MCP：模型上下文协议 - 插图指南 (2025) - 深度解析

2025 EDITION · 重新定义AI交互范式

模型上下文协议 (MCP)

AI Agent 与外部世界的智能桥梁：插图指南深度解析

🛠️

系统构建者指南

✨

现代化AI应用

💡

未来AI趋势

作者: Avi Chawla & Akshay Pachaar

前往DailyDoseofDS.com

高效阅读：智能评估与个性化导航

本书阅读时间约为3小时。
但并非所有章节都与您相关。这份2分钟的智能评估将测试您当前的专业知识，并为您个性化推荐最相关、最有用的章节，助您更高效地学习。

扫描二维码或点击链接即刻开始评估：

立即开始评估 (2分钟)

内容总览：快速定位章节

核心概念：模型上下文协议 (MCP)

1.1) 什么是MCP？

想象一下，您只会说英语。而要从只会说法语的人那里获取信息，您必须学习法语。从只会说德语的人那里获取信息，您必须学习德语。依此类推。

在这种情况下，学习哪怕5种语言对您来说都将是一场噩梦。但如果您添加一个懂得所有语言的翻译器，情况会怎样？

这很简单，不是吗？

翻译器就像一个MCP！

它允许您（智能体）通过一个单一接口与其他人（工具或其他功能）进行交流。

正式来说，尽管大型语言模型（LLMs）拥有令人印象深刻的知识和推理能力，使其能够执行许多复杂任务，但它们的知识仅限于其初始训练数据。如果它们需要访问实时信息，就必须自行使用外部工具和资源。

模型上下文协议（Model Context Protocol - MCP）是一个标准化的接口和框架，允许AI模型与外部工具、资源和环境无缝交互。

MCP充当AI系统与各项功能（工具等）之间的通用连接器，类似于USB-C如何标准化电子设备之间的连接。

1.2) 为何创建MCP？

没有MCP时，添加新工具或集成新模型是一件令人头疼的事。如果您有三个AI应用程序和三个外部工具，您可能最终需要编写九个不同的集成模块（每个AI x 每个工具）因为没有共同标准。这无法扩展。

AI应用程序的开发者每次都在重复造轮子，而工具提供商不得不支持多个不兼容的API才能触及不同的AI平台。

让我们详细了解一下。

挑战：M×N 集成问题

在MCP之前，AI与外部数据和操作连接的现状就像是零散的临时解决方案。您要么为每个工具硬编码逻辑，要么管理不健壮的提示链，或者使用供应商特定的插件框架。

这导致了臭名昭著的 M×N 集成问题。本质上，如果您有 M 个不同的AI应用程序和 N 个不同的工具/数据源，您可能最终需要 M × N 个自定义集成。

下图展示了这种复杂性：每个AI（每个“模型”）可能需要独特的代码来连接到每个外部服务（数据库、文件系统、计算器等），导致意大利面条式的互连。

传统集成：高耦合 M×N 复杂性

模型 A

模型 B

模型 C

数据库

文件系统

计算器

其他 API

解决方案：MCP 简化集成 M+N 模式

MCP通过在中间引入一个标准接口来解决这个问题。我们不再是M×N的直接集成，而是M+N的实现：每个 M 个AI应用程序都实现一次MCP客户端，每个 N 个工具都实现一次MCP服务器。

现在大家都说同一种“语言”，可以说，新的配对不再需要自定义代码，因为它们已经通过MCP相互理解了。

下图展示了这种转变。对比传统模式，MCP显著降低了连接复杂度。

左侧（MCP之前），每个模型都必须与每个工具连接，形成混乱的网状。
右侧（有了MCP），每个模型和工具都连接到中央MCP层，大大简化了连接。这也可以与我们之前讨论的翻译器示例联系起来。

传统集成：M×N 连接 (例如: 9个)

模型 1

模型 2

模型 3

工具 A

工具 B

工具 C

MCP 方案：M+N 连接 (例如: 6个)

模型 1

模型 2

模型 3

MCP 层

工具 A

工具 B

工具 C

1.3) MCP架构概览

MCP核心遵循客户端-服务器架构（很像Web或其他网络协议）。然而，其术语是为AI上下文量身定制的。需要理解三个主要角色：宿主（Host）、客户端（Client）和服务器（Server）。

宿主 (Host)

宿主是面向用户的AI应用程序，是AI模型存在并与用户交互的环境。例如：ChatGPT、Claude桌面应用、AI增强型IDE (Cursor)。

它捕获用户输入，保存对话历史，并显示模型的回复。

客户端 (Client)

MCP客户端是宿主内部的一个组件，负责处理与MCP服务器的底层通信。

将其视为适配器或信使，将宿主的指令转换为MCP服务器可以理解的语言并执行。

服务器 (Server)

MCP服务器是提供功能（工具、数据等）给应用程序的外部程序或服务。

它以标准化方式暴露一组动作或资源，可以本地或远程运行，并执行来自客户端的请求。

1.4) MCP核心能力：工具、资源与提示

工具、提示和资源构成了MCP框架的三大核心能力。能力本质上是服务器提供的特性或功能。

➤工具（Tools）: 可执行的操作或函数，AI（宿主/客户端）可以调用它们（通常带有副作用或外部API调用）。
➤资源（Resources）: AI（宿主/客户端）可以查询信息的只读数据源（无副作用，仅检索）。
➤提示（Prompts）: 服务器可以提供的预定义提示模板或工作流。

工具 (Tools)

工具是代表AI模型执行某些功能的函数。它们通常涉及外部API调用、文件I/O等，并且由AI模型自主选择并触发。

例如，一个天气查询工具：


@mcp.tool()
def get_weather(location: str):
    """
    获取指定地点的当前天气信息。
    :param location: 城市名或地点名。
    :return: 包含温度和天气状况的字典。
    """
    # ... (实际调用外部天气服务) ...
    return {"temperature": "15°C", "conditions": "多云"}

MCP确保工具调用经过开发者/治理批准，防止滥用。它们是模型控制的动态功能。

资源 (Resources)

资源为AI模型提供只读数据源，如数据库、知识库、文档内容等，不涉及副作用或重计算。

它们通常由宿主应用程序控制访问，是AI获取上下文信息的重要途径：


@mcp.resource("file://{path}")
def read_file(path: str):
    """
    读取指定路径的文件内容。
    """
    with open(path, "r", encoding="utf-8") as f:
        return f.read()

资源通过URI或名称标识，确保安全和权限控制，如同按需提供的参考材料。

提示 (Prompts)

提示是预定义的指令模板或对话流，用于引导AI行为，而非AI自发使用。它们通常由用户或开发者控制，提供标准化策略。

例如，一个代码审查提示：


@mcp.prompt()
def code_review_prompt():
    """
    生成一个用于代码审查任务的prompt。
    """
    return [
        {"role": "system", "content": "你是一个严谨的代码审查专家..."},
        {"role": "user", "content": "请审查以下Python代码片段："}
    ]

通过MCP，这些复杂的提示可以按需检索和更新，模糊了数据与指令之间的界限，类似于ChatGPT插件但更加标准化和可发现。

目录导航

MCP：模型上下文协议

预览结果：