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
武昌库里写JAVA7 小时前
SpringBoot+Vue 项目介绍
java·javascript·git·sql·ai
VIP_CQCRE7 小时前
GPT Image 2.6 商品图换背景后悬浮?接触阴影、透明区域与反射验收
图像处理·人工智能·ai·电商
Danny转行做跨境7 小时前
跨境数据CLI怎么用? 一个命令行调61个接口实录
跨境电商·mcp·sorftime
Flynt9 小时前
我让 AI 给掘金首页做了次性能体检:LCP 8.9 秒是真的,但它判读错了一处
chrome·性能优化·mcp
七夜zippoe11 小时前
Agent 告警设计:分级告警、智能降噪与值班排班
开发语言·ai·agent·告警·智能降噪·值班排班
prince_zxill17 小时前
把 17 个散文件装进一个文件夹:拆解 claude-plugins-official 的插件打包术(47,413 Star 实测)
python·github·agent·mcp·claude code
wflynn17 小时前
AI 产品 ChatPRD 遭遇 token 欺诈,滥用者用免费试用构建游戏地图
ai·技术
xrlfreedom18 小时前
MCP 面试高频考点:给 MCP Server 加日志、指标与分布式追踪,面试追问你能答到第几层?
结构化输出·mcp·mcp server
万里侯1 天前
日志聚类之后别把 noise 扔掉:降噪应该改变视图,不抹掉证据
人工智能·微服务·ai·容器·k8s
澹锦汐1 天前
纯前端秋日银杏与枫叶落叶色板智能聚类器:基于 K-Means 色彩量化与直方图自动配方提取
前端·人工智能·ai·语言模型·vue·react·k-means