MCP(Model Context Protocol,模型上下文协议)
·
MCP(Model Context Protocol,模型上下文协议)是由 Anthropic 在 2024 年推出的一种开放协议,用于让 AI 模型能够以统一标准连接外部工具、数据源和服务。
可以把 MCP 理解成:
AI 领域的 USB-C 接口
就像 USB-C 让电脑连接各种设备一样,MCP 让 LLM 连接各种系统。
MCP 为什么出现
早期 AI Agent 连接外部系统时:
- 连接数据库要写一套代码
- 连接 GitHub 要写一套代码
- 连接 Slack 要写一套代码
- 连接 Google Drive 又要写一套代码
每个工具都要单独适配。
MCP 提供统一接口后:
LLM
│
├── MCP Client
│
├── MCP Server (GitHub)
├── MCP Server (Postgres)
├── MCP Server (Slack)
├── MCP Server (Google Drive)
└── MCP Server (Filesystem)
模型只需要学会 MCP 协议即可。
MCP 核心架构
1. MCP Host
运行 AI 的应用。
例如:
- Claude Desktop
- Cursor
- Windsurf
- Cherry Studio
- OpenAI SDK Agent
2. MCP Client
负责与 MCP Server 通信。
作用:
- 发送请求
- 获取工具列表
- 调用工具
- 返回结果
3. MCP Server
提供能力的服务端。
例如:
- GitHub MCP
- PostgreSQL MCP
- Filesystem MCP
- Slack MCP
MCP 可以做什么
文件操作
Filesystem MCP:
读取文件
创建文件
删除文件
搜索目录
例如:
帮我分析这个项目的所有 Python 文件
AI 会自动调用 MCP。
数据库查询
PostgreSQL MCP:
SELECT *
FROM users
LIMIT 10;
例如:
查询最近7天订单量
AI 自动生成 SQL 并执行。
GitHub 操作
GitHub MCP:
- 查看 Issue
- 创建 PR
- 搜索代码
- 获取 Commit
例如:
帮我查看仓库中所有未关闭的 Bug
企业办公
Slack MCP:
- 发送消息
- 查询频道
- 获取历史记录
例如:
通知研发团队今晚发布版本
MCP 与 Function Calling 的区别
| 功能 | Function Calling | MCP |
|---|---|---|
| 工具定义 | 每个项目自己写 | 标准化 |
| 工具发现 | 手动配置 | 自动发现 |
| 跨平台 | 差 | 好 |
| 可复用 | 低 | 高 |
| 扩展性 | 一般 | 强 |
Function Calling:
@tool
def get_weather(city):
...
开发者自己维护。
MCP:
{
"name": "get_weather",
"description": "Get weather information"
}
客户端自动发现。
MCP 的工作流程
用户:
帮我统计项目代码量
AI:
- 发现 Filesystem MCP
- 获取目录结构
- 读取代码文件
- 统计 LOC
- 返回结果
流程:
User
↓
LLM
↓
MCP Client
↓
Filesystem MCP
↓
返回文件内容
↓
LLM分析
↓
结果
MCP 常见服务器
目前生态中比较流行的 MCP Server:
- GitHub MCP Server
- PostgreSQL MCP
- MySQL MCP
- SQLite MCP
- Filesystem MCP
- Slack MCP
- Notion MCP
- Google Drive MCP
- Jira MCP
- Confluence MCP
- Kubernetes MCP
MCP 与 AI Agent 的关系
很多 Agent 框架已经支持 MCP:
- LangChain
- LangGraph
- CrewAI
- OpenAI Agents SDK
- AutoGen
因此现在经常看到:
LLM
+ MCP
+ Agent
其中:
- LLM = 大脑
- Agent = 决策系统(ReAct Loop)
- MCP = 工具连接层
一句话总结
MCP(Model Context Protocol)是一种让大模型能够用统一方式连接文件、数据库、GitHub、Notion、Slack 等外部工具的开放标准协议,相当于 AI Agent 生态中的“USB-C 接口”。
更多推荐


所有评论(0)