【智能体】MCP技术解析：重塑AI协作新范式

最新推荐文章于 2025-04-23 19:00:13 发布

后端研发Marion

最新推荐文章于 2025-04-23 19:00:13 发布

阅读量1.5k

点赞数 22

分类专栏： AI大模型技术文章标签：人工智能大模型 MCP LLM

本文链接：https://blog.csdn.net/luomao2012/article/details/146218370

版权

AI大模型技术专栏收录该内容

28 篇文章

订阅专栏

1. 引言：传统系统困境与MCP价值

1.1 传统AI系统痛点

1.1.1 上下文管理难题

传统系统中，模型间上下文数据格式不统一，难以有效传递和复用。例如对话机器人在多轮对话中容易遗忘前文关键信息，导致回答缺乏连贯性。
不同模块产生的上下文信息孤立，无法形成完整、一致的上下文链，限制了AI系统对复杂场景的理解和处理能力。
如在智能客服场景中，用户历史咨询记录无法完整传递，导致重复询问，影响用户体验。

1.1.2 模块耦合度过高

模块间直接依赖，一旦修改一个模块，可能需要重构整个系统架构，开发和维护成本极高。
新增模块或替换模块时，难以实现无缝对接，系统扩展性差，无法快速适应业务需求变化。
例如在多模态交互系统中，新增图像识别模块时，需重新调整整个系统架构，耗时耗力。

1.1.3 资源浪费严重

各模块重复编码、处理相同或相似的原始数据，导致计算资源浪费，系统运行效率低下。
缺乏有效的数据共享机制，无法充分利用已有的上下文信息，进一步增加了计算负担。
以智能写作助手为例，不同模块重复解析同一段文本，造成大量计算资源浪费。

1.2 MCP的应运而生

1.2.1 解决海量上下文痛点

MCP通过标准化协议，将上下文抽象为可传输、可解析的独立对象，有效解决了海量上下文信息处理难题。
为AI系统提供统一的上下文管理框架，确保数据在模块间高效、准确地传递和共享。
例如在大规模文本生成任务中，MCP可高效管理长文本上下文，避免信息丢失。

1.2.2 提升系统灵活性与效率

采用分层架构设计，各层可独立优化，如传输层支持多种压缩算法和加密技术，显著提升数据传输效率和安全性。
实现模块化协作，支持模型“即插即用”，系统可根据需求动态扩展，快速适应复杂多变的应用场景。
例如在智能推荐系统中，通过MCP可快速接入新的用户行为分析模块，提升推荐精准度。

1.2.3 推动AI系统标准化发展

提供标准化接口，降低系统耦合度，使不同开发者能够基于统一标准构建和集成模块，避免重复造轮子，加速AI应用的开发和部署。
促进AI生态系统的发展，推动AI技术向更智能、更集成的方向迈进，为未来AI应用的广泛普及奠定基础。
例如在开源社区中，基于MCP标准的模块可快速集成，加速AI项目的开发进度。

2. MCP的核心思想

2.1 MCP是什么？

模型上下文协议（MCP） 就像是为AI模型量身定制的“USB-C接口”，可以标准化地连接AI系统与各类外部工具和数据源。

什么是MCP？

就像USB-C接口让你的电脑更容易连接各种设备一样，MCP让AI模型更简单地获取数据、工具与服务。

2.1 MCP定义与目标

2.1.1 定义

MCP（Model Context Protocol，模型上下文协议），2024年11月底，由 Anthropic 推出的一种开放标准，旨在统一大型语言模型（LLM）与外部数据源和工具之间的通信协议。MCP 的主要目的在于解决当前 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。

- Function Calling是AI模型调用函数的机制，MCP是一个标准协议，使AI模型与API无缝交互，而AI Agent是一个自主运行的智能系统，利用Function Calling和MCP来分析和执行任务，实现特定目标。

Model Context Protocol（模型上下文协议）是一种开放协议，旨在为大型语言模型（LLM）与外部数据源和工具之间提供标准化的交互方式。
它通过定义统一的接口和通信机制，使AI应用能够轻松访问和利用各种资源，提升AI系统的功能和性能。
例如在AI写作助手应用中，通过MCP可与外部知识库无缝交互，丰富写作内容。

2.1.2 核心目标

核心目标是将上下文抽象化，使其成为可传输、可解析的独立对象，打破传统系统中上下文信息的孤立状态。
实现模型间高效、安全的上下文交互，为AI应用构建一个灵活、可扩展的协作环境，充分发挥AI技术的潜力。
例如在多模态交互系统中，MCP可实现语音、文本、图像等多种上下文的高效交互。

