生成式人工智能应用程序是一大进步，因为它们通常允许用户使用自然语言提示与应用程序交互。然而，随着在此类应用程序上投入越来越多的时间和资源，您需要确保能够轻松地集成功能和资源，以便于扩展，使您的应用程序能够支持多个正在使用的模型，并处理各种模型的复杂性。简而言之，构建生成式人工智能应用程序入门很容易，但随着它们的发展和复杂程度的提升，您需要开始定义架构，并且可能需要依赖标准来确保您的应用程序以一致的方式构建。这时，MCP 就应运而生，它可以组织一切并提供标准。

---

模型上下文协议 (MCP)是一个开放的标准化接口，允许大型语言模型 (LLM) 与外部工具、API 和数据源无缝交互。它提供一致的架构，以增强 AI 模型的功能，使其超越训练数据，从而打造更智能、可扩展且响应速度更快的 AI 系统。

---

随着生成式人工智能应用日益复杂，采用能够确保可扩展性、延展性和可维护性的标准至关重要。MCP 通过以下方式满足这些需求：

• 统一模型工具集成
• 减少脆弱的一次性定制解决方案
• 允许多个模型在一个生态系统内共存

---

阅读完本文后，您将能够：

• 定义模型上下文协议（MCP）及其用例
• 了解 MCP 如何标准化模型到工具的通信
• 识别 MCP 架构的核心组件
• 探索 MCP 在企业和开发环境中的实际应用

---

在 MCP 之前，集成模型与工具需要：

• 每个工具模型对的自定义代码
• 每个供应商的非标准 API
• 由于更新而频繁中断
• 工具较多时可扩展性较差

益处	描述
互操作性	LLM 可以与不同供应商的工具无缝协作
一致性	跨平台和工具的统一行为
可重用性	一次构建的工具可以跨项目和系统使用
加速发展	使用标准化、即插即用接口减少开发时间

MCP 遵循客户端-服务器模型，其中：

• MCP 主机运行 AI 模型
• MCP 客户端发起请求
• MCP 服务器提供上下文、工具和功能

• 资源– 模型的静态或动态数据
• 提示– 用于引导生成的预定义工作流程
• 工具——可执行功能，如搜索、计算
• 采样——通过递归交互实现的代理行为

---

MCP 服务器的运行方式如下：

• 请求流程：

  1. MCP 客户端向 MCP 主机中运行的 AI 模型发送请求。
  2. AI 模型可以识别何时需要外部工具或数据。
  3. 该模型使用标准化协议与MCP服务器进行通信。

• MCP 服务器功能：

  • 工具注册表：维护可用工具及其功能的目录。
  • 身份验证：验证工具访问权限。
  • 请求处理程序：处理来自模型的传入工具请求。
  • 响应格式化程序：结构工具以模型可以理解的格式输出。

• 工具执行：

  • 服务器将请求路由到适当的外部工具
  • 工具执行其专门功能（搜索、计算、数据库查询等）
  • 结果以一致的格式返回给模型。

• 响应完成：

  • 人工智能模型将工具输出纳入其响应中。
  • 最终响应被发送回客户端应用程序。
• 

MCP 服务器允许您通过提供数据和功能来扩展 LLM 功能。

准备好尝试一下了吗？以下是用不同语言创建简单 MCP 服务器的示例：

• Python示例：https://github.com/modelcontextprotocol/python-sdk

• TypeScript 示例：https://github.com/modelcontextprotocol/typescript-sdk

• Java 示例：https://github.com/modelcontextprotocol/java-sdk

• C#/.NET 示例：https://github.com/modelcontextprotocol/csharp-sdk

MCP 通过扩展 AI 功能实现了广泛的应用：

应用	描述
企业数据集成	将 LLM 连接到数据库、CRM 或内部工具
代理人工智能系统	通过工具访问和决策工作流程为自主代理提供支持
多模式应用	在统一的 AI 应用程序中结合文本、图像和音频工具
实时数据集成	将实时数据融入 AI 交互中，以获得更准确、更实时的输出

模型上下文协议 (MCP) 是 AI 交互的通用标准，就像 USB-C 标准化设备物理连接一样。在 AI 领域，MCP 提供一致的接口，使模型（客户端）能够与外部工具和数据提供者（服务器）无缝集成。这消除了为每个 API 或数据源制定多样化自定义协议的需要。

在 MCP 下，兼容 MCP 的工具（称为 MCP 服务器）遵循统一的标准。这些服务器可以列出其提供的工具或操作，并在 AI 代理请求时执行这些操作。支持 MCP 的 AI 代理平台能够从服务器中发现可用的工具，并通过此标准协议进行调用。

除了提供工具之外，MCP 还促进了知识的获取。它使应用程序能够通过将大型语言模型 (LLM) 链接到各种数据源来为其提供上下文。例如，MCP 服务器可以代表公司的文档存储库，允许代理按需检索相关信息。另一台服务器可以处理特定的操作，例如发送电子邮件或更新记录。从代理的角度来看，这些只是它可以使用的工具——一些工具返回数据（知识上下文），而另一些工具执行操作。MCP 可以高效地管理这两者。

连接到 MCP 服务器的代理会通过标准格式自动学习服务器的可用功能和可访问数据。这种标准化实现了工具的动态可用性。例如，将新的 MCP 服务器添加到代理系统后，其功能即可立即使用，而无需进一步定制代理指令。

这种简化的集成与美人鱼图中描绘的流程一致，其中服务器提供工具和知识，确保跨系统的无缝协作。

除了基本的 MCP 架构之外，还有一些高级场景，其中客户端和服务器都包含 LLM，从而实现更复杂的交互：

以下是使用 MCP 的实际好处：

• 新鲜度：模型可以访问训练数据之外的最新信息
• 能力扩展：模型可以利用专门的工具来完成它们没有接受过训练的任务
• 减少幻觉：外部数据源提供事实依据
• 隐私：敏感数据可以保留在安全环境中，而不是嵌入在提示中

以下是使用 MCP 的要点：

• MCP标准化了 AI 模型与工具和数据的交互方式
• 促进可扩展性、一致性和互操作性
• MCP 有助于缩短开发时间、提高可靠性并扩展模型功能
• 客户端-服务器架构支持灵活、可扩展的人工智能应用

想想您有兴趣构建的 AI 应用程序。

• 哪些外部工具或数据可以增强其功能？
• MCP 如何使集成变得更简单、更可靠？

• MCP GitHub 仓库