一、MCP介绍
定义
MCP（Model Context Protocol，模型上下文协议） 是由 Anthropic 于 2024 年 11 月提出的一种开放标准协议，旨在为 AI 模型（如大语言模型 LLM）提供一种统一的方式来连接和访问外部数据源、工具和服务。
可以把 MCP 理解为 AI 世界的 USB-C 接口 ------ 就像 USB-C 为各种设备提供了统一的连接标准一样，MCP 为 AI 模型与外部系统之间提供了统一的交互协议。
定位：
连接Agent、RAG、Skill的"中间层"，负责标准化调度、权限管理、上下文维护，
当驾驶员（Agent）想打开空调，他不需要知道压缩机的工作原理，他只需要按下中控台的标准化按钮（MCP 接口）。MCP 将"打开空调"的指令标准化，让 Agent 能无缝调用任何品牌的空调（Skill）。
在旧式 AI 中，驾驶员（Agent）可能需要专门学习如何操作某一款特定的空调（Skill）。而有了 MCP，就像汽车有了标准化的 CAN 总线，任何符合标准的设备（如新加的自动驾驶仪、氛围灯）都能即插即用，Agent 无需重新学习。
核心能力：
统一调度：接收Agent的调用请求，根据请求类型（需要知识/需要执行），分发到对应的RAG或Skill组件；
接口标准化：为RAG、Skill提供统一的调用接口，避免不同组件"接口不兼容"的问题，降低系统集成成本；
上下文与权限管理：保存任务进度、用户偏好、会话状态，同时控制Agent对RAG/ Skill的调用权限，避免违规操作；
异常处理：当RAG检索失败、Skill调用超时或权限不足时，统一处理并反馈给Agent，让Agent重新调整决策。
类比：电脑的USB-TypeC接口------不管是U盘、显示器还是充电器，都能通过这个统一接口连接电脑，MCP就相当于这个"统一接口"，让Agent、RAG、Skill能高效、安全地协同工作。
二、核心架构
MCP 采用经典的 客户端-服务器（Client-Server） 架构
角色说明
MCP Host（宿主）：AI 应用程序本身，如 IDE（Copilot）、Claude Desktop 等
MCP Client（客户端）：嵌入在 Host 中，负责与 MCP Server 建立连接、发送请求
MCP Server（服务端）：轻量级服务程序，封装了对外部资源/工具的访问能力
通信协议
MCP 基于 JSON-RPC 2.0 协议进行通信，支持两种传输方式：
stdio：通过标准输入/输出通信，使用场景： 本地进程，如本地脚本、CLI 工具
HTTP（Streamable HTTP）：通过 HTTP 请求通信， **使用场景：**远程服务。
MCP 的三大核心能力
MCP Server 可以向 Client 暴露三种类型的能力：
1. 🔧 Tools（工具）
模型可以调用的函数/操作
例如：查询告警事件、创建 TAPD 需求、执行数据库查询
以你的配置为例，s1sPplEvent 提供了 ListEvent、UpdateEvent 等工具
2. 📦 Resources（资源）
模型可以读取的数据
例如：文件内容、数据库记录、API 响应
3. 📝 Prompts（提示模板）
预定义的提示词模板
帮助模型更好地完成特定任务
三、MCP工作原理
核心原理：MCP 协议的服务发现机制
MCP 协议的设计灵感类似于 OpenAPI/Swagger 或 gRPC 的服务反射，它内置了一套标准的服务发现（Service Discovery）流程：
详细步骤
第一步：初始化连接（Initialize）
当 IDE 启动或加载 MCP 配置时，客户端向你配置的 URL 发送一个 initialize 请求：
{
"jsonrpc": "2.0",
"method": "initialize",
"params": {
"protocolVersion": "2024-11-05",
"clientInfo": { "name": "CodeBuddy", "version": "1.0" },
"capabilities": {}
}
}
服务端返回它支持的能力，比如是否支持 tools、resources、prompts 等。
返回格式：
{"jsonrpc":"2.0","id":1,"result":{
"protocolVersion": "2025-03-26",
"capabilities": {
"experimental": {},
"tools": {
"listChanged": false
}
},
"serverInfo": {
"name": "newrpc_mcp_server",
"version": "0.0.1"
}
}}
第二步：列出工具（tools/list）
客户端发送 tools/list 请求：
{
"jsonrpc": "2.0",
"method": "tools/list"
}
服务端返回所有注册的工具定义，包括：
{
"tools": [
{
"name": "ListBiz",
"description": "查询业务列表...",
"inputSchema": {
"type": "object",
"properties": {
"biz_name": { "type": "string", "description": "业务名" },
"start_time": { "type": "string", "description": "开始时间" }
},
"required": []
}
},
{
"name": "ListBizDecl",
"description": "查询全部业务定义列表..."
}
// ... 其他工具
]
}
第三步：调用工具（tools/call）
当 AI 决定使用某个工具时，客户端发送 tools/call 请求：
{
"jsonrpc": "2.0",
"method": "tools/call",
"params": {
"name": "ListEventDecl",
"arguments": {}
}
}
类比理解：
四、总结
简单来说，MCP 就是一个让 AI 模型能够安全、标准化地调用外部工具和访问外部数据 的协议。它解决了以往每个 AI 应用都需要为每个外部服务单独写集成代码的问题，实现了 "一次接入，处处可用" 的目标。