MCP 协议：AI 地学工具链的通用胶水
理解 Model Context Protocol 如何串联 TorchGeo、DeepEarth、EVE 和 SciAssistant，打通数据到报告的完整链路。
什么是 MCP？
MCP（Model Context Protocol） 是 Anthropic 发布的开放协议，让 AI 模型安全地调用外部工具和数据源。简单理解：它是 AI 的「USB 接口」------任何实现了 MCP 的工具，AI 都能直接使用。
一个 MCP Server 暴露一组工具（Tools），AI 通过标准化的 JSON-RPC 协议调用它们：
arduino
AI 模型 ←→ MCP Client ←→ MCP Server ←→ 外部工具/数据为什么地学 AI 需要 MCP？
地学 AI 项目有一个天然困境：数据格式不统一、工具分散、接口各不相同。
- TorchGeo 是 Python 库，需要通过代码调用
- DeepEarth 是 CUDA 模型，需要特定环境
- EVE 是 REST API，需要 HTTP 认证
- SciAssistant 是 Web 应用，需要浏览器交互
MCP 提供的价值：把所有这些不同的接口统一成一套工具调用格式。AI 不需要知道底层是 Python 库还是 REST API------它只需要知道「有个工具可以做这个」。
地学 AI 的 MCP 生态
EVE-MCP：地球科学知识的 MCP 入口
EVE 是第一个为地学 AI 提供正式 MCP 支持的项目：
json
// Claude Code settings.json
{
"mcpServers": {
"eve": {
"command": "eve-mcp",
"env": {
"EVE_USER_EMAIL": "you@example.com",
"EVE_USER_PASSWORD": "your-password"
}
}
}
}配置后，AI 可以直接使用五个工具：
| 工具 | 功能 |
|---|---|
query_eve |
RAG 查询地球科学文献 |
list_eve_collections |
浏览可用知识库 |
check_eve_health |
验证 API 连接 |
extract_factuality_issues |
审查 GEE 代码的科学假设 |
assess_factuality_issue |
专家级逐条评估 |
后两个工具尤其精彩------它们不只是「问答」，而是对 Google Earth Engine Python 脚本做科学审查，指出代码中的地学假设可能在哪里出错。
SciAssistant：MCP 驱动的搜索
SciAssistant 内置了 MCP Server，通过 MCP 协议连接外部搜索引擎：
arduino
SciAssistant → MCP Client → MCP Server
├── PubMed API
├── ArXiv API
└── Google Search APIInfo Seeker Agent 不需要知道每个搜索 API 的细节------它只需调用 MCP 工具，MCP Server 负责路由到正确的后端。
理想的地学 AI MCP 架构
如果将 TorchGeo、DeepEarth、EVE、SciAssistant 全部封装为 MCP Server：
scss
AI (Claude / GPT)
│
├── MCP: torchgeo-server
│ ├── list_datasets()
│ ├── load_dataset(name)
│ └── sample_patches(bbox, size)
│
├── MCP: deepearth-server
│ ├── encode_spacetime(lat, lon, elev, time)
│ └── predict_lfmc(region, date)
│
├── MCP: eve-server
│ ├── query_rag(question, collections)
│ ├── list_collections()
│ └── analyze_gee_script(code)
│
└── MCP: sciassistant-server
├── plan_research(topic)
├── search_literature(query)
└── generate_report(outline, sources)AI 无需知道每个工具的底层实现------它只需要知道「encode_spacetime 可以生成时空特征」，然后自由组合这些工具完成复杂任务。
实际工作流示例
用户：「分析 2023 年加州森林火灾风险趋势，写一份报告」
AI 通过 MCP 自动编排：
vbscript
1. torchgeo-server.load_dataset("BigEarthNet")
→ 加载加州区域的卫星图像
2. deepearth-server.encode_spacetime(lat, lon, elev, "2023-07-01")
→ 生成 2023年7月 加州的时空特征向量
3. deepearth-server.predict_lfmc(region, date_range)
→ 预测活体燃料含水量 (火灾风险核心指标)
4. eve-server.query_rag("California wildfire trends 2023", ["eve-public"])
→ 检索 ESA 文献库中关于加州野火的最新研究
5. sciassistant-server.generate_report(outline, sources)
→ 整合分析结果 + 文献综述 → 生成报告5 个 MCP 调用，串联 4 个独立项目，完成一个完整的地学分析任务。
当前的局限和机会
现状：只有 EVE 有正式的 MCP Server。TorchGeo、DeepEarth、SciAssistant 都只有 Python API 或 Web 界面。
机会：为这三个项目编写 MCP Server 封装，是极好的开源贡献方向：
- TorchGeo MCP Server：暴露数据集列表、加载、采样工具
- DeepEarth MCP Server：暴露时空编码、预测工具
- SciAssistant MCP Server：暴露文献检索、报告生成工具
这正是技术写作可以切入的角度------写教程的同时贡献代码。
参考
- MCP 协议规范
- EVE-MCP --- 首个地学 MCP 实现
- MCP Python SDK
首次发布于 2026-05-30 · 掘金 / 知乎