2.1.3 协议分层架构

采用分层设计，包括上下文编码层、协议传输层和上下文解码层，每层负责特定功能，可独立优化。
编码层将模型内部状态转换为标准化格式，传输层负责数据传输和安全处理，解码层则重构上下文信息，确保数据完整性和准确性。
例如在智能客服系统中，通过分层架构可高效处理用户咨询的上下文信息，提升响应速度。

2.2 技术突破与优势

2.2.1 动态上下文融合

支持多模块输出的上下文叠加和优先级排序，例如在多模态交互场景中，可将语音、文本、图像等多种上下文数据融合处理。
使AI系统能够更全面地理解复杂场景，生成更准确、更智能的响应，提升用户体验。
例如在智能安防系统中，融合视频图像与环境传感器数据，提升异常检测准确性。

2.2.2 跨模型兼容性

实现了NLP、CV、语音等异构模型的上下文交互，打破了不同模型之间的壁垒。
为构建融合多种AI技术的复杂应用提供了可能，推动AI应用向更广泛、更深入的领域拓展。
例如在智能驾驶系统中，融合视觉识别与语音交互模块，提升驾驶体验。

2.2.3 标准化接口优势

提供统一的接口规范，简化了模块间的通信和协作流程，降低了开发难度和成本。
使开发者能够更专注于核心业务逻辑的实现，加速AI应用的开发和迭代，提高市场竞争力。
例如在AI医疗影像诊断系统中，通过标准化接口快速集成多种诊断模型。

2.3 MCP和传统API对比

2.3.1 为什么要用MCP，而不是传统的API？

通常，AI系统想连接外部工具时，需要单独整合多个不同的API。每个API都有独立的代码、文档、认证方式、错误处理和后续维护，极大地增加了开发复杂度。

为什么说传统API就像每扇门都有一把不同的钥匙？

打个比方： API就像不同的门，每扇门都需要自己的钥匙和特定的规则。

为什么使用MCP而非传统API？

传统的API要求开发者为每个服务或数据源单独编写代码和整合方案。

2.3.2 MCP与API快速对比

功能	MCP	传统API
整合难度	一次标准化整合	每个API单独整合
实时双向通信	✅ 支持	❌ 不支持
动态发现工具	✅ 支持	❌ 不支持
扩展性	即插即用	需要额外开发
安全性与控制	所有工具统一标准	每个API单独定义

MCP与传统API关键区别：

单一协议： MCP像一个统一接口，只要一次整合，就能连接多个服务。
动态发现： AI模型能自动识别并使用可用的工具，不用提前写死每个接口。
双向通信： MCP支持类似WebSockets的实时双向通信，模型不仅能查询数据，还能主动触发操作。

为什么要有双向通信？

MCP提供实时互动，模型能：

拉取数据： 模型实时查询数据，如查看你的日历。
触发操作： 模型主动向服务器发出指令，如重新安排会议或发送邮件。

2.4 MCP 与 Function Calling 的区别

MCP（Model Context Protocol），模型上下文协议
Function Calling，函数调用

这两种技术都旨在增强 AI 模型与外部数据的交互能力，但 MCP 不止可以增强 AI 模型，还可以是其他的应用系统。

3. 架构设计：分层实现高效协作

3.1 MCP工作原理和核心架构

3.1.1 工作原理

MCP 协议采用了一种独特的架构设计，它将 LLM 与资源之间的通信划分为三个主要部分：客户端、服务器和资源。

客户端负责发送请求给 MCP 服务器，服务器则将这些请求转发给相应的资源。这种分层的设计使得 MCP 协议能够更好地控制访问权限，确保只有经过授权的用户才能访问特定的资源。

以下是 MCP 的基本工作流程：

初始化连接：客户端向服务器发送连接请求，建立通信通道。
发送请求：客户端根据需求构建请求消息，并发送给服务器。
处理请求：服务器接收到请求后，解析请求内容，执行相应的操作（如查询数据库、读取文件等）。
返回结果：服务器将处理结果封装成响应消息，发送回客户端。
断开连接：任务完成后，客户端可以主动关闭连接或等待服务器超时关闭。

3.1.2 MCP 核心架构

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）。

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。

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 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：

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。

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。

你可以在 MCP Servers Repository 和 Awesome MCP Servers 这两个 repo 中找到许多由社区实现的 MCP server。使用 TypeScript 编写的 MCP server 可以通过 npx 命令来运行，使用 Python 编写的 MCP server 可以通过 uvx 命令来运行。

