MCP(模型上下文协议)

MCP(模型上下文协议)深度解析:让大模型实时获取外部能力

在大模型的世界里,知识往往是静态的,而现实世界的数据却是动态的。如何让大模型突破时间限制,实时调用外部能力?这正是 MCP(Model Context Protocol,模型上下文协议) 诞生的意义。


1. 背景:为什么需要 MCP?

大语言模型(LLM)在训练完成后,知识库通常是固定的。

这意味着:

  • 无法访问训练时间之后的新数据
  • 不能直接操作数据库、系统 API
  • 与应用的交互能力有限

在现实业务中,这会造成很多限制,比如:

  • 无法获取最新的天气信息
  • 无法直接调用企业内部系统
  • 无法操作文件、日程、交易数据

MCP 的目标

建立一种标准化的协议,让 LLM 可以安全、高效地与外部应用进行实时通信。


2. 什么是 MCP?

MCP(模型上下文协议)是一个 AI 模型与应用程序之间交换上下文和调用外部工具的协议

它的核心思想是:

把外部能力抽象成可调用的 Tool,并让模型通过 MCP Client 调用 MCP Server 上的这些 Tool,从而实现与外部世界的互动。


MCP 的三大角色

  1. MCP Server

    • 对外提供可调用的接口(称为 Tool)
    • 负责实际执行任务(如数据库查询、调用第三方 API)
  2. MCP Client

    • 充当 LLM 与 MCP Server 之间的桥梁
    • 接收模型的调用请求,转发给 MCP Server
  3. LLM(大语言模型)

    • 接收用户的 Prompt
    • 根据上下文决定是否调用 MCP 的 Tool

3. 工作原理

假设用户问:

"帮我查一下今天上海的天气,并写成一句幽默的朋友圈文案。"

整个流程是这样的:

  1. 用户 → AI Agent

    用户输入问题,AI Agent 收到 Prompt。

  2. AI Agent → LLM

    AI Agent 把 Prompt 发给 LLM。

  3. LLM 决策调用 MCP Tool

    LLM 判断自己无法直接回答(因为天气信息是动态的),于是通过 MCP Client 调用 MCP Server 的 getWeather 工具。

  4. MCP Server 执行任务

    MCP Server 访问天气 API,返回结果(例如 "今天上海 32°C,晴转多云")。

  5. LLM 生成最终结果

    LLM 将天气信息加工成幽默的朋友圈文案。

  6. AI Agent → 用户

    返回结果给用户。


4. MCP Tool 的结构

一个 Tool 就是 MCP Server 暴露的一个可调用函数。

它一般包含以下字段:

json 复制代码
{
  "name": "getWeather",
  "description": "获取指定城市的天气信息",
  "inputSchema": {
    "type": "object",
    "properties": {
      "city": {
        "type": "string",
        "description": "城市名称"
      }
    },
    "required": ["city"]
  }
}

字段说明:

  • name:Tool 的唯一标识
  • description:描述 Tool 的用途
  • inputSchema:定义输入参数的 JSON Schema

5. 通信方式

MCP 常用两种通信方式:

  1. HTTP(RESTful API)

    • 适合一次性请求-响应的调用
    • 例如数据库查询、API 请求
  2. WebSocket

    • 适合需要保持长连接、实时返回的任务
    • 例如流式响应、实时监控

6. MCP 的优势

  • 标准化:统一 LLM 与应用交互的接口规范
  • 实时性:大模型可以访问最新数据
  • 可扩展性:新增能力只需在 MCP Server 注册新的 Tool
  • 安全性:通过 Client 层可控地暴露外部能力

7. 应用场景

  • 企业内部知识检索
  • 自动化办公
  • 智能客服
  • 金融交易系统
  • IoT 设备控制

8. 总结

MCP 并不是让模型"变聪明",而是让模型能够借助外部能力完成更多任务

在 AI Agent 时代,MCP 将成为大模型连接现实世界的关键基础设施。


💡 一句话总结

MCP 让大模型不再是"孤立的聪明人",而是能"动手"的超级助手。


相关推荐
xuhe23 小时前
关于nano banana模型实践的思考
ai
Honeysea_704 小时前
容器的定义及工作原理
人工智能·深度学习·机器学习·docker·ai·持续部署
zandy10115 小时前
LLM与数据工程的融合:衡石Data Agent的语义层与Agent框架设计
大数据·人工智能·算法·ai·智能体
seegaler5 小时前
WrenAI:开源革命,重塑商业智能未来
人工智能·microsoft·ai
爱吃烤鸡翅的酸菜鱼5 小时前
飞算JavaAI炫技赛:电商系统开发全流程实战解析
ai·java开发·飞算javaai炫技赛
码界奇点7 小时前
豆包新模型矩阵与PromptPilot构建企业级AI开发的体系化解决方案
人工智能·线性代数·ai·语言模型·矩阵·硬件工程
SheldonChang8 小时前
Onlyoffice集成与AI交互操作指引(Iframe版)
java·人工智能·ai·vue·onlyoffice·postmessage
FutureUniant8 小时前
GitHub每日最火火火项目(9.5)
人工智能·microsoft·计算机视觉·ai·github
CoderJia程序员甲8 小时前
GitHub 热榜项目 - 日榜(2025-09-05)
ai·开源·github·ai编程·github热榜
组合缺一9 小时前
搭建基于 Solon AI 的 Streamable MCP 服务并部署至阿里云百炼
java·人工智能·solon·mcp