修改的源代码位于pure-mcp-server/src/pure-mcp-server目录下。目前，这段代码用于模板添加备注工具。对其进行修改，确保能与本地Everpure FlashBlade阵列进行交互。
从项目文件夹进入uv自动创建的Python虚拟环境，然后安装Everpure Python SDK，通过此SDK与 FlashBlade REST API进行交互。
然后，添加相关代码，创建两个MCP工具，对给定的FlashBlade阵列端点运行查询：
- get_arrays
- get_arrays和get_arrays_performance
在初始化阶段，MCP服务器自动添加到Claude桌面。验证前，请打开以下文件并检查条目是否正确：
除了MCP检查器之外，还使用了以下脚本进行验证：
这段代码正确列出了我的MCP服务器工具。它还会连接到远程数组，执行必要的API调用，并返回相关的JSON字符串。
现在，通过Claude桌面应用程序，可以使用MCP服务器工具对指定的Everpure FlashBlade运行查询：
使用get-array-fuld工具，查询存储空间：
请注意，这是一个相当闲置的实验室阵列，但可以提出后续问题，例如：
“根据每个指标的周期时间值，创建一个图表来显示过去7天的性能。将每日的周期和组性能结果进行转换。”
| 运行模块化MCP工具 |
目前的代码已实现对各MCP服务器工具定义中硬编码调用的基本集成，但需求可能不止于信息检索，还包括操作提交。每个请求调用MCP工具并非理想方法。需要摒弃get_arrays这类硬编码的REST API调用，转向模块化方法：通过单一的pure-fb工具，将任意端点调用作为参数传入，从而使其能够服务于任何端点。
完整的代码可参阅：GitHub存储库。
https://github.com/jboothomas/pure-model-context-protocol/tree/main
| MCP服务器的使用方法 |
新的MCP服务器部署完毕后，可以运行信息类查询，例如：
“在主机1.2.3.4上使用pure-fb，API令牌为T-7c7af23e，运行命令：get_file_systems，然后运行命令：get_buckets。按使用大小对项目进行排序，并为每个项目标记“s3”以表明它是存储桶，或标记“fs”以表明它是文件系统。请务必按使用空间大小降序排列，并列出使用空间排名前5的项目。”*
这将产生以下输出结果：
凭借这种模块化方法，可以查询任何端点（获取阵列、存储桶、文件系统等），以此检索信息并对阵列执行操作。例如，使用以下查询运行一个简单的create bucket（创建存储桶）命令：
“在主机1.2.3.4上使用pure-fb，API令牌为T-7c7af23e，命令为post_buckets，参数为：names=[“jbtmcptest”], bucket=BucketPost(account=Reference(name=‘jbt’)) ”*
在Everpure FlashBlade阵列上，可以看到相关的存储桶已经存在：
通过这条查询语句，创建一个文件系统。请注意，在本例中，没有给出具体的端点。这个问题就留给大语言模型去解决：
“使用以下参数创建文件系统：names=[“jbt-myfs”], file_system=FileSystemPost(provisioned=5000, hard_limit_enabled=True, nfs=Nfs(v4_1_enabled=True), smb=Smb(enabled=True), multi_protocol=MultiProtocolPost(access_control_style=”nfs”))”
可以看到，ClaudeAI能够提供正确的命令post_file_system来运行此请求。
如何设置提示词以充当智能体
现在为聊天内容添加一些背景信息，并定义要控制两个阵列的存储智能体的行为和功能：
“作为存储管理智能体，你可以通过pure-fb工具管理以下两个阵列：
主机1.2.3.4 上的array01：API令牌为T-7c7af23e*
主机1.2.3.5上的array02API令牌为T-f2e03b8d”*
定义这个存储智能体后，可以对这两个阵列运行查询，例如：
“从两个阵列中获取所有存储桶，提取名称、原始总已用空间和源阵列到一个列表中。严格按照原始的总已用空间值进行排序，不进行任何转换。从列表中选出前15名，并将已用空间转换为适合显示的单位。“
智能体首先使用get_buckets和get_file_systems函数从两个阵列中收集相关数据：
智能体按照请求对存储桶按已用空间进行排序。请注意，尝试多次才得到正确的排序提示。
从命令行驱动到人工智能辅助的存储管理
借助MCP服务器，Everpure将本地存储管理从僵化的命令行驱动流程转变为人工智能辅助的自然语言体验。大语言模型与企业存储相集成，Everpure不再只是检索数据，而是动态地命令掌控基础设施，从而削减复杂性，拥抱更智能、更高效的工作流程。
但这仅仅是个开始。智能体自动化正在重塑企业技术，存储领域也不例外。随着这些能力的不断发展，Everpure逐步迈向AI型存储管理，它不仅创造便利，更成为未来的竞争优势。问题不在于它是否会成为新标准——而在于何时。
常见问题解答(FAQ)
Q
什么是模型上下文协议(MCP)？
MCP是一种开放式协议，它允许AI模型通过标准化的接口安全地与外部工具、系统和数据源进行交互。
Q
“智能体存储”是什么意思？
它指的是利用AI智能体与存储系统进行交互，支持用户使用自然语言查询数据、监控系统和采取行动。
Q
MCP如何改进存储管理？
它允许管理员通过统一的对话式界面检索信息和执行操作，不必再依赖脚本或手动工作流程。
Q
在这个语境下，MCP服务器是什么？
MCP服务器充当AI模型和存储系统之间的桥梁，显示模型可以访问和使用的数据和操作。
Q
这如何应用于本地存储？
它支持用户直接与本地系统进行AI式交互，便于团队管理和查询存储，根本无需将数据迁移至云端。
Q
MCP与存储平台组合运行的好处有哪些？
它降低了操作复杂性，提高了系统数据的可访问性，实现更快速、更直观的决策。
Q
MCP是否会取代现有的管理工具？
不，它通过添加自然语言层来补充现有系统和工作流程，从而简化用户与现有系统和工作流程的交互方式。
Q
MCP对基础设施的未来为何如此重要？
它为更智能、自动化的系统奠定了基础，人工智能可以实时协助进行监控、故障排除和优化。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套AI 大模型突围资料包：
- ✅ 从零到一的 AI 学习路径图
- ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
- ✅ 百度/阿里专家闭门录播课
- ✅ 大模型当下最新行业报告
- ✅ 真实大厂面试真题
- ✅ 2026 最新岗位需求图谱
所有资料 ⚡️ ，朋友们如果有需要《AI大模型入门+进阶学习资源包》，下方扫码获取~
① 全套AI大模型应用开发视频教程
（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）
② 大模型系统化学习路线
作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！
③ 大模型学习书籍&文档
学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。
④ AI大模型最新行业报告
2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
⑤ 大模型项目实战&配套源码
学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。
⑥ 大模型大厂面试真题
面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
以上资料如何领取？
为什么大家都在学大模型？
最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！
不出1年，“有AI项目经验”将成为投递简历的门槛。
风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！
这些资料真的有用吗？
这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
