这就需要一种方法把各种工具和助手整合到一起。MCP就是这样一种方案，它让AI能够更好地理解上下文，记住之前的对话，并且在需要的时候调用不同的工具。
设想一下，倘若你的手机、电脑与耳机仅需一根USB-C线便能实现无缝对接，生活将变得何等便捷？而今，这一理念正被移植到人工智能的领域——MCP（Model Context Protocol，模型上下文协议）正是承载这一愿景的使者。
简单说，MCP就像是AI的"大脑中枢"，帮助它协调各种能力，让原本只会单打独斗的模型变成了能处理复杂任务的协作团队。今天这篇文章给朋友们介绍这个最近特别火的技术：MCP。
01
—
什么是模型上下文协议
MCP（模型上下文协议）是一种大模型时代出现的开放协议，旨在标准化应用程序向大型语言模型 (LLMs) 提供上下文（数据）的方式。
模型上下文协议（MCP）是 Anthropic 推出的开放标准，旨在通过统一的客户端-服务器架构解决 LLM 应用与数据源连接的难题。它支持通过同一协议访问本地资源（如数据库、文件）和远程资源（如 Slack、GitHub API），无需定制集成。
MCP 可公开工具和交互模板，且内置安全性，确保资源由服务器完全掌控。
目前 MCP 支持本地运行，未来将引入企业级认证的远程支持，实现团队间的安全共享。通过桌面应用（Anthropic 提供），开发者可在短时间内集成 MCP，快速将大模型 Claude 连接上多种数据源，推动 AI 集成的标准化发展。
02
—
MCP架构
MCP 遵循客户端-服务器架构（client-server），其中包含以下几个核心概念：
MCP 主机（MCP Hosts）：发起请求的 LLM 应用程序（例如 Claude Desktop、IDE 或 AI 工具）。
MCP 客户端（MCP Clients）：在主机程序内部，与 MCP server 保持 1:1 的连接。
MCP 服务器（MCP Servers）：为 MCP client 提供上下文、工具和 prompt 信息。
本地资源（Local Resources）：本地计算机中可供 MCP server 安全访问的资源（例如文件、数据库）。
远程资源（Remote Resources）：MCP server 可以连接到的远程资源（例如通过 API）。
如下图：
MCP client
MCP client 充当 LLM 和 MCP server 之间的桥梁，MCP client 的工作流程如下：
MCP client 首先从 MCP server 获取可用的工具列表。
将用户的查询连同工具描述通过 function calling 一起发送给 LLM。
LLM 决定是否需要使用工具以及使用哪些工具。
如果需要使用工具，MCP client 会通过 MCP server 执行相应的工具调用。
工具调用的结果会被发送回 LLM。
LLM 基于所有信息生成自然语言响应。
最后将响应展示给用户。
我们可以在 Example Clients 找到当前支持 MCP 协议的客户端程序。
目前使用 Claude Desktop 作为 MCP client
下载地址：https://claude.ai/download 。
MCP Server
MCP server 是 MCP 架构中的关键组件，它可以提供 3 种主要类型的功能：
1、资源（Resources）：类似文件的数据，可以被客户端读取，如 API 响应或文件内容。
2、工具（Tools）：可以被 LLM 调用的函数（需要用户批准）。
3、提示（Prompts）：预先编写的模板，帮助用户完成特定任务。
这些功能使 MCP server 能够为 AI 应用提供丰富的上下文信息和操作能力，从而增强 LLM 的实用性和灵活性。
在 MCP Servers Repository 和 Awesome MCP Servers 这两个 repo 中有许多由社区实现的 MCP server。
例如，这是一个 PostgreSQL MCP Server 工具，可以让大模型能够基于 PostgreSQL 中的数据来回答问题。
比如下面的问题，大模型 Claude 一开始是不知道数据库中的表结构的，因此先发送请求分别确定 orders 表和 users 表中相应的字段，然后再对两张表进行 join 查询。
MCP 官网：https://modelcontextprotocol.io
MCP GitHub：https://github.com/modelcontextprotocol
本机 MCP 服务支持：通过 Claude 桌面应用快速实现本地化数据连接，应用安装地址：https://claude.ai/download。
开源服务代码库：包含 Google Drive、Slack、GitHub 等流行系统的预构建实现，便于直接部署和测试。
https://github.com/modelcontextprotocol/servers。
03
—
MCP 和 API
为什么选择MCP，而非传统API？
如果使用API让大模型与外部工具对接，开发者需要为每个API编写独立的代码，包括文档解析、认证方式、错误处理和后期维护，费时又费力。
MCP更像一把“万能钥匙”：
单一协议：接入MCP一次，就能连接多个工具和服务，不用为每个API单独操心。
动态发现：AI模型可以自动识别并与可用工具交互，无需提前硬编码。
双向通信：类似WebSocket，MCP支持实时、双向的数据流动，AI既能获取信息，也能触发行动。
双向通信的好处：
拉取数据：AI可以查询服务器，比如检查你的日历安排。
触发行动：AI可以直接操作，比如重新安排会议或发送邮件。
相比之下，传统API更像单向的“对话”，缺乏MCP这种灵活性和实时性。
MCP 对比 API 特性差异如下图：
04
—
MCP的重要性
1.实现模块化、可扩展的人工智能系统
人工智能面临的最大挑战之一是设计既灵活又可扩展的系统。MCP 有助于将单片人工智能架构分解为模块化组件。通过分离模型、上下文和协议，开发人员可以：
在不破坏整个系统的情况下更换不同的 AI 模型。
动态地引入新的上下文（例如，使 NLP 模型适应新的语言或行业）。
为 AI 模型编排定义强大的协议。
2. 解决数据工程挑战
对于数据工程师来说，MCP 提供了一个有效处理数据管道的框架。
模型：定义数据的结构和转换方式。
上下文：处理运行时参数、环境设置和版本控制。
协议：管理存储层、处理框架和机器学习工作流之间的数据移动。
3. 增强软件设计模式
MCP 符合众所周知的软件架构原则，例如：
模型-视图-控制器 (MVC)：MCP 通过引入Context作为动态影响模型的显式组件来扩展 MVC 的逻辑。
事件驱动架构：MCP 支持基于事件流的实时上下文更新，使其适用于物联网、金融交易和推荐引擎。
微服务通信： MCP 中的协议确保微服务驱动的应用程序中强大的通信。
4. 构建自适应人工智能代理
在多智能体 AI 系统中，MCP 为智能体交互提供了一种结构化方法：
模型：定义代理决策。
背景：跟踪环境变化。
协议：建立代理到代理以及代理到人类的通信。
MCP不只是一个简单的协议，不仅仅是一种架构模式，它还是设计 AI 驱动应用程序和分布式系统时一种强大的思维转变。通过有效地分离模型、上下文和协议，组织可以构建自适应、可扩展且可维护的软件解决方案。
它是AI和工具沟通的“新基础”，给AI提供了一个统一、标准的方法，让AI能灵活地连接外部的数据和工具。和以前需要手动设置的API不同，MCP更像是一个智能框架，让AI能更好地理解上下文，并且有更强的互动能力。
随着人工智能不断与企业系统融合，了解 MCP 对于希望确保其应用程序面向未来的开发人员、工程师和架构师来说至关重要。
