AI圈爆火的MCP，你最需要了解这5个关键问题

PPIO派欧云

于 2025-04-23 10:16:26 发布

阅读量782

点赞数 8

文章标签：人工智能 PPIO派欧云 github MCP LLM 科普

本文链接：https://blog.csdn.net/bumblexbee/article/details/147414069

版权

近期，一个名为 MCP 的概念正在 AI 圈子里流行，从海外火到了国内。

3 月 27 日，OpenAI 宣布在 Agent SDK 中支持 MCP；4 月 4 日，谷歌宣布在 Gemini 的官方 API 文档中添加使用 MCP 的范例。加上此前提出 MCP 协议的 Anthropic，海外三大 AI 巨头已经全部投入 MCP 怀抱。

国内也迅速跟进，阿里云百炼上线业界首个全生命周期 MCP 服务，腾讯云支持 MCP 插件托管服务，MiniMax 发布了 MCP Server......MCP 似乎在一夜之间变成 AI 圈的最大共识。

本文将从以下五个关键议题，来拆解爆火的 MCP。

MCP 的基本架构
MCP 是怎么火起来的？
MCP 与 Function Calling 有什么关系？
MCP 与谷歌近期发布的 A2A 有什么区别？
MCP 的一些资源

MCP 的基本架构

MCP，全称是 Model Context Protocol，模型上下文协议。这是一个很新的概念，最早由 Anthropic 在 2024 年 11 月 25 日发布并开源。

MCP 主要解决 LLM 连接外部系统与数据的问题。今天，虽然 LLM 的能力在不断提高，但即使是最复杂的模型也因与数据隔绝而受到限制——被困在信息孤岛和遗留系统之后。每个新的数据源都需要单独定制实现，这使得真正互联的系统难以扩展。

MCP 旨在解决这一挑战。它提供了一个通用的开放标准，用于连接 AI 系统和数据源，用单一协议取代分散的集成。最终，AI 系统能够以更简单、更可靠的方式访问所需的数据。

Anthropic 定义了 MCP 的总体架构，后来很多 MCP 的技术科普都来自于下面这张图。

在该架构图中，包含五个组件：

MCP 主机（Hosts）：像 Claude Desktop、IDE 或 AI 工具这样的程序，需要通过 MCP 访问数据
MCP 客户端（Clients）：与服务器保持 1:1 连接的协议客户端
MCP 服务器（Servers）：轻量级程序，每个程序都通过标准化模型上下文协议公开特定功能
本地数据源（Local Data Sources）：MCP 服务器可以安全访问计算机上的文件、数据库和服务
远程服务（Remote Services）：MCP 服务器可以通过互联网（例如通过 API）连接到的外部系统

MCP Client 与 MCP Server 是 MCP 的关键组件。其中，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。

MCP Server 可以提供 3 种主要类型的功能——资源、工具与提示。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：

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。
工具（Tools）：可以被 LLM 调用的函数（需要用户批准）。
提示（Prompts）：预先编写的模板，帮助用户完成特定任务。

Claude Desktop 和 Cursor 都支持了 MCP Server 接入能力，它们就是作为 MCP Client 来连接某个 MCP Server 感知和实现调用。

MCP 是怎么火起来的？

MCP 最早发布于 2024 年 11 月。但发布之初，MCP 并没有在业内引起太多的关注。从 Github 的 Star History 上，我们能清晰地看到 MCP 的热度趋势，大概可以分为三个阶段。

第一阶段是在 2025 年之前，MCP 集中在小范围的技术圈子内部的交流。Anghropic 提到，他们针对Google Drive、Slack、GitHub、Git、Postgres 和 Puppeteer 等热门企业系统预先构建了 MCP 服务器。在用户与客户侧，Block 和 Apollo 是早期尝鲜者，Zed、Replit、Codeium 和 Sourcegraph 等开发工具公司正在与 MCP 合作。

第二阶段是在 2025 年的前三个月，MCP 处于平稳发展阶段，一些 MCP 项目崭露头角。比如，2 月 10 日，LangChain 发布通用 API 助手解决方案，可自动将任何 OpenAPI 规范转换为智能工具。它采用 LangGraph 和 MCP 构建，可实现与 API 的自然语言交互，而无需自定义集成代码。