通信机制

MCP 协议支持两种主要的通信机制：基于标准输入输出的本地通信和基于SSE（Server-Sent Events）的远程通信。

这两种机制都使用 JSON-RPC 2.0 格式进行消息传输，确保了通信的标准化和可扩展性。

本地通信：通过 stdio 传输数据，适用于在同一台机器上运行的客户端和服务器之间的通信。
远程通信：利用 SSE 与 HTTP 结合，实现跨网络的实时数据传输，适用于需要访问远程资源或分布式部署的场景。

3.1 编码层功能与作用

3.1.1 标准化数据格式转换

将模型内部状态（如LSTM隐藏层、注意力权重等）转换为标准化的JSON/Protobuf格式，确保数据在传输过程中的兼容性和可解析性。
为不同模型的数据交换提供统一的基础，使各模块能够无缝对接和协作，提升系统的整体性能。
例如在自然语言处理模型中，将词嵌入向量转换为标准化格式，便于后续处理。

3.1.2 元数据标注支持

支持对上下文数据进行元数据标注，如置信度、时间戳等，丰富上下文信息的语义表达。
使接收方能够更好地理解和处理上下文数据，例如根据置信度调整对数据的依赖程度，提高系统的智能决策能力。
例如在智能客服系统中，标注用户情绪置信度，辅助生成更合适的回答。

3.1.3 优化模型内部数据处理

编码层的设计促使模型开发者优化内部数据结构和处理流程，提高模型的可扩展性和适应性。
为模型的升级和改进提供了便利，使AI系统能够更好地应对不断变化的需求和技术发展。
例如在图像识别模型中，优化内部数据结构以支持更高分辨率的图像处理。

3.2 传输层功能与作用

3.2.1 数据分块与流式处理

采用数据分块传输和流式处理机制，特别适用于长上下文场景，如长文本处理、大规模数据传输等。
有效解决了传统传输方式在处理大数据量时的性能瓶颈，提升了系统的响应速度和稳定性。
例如在长文本生成任务中，通过分块传输可实时生成高质量文本。

3.2.2 数据压缩与加密技术

内置高效的压缩算法（如Zstandard）和端到端加密机制，显著减少数据传输量，同时保障数据安全。
在网络带宽有限或数据敏感性较高的场景下，提升系统的实用性和可靠性。
例如在边缘计算场景中，通过压缩技术减少数据传输延迟。

3.2.3 传输效率与安全性提升

通过优化传输协议和算法，降低传输延迟，提高数据传输效率，确保上下文信息的实时性和准确性。
加密技术防止数据在传输过程中被窃取或篡改，保护用户隐私和商业机密。
例如在金融领域，通过加密技术保障数据传输安全。

3.3 解码层功能与作用

3.3.1 上下文重构与还原

解码层负责将接收到的标准化上下文数据重构还原为原始数据结构，确保数据完整性和一致性。
使接收模块能够准确理解上下文信息，为后续处理提供准确的数据基础。
例如在智能写作助手应用中，准确还原用户输入的上下文，生成高质量内容。

3.3.2 缓存机制与性能优化

引入缓存机制，对频繁使用的上下文数据进行缓存，减少重复计算和数据传输，提升系统性能。
缓存机制可显著降低系统的资源消耗，提高响应速度，尤其在高频交互场景中效果显著。
例如在智能客服系统中，缓存常见问题的上下文，快速生成回答。

3.3.3 数据一致性保障

解码层通过严格的校验和同步机制，确保上下文数据在传输和处理过程中的一致性，避免数据丢失或错误。
保障AI系统在复杂环境下的稳定运行，提升系统的可靠性和用户体验。
例如在多模态交互系统中，确保语音、文本、图像数据的一致性。

4、MCP的功能与应用

4.1 如何使用 MCP

如果你还没有尝试过如何使用 MCP 的话，我们可以考虑用 Cursor(本人只尝试过 Cursor)，Claude Desktop 或者 Cline 来体验一下。

当然，我们并不需要自己开发 MCP Servers，MCP 的好处就是通用、标准，所以开发者并不需要重复造轮子（但是学习可以重复造轮子）。

首先推荐的是官方组织的一些 Server：官方的 MCP Server 列表。

目前社区的 MCP Server 还是比较混乱，有很多缺少教程和文档，很多的代码功能也有问题，我们可以自行尝试一下 Cursor Directory 的一些例子，具体的配置和实战笔者就不细讲了，大家可以参考官方文档。

