概述

你的大模型还停留在“思想的巨人，行动的矮子”阶段吗？你是否希望在使用大模型时，它能自动读写本地文件、直接操作数据库？你让它写好了画图代码，却还需手动运行才能看到图表？反复多轮对话才能得到理想结果？根本原因在于大模型缺乏对工具与环境的“操作权”。而 MCP（Model Context Protocol，模型上下文协议）的出现，帮助大模型从“光说不做”迈向“边说边做”，真正实现从“嘴强王者”向“优秀工具人”的转变。

基本介绍

2.1 定义和定位

• 定义：MCP全称 Model Context Protocol（中文名：模型上下文协议），是由 Anthropic 于 2024 年 11 月推出的开源协议。
• 定位：解决不同大语言模型（LLM）与多种外部工具之间的标准化集成问题。通过 MCP，开发者可以统一、高效地连接各种数据源与工具，极大提高大模型的实用性与灵活性。

（简而言之：让开发者不用重复造轮子，通过MCP协议，以期构建更强大的 AI Agent 生态。

MCP 就像一个“通用插头”或“USB 接口”，提供统一的规范。无论是连接数据库、第三方 API，还是本地文件，都可通过这一通用接口实现，让 AI 模型与外部工具或数据源的交互更标准、更高效、更易复用。

目前，MCP 生态已获得广泛的行业支持，包括 Anthropic 的 Claude 系列、OpenAI 的 GPT 系列、Meta 的 Llama 系列、DeepSeek、阿里通义系列以及 Anysphere 的 Cursor 等主流模型均已接入 MCP 生态。

2.2 架构设计

MCP 采用客户端-服务器的架构，主要包括以下三个核心组件及数据资源：

• MCP Host（主机）：用户的可操作界面，如 Cursor、Trae、CherryStudio。
• MCP Client（客户端）：一般内置于 Host 中，负责连接 Host 与 Server，发送请求与接收响应，实现消息的传递。
• MCP Server（服务器）：负责处理来自 Client 的指令，与外部环境（如网络、数据库）互动，完成任务并返回结果。
• 数据资源：MCP 服务器能够访问两类数据源：
  • 本地数据源：用户计算机本地存储的数据，通过 STDIO 协议访问。
  • 远程数据源：通过 Web API 获取的外部数据，使 AI 应用能够直接访问互联网数据，使用 SEE 协议。

2.3 工作原理

MCP 核心是让我们能方便地调用多个工具，那随之而来的问题是 LLM（模型）是在什么时候确定使用哪些工具的呢？ Anthropic 为我们提供了详细的解释，当用户提出一个问题时：

• 客户端（如 Claude Desktop 或 Cursor）首先将问题发送给 LLM。
• LLM 分析可用的工具，决定使用一个或多个工具来处理问题。
• 客户端通过 MCP Server 执行选定的工具。
• 工具执行结果返回给 LLM。
• LLM 根据执行结果综合分析，生成自然语言的最终结果呈现给用户。

更细致的工作流程如下：用户输入要完成的任务或问题

• 第一步：用户输入待完成的任务或问题，Host 根据输入确定调用哪个 Client。
• 第二步：Client 将用户输入与环境变量传递给 Server。
• 第三步：Server 执行任务并将处理结果返回给 Client。
• 第四步：Client 将结果返回给 Host。
• 第五步（可选）：如有需要，重复步骤二至四，调用不同的 MCP 执行不同任务。
• 第六步：Host 将结果重新组装成 Prompt，发送给大模型。
• 第七步：大模型完成任务，生成最终结果。
• 第八步：Host 将最终结果展示给用户。

总结

MCP 为大模型赋予了强大的工具与环境交互能力，有效解决了模型只会“说”而难以实际“做”的瓶颈。它通过标准化接口，使得不同模型与外部工具和数据资源能够无缝连接。未来，随着更多开发者和企业接入 MCP 生态，这一协议将进一步推动 AI Agent 的创新发展，加速大模型在实际场景中的普及与应用落地。