第三个阶段就是 3 月初至今，MCP 正式进入热议阶段，标志性的事件有两起。一是 3 月 8 日，LangChain 发布一篇博客，LangChain 联合创始人、CEO Harrison Chase 与 LangGraph 负责人 Nuno Campos 针对 MCP 展台辩论，探讨 MCP 究竟是昙花一现的热点还是注定成为未来的标准。这篇博客附上了一个投票，结果显示有 40.8% 的用户认为 MCP 将是未来标准。

第二起事件就是 Manus 的发布。尽管 Manus 联合创始人季逸超否认了 Manus采用了 MCP 协议，但另一个爆火的“3小时复刻开源版本”的 OpenManus 项目因支持 MCP 协议，而将这一技术引入大众视野。

值得一提的是，PPIO 派欧云是 OpenManus 的重要技术合作伙伴，将一同参与创新并提供计算支持，让 OpenManus 在实不同场景下实现有趣有用的任务，加速技术与社区发展！

海外顶级风险投资机构 a16z 也敏锐地嗅到了 MCP 的热度。他们在 3 月 21 日专门发布了一个 MCP 市场地图，盘点了业内最有热度的 MCP 项目。

此后，OpenAI、谷歌，以及国内的阿里云、腾讯云、MiniMax 等公司也都陆续拥抱 MCP 。MCP 正在迅速成为当前最炙手可热的 AI 技术标准。

MCP 与 Function Calling 有什么关系？

在 MCP 火起来之后，很多开发者也常常将其与 Function Calling（函数调用）作对比。由于两者都是解决 LLM 与工具、资源、数据等外部系统的连接问题，概念上存在一定的相似性。

Function Call 是编程中的一个基本概念，指的是在程序中调用一个预先定义好的函数（也称为方法或过程）来执行特定的任务。在大语言模型兴起之后，Function Calling 的意义在于使大模型从纯文本生成升级为可动态调用外部工具和 API 的交互式系统，这也是构建 Agent 的必经之路。

Function Calling 是被 OpenAI 等公司发扬光大的。2023 年 6 月，OpenAI 在 GPT-4-0613 和 GPT-3.5-turbo-0613 模型中首次引入 Function Calling 功能。开发者可通过 API 的functions参数预定义函数列表，模型根据用户提问自主选择需调用的函数，并生成结构化参数（JSON格式），随后由外部系统执行，比如获取天气信息、发送电子邮件、搜索知识库等。

此后，Anthropic、谷歌 Gemini 等大模型也都陆续推出 Function Calling 能力。然而，每一家大模型在函数接口的支持标准上并不统一。

关键维度	OpenAI GPT‑4.o / GPT‑4.1	Anthropic Claude 3.x	Google Gemini 1.5 / 2 (Pro)
函数声明放哪儿？	请求参数 tools=[ … ]	同样放在 tools=[ … ]	依旧是 tools=[ … ]
函数定义字段名	{"type":"function", "function":{…}}	{"name":… , "input_schema":{…}}	{"function_declarations":[{…}]}
函数定义格式 / 约束	JSON Schema 2020‑12；支持 enum、default，可加 strict:true 强校验	JSON Schema draft‑07 子集；不支持 default，官方建议描述越细越好	JSON Schema / OpenAPI 3.1 子集；暂不支持 nullable，字段名与 OpenAPI 一致
模型怎样标记要调用？	回复中 message.tool_calls[*] 含 name+arguments	stop_reason="tool_use"，并在 content[0].tool 给出 name+input	content.parts[0].function_call 给出 name+args
一次能列几个函数？	可同时返回多个 tool_calls	通常一次只选一个工具	支持一次列出多个函数，也能串联执行
能否强行指定调用？	tool_choice="auto" / "none" / {"type":"function","function":"X"}	无显式字段，只能靠提示词	同样有 tool_choice；也可让模型纯文本回答

不同的标准协议意味着当开发者需要切换模型时，尤其是构建复杂工作流时，会有很多麻烦。假如我构建了一款个人 AI 助理，要用 GPT-4 查询天气内容，然后用 Claude 3.7 回复电子邮件，再用 Gemini 2.5 搜索知识库，这意味着我要写三遍代码。

MCP 就是为了解决这一问题，它统一了各家大模型原本差异化的 Function Calling 标准，形成通用协议。这也是为什么 Anthropic 将类比为 USB-C 接口的原因。就像 USB-C 简化了将不同设备连接到电脑的方式一样，MCP 简化了 AI 模型与数据、工具和服务的交互方式。有了 MCP 之后，开发者只需要按照协议开发一次接口，就能被多模型调用。