解密prompt系列58. MCP - 工具演变 & MCP基础

作为结构化推理的坚定支持者,我一度对MCP感到困惑:Agent和工具调用的概念早已普及,为何还需要MCP这样的额外设计呢?本文就来深入探讨MCP,看看它究竟解决了什么问题。

我们将分几章解析MCP:本章理清基础概念和逻辑,后面我们直接以一个Agent为例演示全MCP接入的实现方案。

工具调用方式的演进

大模型调用工具的概念从ChatGPT亮相后就被提出,其表达形式经历了三个阶段演变:

1. 函数表达阶段

早期的工具描述多采用简单的函数形式,通常通过提示词(Prompt)要求模型输出包含工具名称和参数的JSON对象。例如下面的System Prompt期望模型输出JSON结构来调用天气查询工具:

复制代码
system_prompt = """你是一个智能助手,可以帮助用户查询天气。
如果你需要查询天气,请调用一个名为 'get_current_weather' 的工具。
这个工具需要一个 'location' (字符串,必填) 参数,表示要查询天气的城市。
请以 JSON 格式输出工具调用,例如:
{"tool_name": "get_current_weather", "parameters": {"location": "上海"}}
"""

模型可能输出

json 复制代码
{
  "tool_name": "get_current_weather",
  "parameters": {
    "location": "北京"
  }
}

这种方式存在明显痛点:

  • 缺乏统一标准:工具描述格式五花八门
  • 推理脆弱:JSON缺乏强约束,易出现格式错误
  • 解析繁琐:需额外编写解析代码

2. 标准化工具定义

2023年6月,OpenAI推出的Function Calling功能是一个重要转折点。它引入JSON Schema标准化工具描述,明确定义:

  • 工具名称(name)
  • 功能描述(description)
  • 参数列表(parameters),包含类型、描述、是否必填等
json 复制代码
{
  "name": "get_current_weather",
  "description": "获取指定地点的当前天气信息",
  "parameters": {
    "type": "object",
    "properties": {
      "location": {
        "type": "string",
        "description": "城市名称,例如:旧金山、上海"
      },
      "unit": {
        "type": "string",
        "enum": ["celsius", "fahrenheit"],
        "description": "温度单位,摄氏度或华氏度"
      }
    },
    "required": ["location"]
  }
}

3. 引入结构化推理

虽然OpenAI,Anthropic等闭源模型先后推出了Function Calling的接口能力,但是众多开源模型仍无法使用类似的能力,并且手工编写工具的JSON Schema也较为复杂。

而转折点则是24年结构化推理的普及,基于掩码的结构化推理能力(不熟悉的朋友看这里LLM结构化输出)不仅显著提升了模型生成工具JSON Schema的准确性,同时还让Pydantic这个数据验证和解析库进入了大家的视野中。

像Langchain、LlamaIndex、DSPY等开源框架都开始引入Pydantic来自动生成工具的JSON Schema。这样不仅解析部分能自动化标准化,生成工具描述的部分同样也被标准化。还是上面的查天气,可以使用Pydantic来标准化入参

python 复制代码
from langchain_core.tools import tool
class WeatherInput(BaseModel):
    location: str = Field(description="需要查询天气的城市名称")
    unit: str = Field(description="温度单位,可以是 'celsius' 或 'fahrenheit'", default="celsius")


@tool("get_current_weather", args_schema=WeatherInput, return_direct=True)
def get_current_weather(location: str, unit: str):
    "获取指定地点的当前天气信息"
    return ''

MCP基础概念

既然前三阶段解决了工具描述标准化、推理准确性和解析自动化,为什么还需要MCP?

