解读模型上下文协议(MCP)：新一代工程师的入门指南

❝

MCP（Model Context Protocol，模型上下文协议）是一种开放标准协议，它让大型语言模型（LLM）能够与外部工具和数据源无缝通信，从而极大地扩展了AI的能力。核心目标：建立类似USB-C的标准化协议，统一AI模型与外部资源的交互接口，实现"一次集成，处处运行"。解决当前 AI 模型因数据孤岛限制而无法充分发挥潜力的难题，MCP 使得 AI 应用能够安全地访问和操作本地及远程数据，为 AI 应用提供了连接万物的接口。

点关注不迷路

一、模型上下文协议（MCP）背景

MCP（Model Context Protocol）是由人工智能公司 Anthropic(开源Claude) 于 2024 年 11 月推出的开放协议，旨在解决 LLM 与外部数据源之间的通信标准化问题。其背景可概括为：

• 数据孤岛限制：传统 AI 模型因无法高效访问分散的本地或远程数据（如数据库、API、文件系统），导致潜力受限。
• 集成碎片化：不同数据源需定制化开发接口，增加开发成本且难以扩展（LangChain 和 LlamaIndex 整体代码的抽象层次过高）。
• AI 生态需求：随着 LLM 应用场景扩展（如 Claude、Qwen 等），亟需统一协议连接工具、内容库及业务系统。

MCP 的提出类似于为 AI 应用打造“USB-C 端口”，实现通用连接标准。

二、为什么需要 MCP？解决哪些痛点？

现有痛点

1. 数据隔离：LLM 无法直接访问企业内外部数据源（如数据库、API），需复杂定制开发。
2. 安全风险：传统集成方式可能暴露敏感数据，缺乏标准化授权机制。
3. 工具碎片化：不同数据源需独立适配，维护成本高。
4. 上下文局限：模型依赖静态预训练数据，难以动态结合实时业务数据生成响应。

MCP 解决方案

• 统一接口：通过标准化协议连接多种数据源（文件、API、数据库等），简化集成，提供了一个通用的桥梁。
• 服务商：可以基于 MCP 开放自己的 API 和功能，融入更大的生态。
• 开发者：无需从头构建集成逻辑，直接利用现成的 MCP 服务即可增强 AI Agent 的能力。
• 安全控制：用户授权机制确保数据操作合规，支持本地部署避免数据外泄。
• 动态上下文：实时获取外部数据增强模型响应质量，如结合数据库查询生成精准答案。

解决重复造轮子的问题

MCP 的标准化设计让开发者可以复用社区贡献的资源。例如，一个支持 GitHub 操作的 MCP 服务器一旦开发完成，其他开发者就能直接调用，而无需重复实现。这种"一次开发，多次使用"的模式极大提升了效率。

三、MCP 基础概念

• 定义：MCP协议旨在解决传统AI系统与外部数据源和工具集成时的碎片化问题，为AI模型与外部世界之间的交互提供标准化接口。

• 作用：它就像AI的“通用翻译器”，让AI能够安全、可控地访问各种外部资源，如文件系统、数据库、API等，并执行具体任务。例如，当你让AI整理电脑里的会议记录时，它可以通过MCP协议直接调取文件系统，完成分类归档、生成摘要等操作。

通过两个比喻简明地解释了 MCP 的作用：

1. 万能遥控器：MCP如同一个能够控制所有家电的万能遥控器，让AI助手用统一指令操作不同的企业系统，无需为每个系统配备特定的控制方式。

• 既能让"电视"播放监控视频（调用安防系统），也能让"空调"调节数据温度（调整服务器负载），还能让"音响"播报业务报告（触发语音合成）

1. AI的USB-C接口：MCP也被比作AI领域的USB-C接口，提供了一个统一标准，使AI可以轻松连接各种外设（如数据库、邮件系统、报告生成工具），避免了对多种专用接口的需求，简化了AI集成过程。

• 通过MCP，一个AI助手可以连U盘（数据库）、插打印机（邮件系统）、接显示器（报告生成），接口都一样，只是功能不同。

1. AI的通用翻译器：让AI能够安全、可控地访问各种外部资源，如文件系统、数据库、API等，并执行具体任务。例如，当你让AI整理电脑里的会议记录时，它可以通过MCP协议直接调取文件系统，完成分类归档、生成摘要等操作。

四、MCP 核心组件

MCP 主要五个核心组件：

1. MCP Host：运行 AI 模型的应用程序，例如：Pycharm、Visual Studio、Claude Desktop、Cursor、Cline。
2. MCP Client：是用来在 Hosts 应用程序内维护与 Server 之间 1:1 连接。一个主机应用中可以运行多个MCP客户端，从而同时连接多个不同的服务器。
3. MCP Server：核心部分，通过标准化协议为 Clients 提供资源（Resources）、工具（Tools）、提示词（Prompts）。
4. 本地资源：本地文件、数据库等直接可访问的数据。
5. 远程资源：外部 API 或云服务，例如 GitHub 或 Slack。