4.2 MCP的功能

一文看懂什么是MCP(大模型上下文)？用来干什么的？怎么用它？ - AI全书

MCP通过引入多样化的MCP Server能力，显著增强了AI工具的功能，例如我们常用的Cursor和Claude。以下是一些官方参考服务器，展示了MCP的核心功能和SDK的应用：

引入各种各样的MCP Sever能力，可以大大扩展一些AI工具的能力，比如我们常用的Cursor和Claude

这些官方参考服务器展示了 MCP 核心功能和 SDK 的使用:

数据和文件系统

文件系统 - 具有可配置访问控制的安全文件操作
PostgreSQL - 具有架构检查功能的只读数据库访问
SQLite - 数据库交互和商业智能功能
Google Drive - Google Drive 的文件访问和搜索功能

开发工具

Git - 用于读取、搜索和操作 Git 仓库的工具
GitHub - 仓库管理、文件操作和 GitHub API 集成
GitLab - 支持项目管理的 GitLab API 集成
Sentry - 从 Sentry.io 获取和分析问题

Web 和浏览器自动化

Brave Search - 使用 Brave 的搜索 API 进行网络和本地搜索
Fetch - 为 LLM 使用优化的网络内容获取和转换
Puppeteer - 浏览器自动化和网页抓取功能

生产力和通信

Slack - 频道管理和消息功能
Google Maps - 位置服务、路线和地点详情
Memory - 基于知识图谱的持久记忆系统

AI 和专业工具

EverArt - 使用各种模型的 AI 图像生成
Sequential Thinking - 通过思维序列进行动态问题解决
AWS KB Retrieval - 使用 Bedrock Agent Runtime 从 AWS Knowledge Base 检索

官方集成的工具

这些 MCP 服务器由公司维护,用于其平台:

Axiom - 使用自然语言查询和分析日志、跟踪和事件数据
Browserbase - 在云端自动化浏览器交互
Cloudflare - 在 Cloudflare 开发者平台上部署和管理资源
E2B - 在安全的云沙箱中执行代码
Neon - 与 Neon 无服务器 Postgres 平台交互
Obsidian Markdown Notes - 读取和搜索 Obsidian 知识库中的 Markdown 笔记
Qdrant - 使用 Qdrant 向量搜索引擎实现语义记忆
Raygun - 访问崩溃报告和监控数据
Search1API - 用于搜索、爬虫和网站地图的统一 API
Tinybird - 与 Tinybird 无服务器 ClickHouse 平台交互

社区的一些工具

不断发展的社区开发服务器生态系统扩展了 MCP 的功能:

Docker - 管理容器、镜像、卷和网络
Kubernetes - 管理 pod、部署和服务
Linear - 项目管理和问题跟踪
Snowflake - 与 Snowflake 数据库交互
Spotify - 控制 Spotify 播放和管理播放列表
Todoist - 任务管理集成

更多的可以查看社区服务器列表： MCP Servers Repository

5.怎么使用和开发MCP Server

使用

目前支持的部分工具列表（更多见这里）：

客户端	资源	提示	工具	采样	根目录	备注
Claude 桌面应用	✅	✅	✅	❌	❌	所有MCP 功能
Zed	❌	✅	❌	❌	❌	提示以斜杠命令形式出现
Sourcegraph Cody	✅	❌	❌	❌	❌	通过OpenCTX 支持资源
Firebase Genkit	⚠️	✅	✅	❌	❌	支持资源列表和查找
Continue	✅	✅	✅	❌	❌	支持所有MCP功能
GenAIScript	❌	❌	✅	❌	❌	支持工具
Cursor	❌	❌	✅	❌	❌	支持工具

Claude Desktop 使用示例

以 Claude Desktop 为例，配置 MCP 客户端的步骤如下：

安装 Claude Desktop：确保已在 macOS 或 Windows 系统上安装最新版本的 Claude Desktop。
配置 MCP 服务器：在 Claude Desktop 的配置文件中，配置入口Claude Desktop—>菜单—>Settings—>Developer—>Edit Config：

添加所需的 MCP 服务器信息，例如：

{
  "mcpServers": {
    "filesystem": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-filesystem", "/path/to/allowed/files"]
    },
    "git": {
      "command": "uvx",
      "args": ["mcp-server-git", "--repository", "path/to/git/repo"]
    }
  }
}

这里的@modelcontextprotocol/server-filesystem、mcp-server-git是对应的一些MCP Server，可以是开源找来的，也可以是你自己开发的。

配置完后，在主界面对话题右下角就有个锤子出现了，有几个锤子就是配置几个，然后对话中如果涉及使用该工具的，claude就会自动调用