后来我思考良久才意识到MCP解决的不是Agent算法问题,而是工程问题,可以类比设计模式中的Adapter接口转换思想,MCP推出的是工具的标准化协议。与其说是搭建新的MCP工具服务,不如说是把已有的服务通过MCP的链接中枢转接成统一协议的AI工具服务。

理解MCP:从完整工具调用流程说起

要理解MCP的作用,需先看LLM调用工具的完整流程:

  1. 构建上下文:Agent获取可用工具列表及其描述(JSON Schema/Prompt)
  2. 模型推理:LLM结合用户Query和工具上下文生成工具调用指令
  3. 执行调用:Client解析指令并调用对应服务(本地函数/进程/远程API)获取
  4. 处理结果:Client获取工具结果并反馈给LLM进行后续处理

工具发展的前三个阶段主要解决步骤2的准确性和接口标准化,而步骤1(获取工具列表)和步骤3(调用异构服务),步骤4(处理服务结果) 的工程化集成缺乏统一方案,这也是MCP的价值所在

MCP的核心价值:统一协议,降低复杂度

在没有MCP时,每个Agent需为每个工具服务定制开发连接逻辑,这里包括接口定义,错误处理,鉴权等等。**当存在M个Agent和N个工具服务时,复杂度是O(M×N)(接近平方级)。

而引入MCP后,MCP通过标准协议解决这个问题把复杂度降低到M+N

  • Client侧:Agent只需集成通用MCP客户端,将请求编码为标准MCP消息(JSON-RPC 2.0格式)
  • Server侧:每个工具服务部署MCP服务端适配器,转换请求并返回标准化响应

MCP除核心连接简化外,还提供:

  • 动态上下文构建:工具列表通过标准list_tools方法动态获取,无需在Agent内部硬编码工具描述
  • 协议标准化:明确定义工具发现、调用、返回结构、错误处理等标准操作,无需每个Agent独立处理
  • 传输无关性:支持HTTP、Stdio等多种传输层,统一了Agent进程内本地工具和远程API调用

MCP协议

说到这里MCP相关的核心架构已经比较清晰了,就是按照JSON-RPC 2.0标准协议通信(使用JSON作为消息格式)的Server-Client服务架构,其中client和Server各自提供以下核心能力

  1. Client:在智能体启动时会初始化客户端,每个对应的MCP Server都初始化一个对应的客户端
  • 初始化:根据Server类型(Stdio/HTTP)建立连接
  • 发现工具 :通过统一的list_tools获取可用工具及描述
  • 调用工具:将模型输出封装为统一的工具标准请求call_tool请求服务端,同时服务端也会返回标准化的工具调用结果
  1. Server:每个(一组)工具都设计启动一个对应的服务端
  • 提供工具描述 :实现list_tools返回工具定义
  • 执行工具调用 :通过call_tool转换并执行实际工具
  • 传输层适配
    • Stdio:用于本机进程间通信
    • Http:用于跨网络调用
  • 提供交互提示:可选提供推荐Prompt模板(工具说明/结果解释)

对于MCP中的高级概念如ResourceRootsSamplingElicitation,仅靠定义难以理解。在接下来的章节中,我们将通过具体案例探讨这些概念。

当然其实还有一层概念也就是在client的外层,也就是智能体层或应用层,例如cursor, windsurf, claude desktop等等,在MCP中称之为Host层,这一层也更多是和Resource订阅、Prompt使用这些高级概念相关,我们放在后面的章节再说了。

想看更全的大模型论文·微调预训练数据·开源框架·AIGC应用 >> DecryPrompt

相关推荐
胡琦博客2 小时前
LLM Prompt与开源模型资源(2)提示工程关键技术
人工智能·prompt
技术与健康11 小时前
提示词增强工程(Prompt Enhancement Engineering)白皮书草稿
prompt
utmhikari13 小时前
【GitHub探索】Prompt开发评测平台CozeLoop踩坑体验
ai·llm·prompt·agent·ddd·后端开发·coze
胡琦博客3 天前
LLM Prompt与开源模型资源(3)如何写一个好的 Prompt
数据库·开源·prompt
技术与健康4 天前
为什么我们需要提示词增强工程PEE(Prompt Enhancement Engineering )
prompt·pee·提示词增强工程
WilliamHu.5 天前
金融分类提示词演示
开发语言·python·大模型·prompt
linmoo19865 天前
Spring AI 系列之二十八 - Spring AI Alibaba-基于Nacos的prompt模版
人工智能·spring·nacos·prompt·springai·springaialibaba·动态提示词
Anonymous-OS6 天前
Prompt编写规范指引
ai·prompt·aigc·提示词
大江东去浪淘尽千古风流人物6 天前
【prompt】Lyra 提示词深度研究
人工智能·prompt