• MCP Server 能力：
• Resources资源：静态数据源（如文件内容、API 响应）。
• Tools工具：可调用的函数或服务（如 SQL 查询、第三方 API）。
• Prompts提示词：预定义的任务模板，指导模型生成特定格式响应。
• 通讯机制：
• stdio 传输：MCP定义了一套基于JSON-RPC 2.0的消息通信协议。本地进程间通过标准输入输出交换 JSON-RPC 消息。
• HTTP with SSE：远程通信采用服务端推送事件（Server-Sent Events）。
• 安全与控制：
• 消息透明：采用纯JSON格式封装三种消息类型——请求（带唯一ID）、响应（含结果/错误）和通知（无回复）。每条消息包含方法名和参数，类似函数调用，直观表达"执行操作/获取数据"等行为。
• 开发友好：相比二进制协议（如gRPC），JSON消息可人工阅读，配合结构化日志更易调试。协议层自动处理请求响应匹配、错误传递和并发管理，开发者只需关注业务逻辑。
• 用户需显式授权工具调用，操作记录可审计。

五、MCP 工作流程

工作原理：MCP协议采用客户端-服务器架构，通过标准化的接口（如基于JSON-RPC的通信）实现上下文的动态传递和工具的灵活调用。当AI需要访问外部数据或工具时，MCP客户端会向对应的MCP服务器发送请求，服务器处理后返回结果，从而实现AI与外部资源的交互。

以 PostgreSQL 数据库查询为例，典型流程如下：

1. 初始化连接：Client 启动 Server 进程并获取能力列表（Tools/Resources/Prompts）。
2. 用户查询：用户提问（如“查询金额最高的订单”）。
3. LLM 决策：模型判断需调用工具（如 SQL 查询），Client 向 Server 发送请求。
4. 执行与返回：Server 执行工具（生成 SQL 并查询数据库），结果返回给 LLM 生成最终响应。
5. 用户展示：响应经授权后展示，支持查看原始数据来源（如 SQL 语句）。

六、MCP 与 Function Calling 的区别

七、MCP Server 分类及应用

MCP Server是MCP服务的核心，主要从官方、第三方以及社区MCP Server三个角度对关注度较高的应用进行细分。

官方MCP Server

第三方MCP Server

社区MCP Server

八、MCP在网页爬取的场景的最佳实践

假设需通过 MCP 实现动态网页数据抓取：

1. 构建爬取工具：

• 定义 WebCrawlerTool，参数包含 URL 和解析规则（如 XPath）。

• 注册为 MCP Server：
• 将工具部署为 Server，暴露 call_tool 方法执行爬取逻辑。
• 动态调用：
• LLM 根据用户问题（如“获取某新闻网站头条”）生成工具调用请求，返回结构化数据。
• 安全增强：
• 限制爬取频率，通过用户授权控制敏感操作。

标准开发流程

1. 定义功能：明确MCP服务器将提供哪些功能，比如文件管理、数据库查询、网络服务等。
2. 实现MCP层：遵循标准化的MCP协议规范进行开发，包括消息格式、通信逻辑等。
3. 选择传输方式：在本地传输（如stdio）或远程传输（如服务器发送事件/WebSockets）之间选择。
4. 创建资源/工具：开发或连接MCP将要交互的特定数据源和服务，如文件系统、数据库、API等。
5. 设置客户端：在MCP服务器和客户端之间建立安全稳定的连接通道。

九、应用场景

• 行程规划助手：AI助手通过MCP服务器无缝检查日历可用时间、预订航班、发送确认邮件等，无需为每个工具单独开发集成代码。
• 高级IDE（智能代码编辑器）：开发环境通过MCP协议连接文件系统、版本控制、包管理器和文档系统，实现更丰富的上下文感知能力和更智能的代码建议。
• 复杂数据分析：AI分析平台通过统一的MCP层自动发现并与多个数据库、可视化工具和模拟系统进行交互，无需手动管理连接。
• 文件管理：让AI助手整理文件、归档、生成摘要等，如通过MCP服务器访问本地文件系统。
• 信息查询：直接搜索本地文档或询问PDF内容，获取所需信息。
• 沟通辅助：根据报告起草Slack消息，或总结团队聊天。
• 网络服务：通过MCP服务器获取天气、地图导航或新闻简报。

十、总结与展望

总结：

• 价值：统一了 LLM 与外部系统的交互标准，降低集成成本，提升模型实用性。
• 局限：暂不支持复杂逻辑（如循环）、远程连接依赖本地中转。

展望：

• 远程连接：2025 年路线图计划支持 OAuth 2.0 认证与无状态服务。
• 生态扩展：更多企业和社区加入（如 Block、Apollo），推动工具标准化。
• 行业应用：在医疗、金融等领域结合私有数据增强模型专业化能力。