1. MCP概念介绍
MCP(Model Context Protocol)【1,2】是Anthropic在2024年11月25日推出的面向连接AI助手与各种数据源系统的一套开放标准协议。
MCP作为一个开放协议，标准化了应用程序如何向大型语言模型（LLMs）提供上下文。可以将MCP想象为AI应用的USB-C端口。就像USB-C提供了将设备连接到各种外围设备和配件的标准方式一样，MCP提供了将AI模型连接到不同数据源和工具的标准方式，包括内容仓库、商业工具和开发环境。其目标是帮助大模型生成更优质、更相关的回应。
2. 为什么选择MCP
随着AI助手的主流化，最近DeepSeek爆火出圈，也加速了AI助手的普及，之所以这么出圈，主要还是因为免费+好用，免费是第一位，一下子拉低了应用的成本门槛。DeepSeek在to C领域应用还好，因为对于结果输出不需要非常严格，能用就行。但to B或者to G，DeepSeek可能不能直接用，生成与生产之间的gap还需要用专业的知识进行解决。此外也不能忽视安全对齐问题，最近Anthropic CEO提到DeepSeek对于安全的审查是比较弱的【3】，对于to B或者to G，安全审查应该说是高要求，此外，B或者G端对于结果的极高标准的准确性，也是有相当高的要求。不管怎么说，DeepSeek加速了大模型应用落地的进程。
行业在模型能力上投入巨大，实现了推理和质量上的快速进步。然而，即便是最先进的模型也受限于与数据的隔离——被信息孤岛和遗留系统所困。每个新的数据源都需要自己的定制实现，使得真正连接的系统难以扩展。MCP解决了这一挑战。提供了一个通用的、开放的标准，用于将AI系统与数据源连接起来，用单一协议取代了碎片化的集成。为AI系统提供所需数据的途径更简单、更可靠。
MCP帮助在LLMs之上构建代理和复杂的工作流程。LLMs经常需要与数据和工具集成，MCP提供了：
- 一个不断增长的预构建集成列表，LLM可以直接接入
- 在不同LLM提供商和厂商之间切换的灵活性
- 在基础设施内保护数据的最佳实践
用更通俗的话来说：
1. 建立开放的集成标准： 通过标准化应用程序与LLM之间的上下文交互方式，提升模型的上下文感知能力和任务协作能力。
2. 加强数据安全与控制： 所有操作均需用户授权，且MCP服务部署于本地，有效避免数据外泄风险，保障数据安全。
3. 构建丰富的工具生态： 解决了过去LLM工具不兼容的问题，提供多样化的工具选择。
3. 总体架构
MCP的核心遵循客户端-服务器架构，其中主机应用程序可以连接到多个服务器：
- MCP主机：像Claude Desktop、集成开发环境（IDEs）或希望通过MCP访问数据的AI工具这样的程序。
- MCP客户端：与服务器保持1:1连接的协议客户端。
- MCP服务器：通过标准化的模型上下文协议（MCP）暴露特定能力的轻量级程序。
- 本地数据源（注：目前主要还是本地化操作，对于云端操作还是有局限性）：计算机上的文件、数据库和服务，MCP服务器可以安全地访问。
- 远程服务：通过互联网可用的外部系统（例如，通过APIs），MCP服务器可以连接到这些系统。
基于MCP的Agent需要关注的问题：
（1）暂不支持复杂调用： 例如循环、if-else等结构目前尚未支持。
（2）不支持内存存储： 遇到大变量时，可能会出现效果和效率方面的问题。
（3）需要本地启动多个服务器：依赖于本地环境，并需解决兼容性问题。
4. MCP应用
模型上下文协议是一个开放标准，使开发者能够在其数据源和AI驱动工具之间建立安全、双向的连接。架构简单明了：开发者可以通过MCP服务器暴露其数据，或者构建连接到这些服务器的AI应用（MCP客户端）。
模型上下文协议的三个主要组件：
- 模型上下文协议规范和SDK
- 本地MCP服务器支持
- MCP服务器的开源仓库
开发者现在可以针对标准协议进行构建，而不是为每个数据源维护单独的连接器，如果用过s3存储协议可能会有很深的体感，只需要实现一套方法，就可以接入支持该协议的一堆第三方存储，非常方便，MCP其实实现的也是该目标。随着生态系统的成熟，AI系统在在不同工具和数据集之间移动时将保持上下文，用更可持续的架构取代当今碎片化的集成。
Claude提供了相当丰富的教程和案例【2】，有兴趣可以关注和实战，本文主要是引出该协议概念，后续会分享相关的实战，比如实现“代码自动化工具Agent”。
5. 参考材料
【1】Introducing the Model Context Protocol
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
