文章不会浅尝辄止地解释概念，我会尝试追溯MCP的诞生，理解它为何而来。

文章会先讲清楚大模型的一个根本需求：上下文

随后将详细拆解MCP的前身：Function Calling 的完整流程，你会看到大模型调用外部工具的每一个具体步骤

之后会引出 MCP出现的原因以及架构组成

最后通过一个完整实操：扣子空间接入 MCP来让大家对 MCP有更加具象化的理解

文章主要分 9 个模块

1. 1. 什么是 MCP

2. 2. 为什么要给大模型传递上下文

3. 3. 给大模型传递上下文的主流方案

4. 4. MCP的前世：Function Calling

5. 5. 为什么需要 MCP

6. 6. MCP的架构

7. 7. 手把手教你扣子空间接入 MCP

8. 8. 写在最后 & 我对 MCP的看法

9. 9. 延伸阅读

什么是 MCP

了解任何一个概念，都要从他的名字开始

MCP全称是 Model Context Protocol，中文翻译：模型上下文协议

M = Model，是大模型，这是 MCP服务的对象

C= Context，是上下文，这个是理解 MCP的关键，我们要专门讲解

P = Protocol，是协议的意思，协议意味着标准

用一句话来表述 MCP的作用：MCP是一种给大模型传递上下文的协议

为什么要给大模型传递上下文

大模型是通过互联网公开数据训练的

当大模型训练完成后，模型的知识就会停留在训练的那一刻，是一个静态知识

这就会导致大模型的数据存在两个明显的缺陷

1. 1. 没有办法自动获取训练日期之后的互联网公开信息

2. 2. 没有办法获取用户/企业的私有数据（训练时并未参考）

但是在实际业务需求中，静态知识远远不能满足我们的需求

如果我要做一个旅游规划，我需要实时的天气和航班信息；如果我要做一个企业客服助手，我需要企业私有的产品文档数据，这些都是单独的大模型所不能完成的

因此我们需要给大模型提供额外的信息辅助他更好的完成任务，这些额外的信息在专业术语中就叫做上下文

如果你想要详细了解上下文的概念，请关注文章最后的延伸阅读

给大模型传递上下文的主流方案

客户端存储

当你跟 DeepSeek、豆包等 AI对话应用在一个窗口聊天的时候，为什么他能记住你之前说的话？

这里面涉及到一个基本的逻辑

在一个独立的对话窗口中，当 AI 回答你的最新问题时，此前所有的聊天记录都会被打包，作为“上下文”一同提交给它，AI 正是依据这些历史信息，来理解你当前问题的背景。

RAG（知识库）

知识库的作用就是为了解决大模型无法获取私有数据的问题

在使用 RAG时，会有如下 3 个流程

1. 1. 将外部需要检索的知识（资料）构建一个向量数据库

2. 2. 当用户提问时，会使用用户的问题去向量数据库检索匹配对应的内容

3. 3. 将从向量数据库检索到的信息作为上下文提供给大模型，从而得出更准确的回答

如果需要详细了解 RAG，我有一篇 1.6 万字的文章，请关注文章最后的延伸阅读

Function Calling

AI智能体有一个典型的公式

AI Agent（智能体） = LLM（大模型）+ Planning（规划）+ Memory（记忆）+ Tools（工具）

在智能体中，大模型需要调用不同的工具来获取额外的信息

比如AI搜索场景，大模型需要调用搜索引擎工具获取最新的互联网信息

比如旅游规划场景，大模型需要调用天气接口和航班接口获取最新的天气和航班信息

Function Calling 就是由 OpenAI公司定义的一种大模型调用外部工具的流程

这其实就是 MCP的前生，我们会在接下来中详细了解 Function Calling的流程

MCP

MCP的出现就是为了解决 Function Calling存在的一些问题，在此基础上做了更高级的抽象

目的仍然是让大模型应用可以更简单、更高效的调用外部工具，从而为大模型提供额外的上下文

接下来我们会详细讲解 Function Calling的流程

前置知识：客户端与服务端

在讨论Function Calling之前，我们必须先了解两个基本概念：客户端（Client）和服务端（Server）

这两个概念会贯穿我们在讲解Function Call的整个流程中。

我用简单的概念来解释：

• 客户端就是日常你操作的软件或者网站页面，比如你使用豆包网站，其实就是一个客户端。

• 服务端通常是用户看不到的，它经常用来存储数据，处理请求并且返回响应。

我用豆包举个例子：

豆包这个网站其实就是个客户端，用户可以在这个页面上输入文字，或者点击按钮等动作

当你把你的问题发送到豆包的聊天对话框的时候，豆包是如何给你回复的呢？

第一步：客户端把你的消息发送给了服务端

第二步：服务端就是大模型真正存在的地方，服务端处理你的请求，再把结果返回给客户端。

第三步：客户端将服务端返回给你的答案显示出来

💡

下面我们在讲调用工具的过程，也是遵循这个基本的客户端-服务端模式的

大模型调用工具的前世：Function Calling

最早让AI学会使用工具的方法就是OpenAI公司提出来的Function Calling（函数调用）。

我们这里不讲定义，我直接通过一个让大模型查询天气的例子来理解Function Calling的整个过程

我们以使用ChatGPT为例子（毕竟是OpenAI公司提出的Function Calling）

PS：这一段有些难啃，但是我希望你可以看完，这是我写作花费时间最长的一段

时序图可以帮助你快速了解架构，详细内容请看下方具体文案

第一步：定义好查询天气的方法

OpenAI的开发人员会提前定义好ChatGPT需要支持的所有工具

我们假设有两个工具：

工具1：get_current_weather【获取当前的天气】

工具2：get_hotel_list【获取酒店列表】

第二步：用户在客户端提出问题

用户在ChatGPT的对话框中提出输入：请问杭州今天的天气如何？

客户端会把你的问题和所有的工具列表（不仅仅是天气工具）一起发送给服务端，请求数据类似：

{
    "model": "gpt-4",
    "messages": [
        {
            "role": "user",
            "content": "请问杭州今天的天气如何？"
        }
    ],
    "tools": [
        {
            "type": "function",
            "function": {
                "name": "get_current_weather",
                "description": "获取指定城市的实时天气",
                "parameters": {
                    "type": "object",
                    "properties": {
                        "location": {
                            "type": "string",
                            "description": "城市名，例如 杭州"
                        }
                    },
                    "required": [
                        "location"
                    ]
                }
            }
        },
        {
            "type": "function",
            "function": {
                "name": "get_hotel_list",
                "description": "获取可用的酒店列表",
                "parameters": {
                    "type": "object",
                    "properties": {
                        "address": {
                            "type": "string",
                            "description": "具体的地址"
                        }
                    },
                    "required": [
                        "address"
                    ]
                }
            }
        }
    ],
    "tool_choice": "auto"
}

这是JSON的格式，其实很容易阅读，非程序员小伙伴不要发怵

这里面的核心就是客户端将用户的问题和支持调用的所有工具都给到服务端

第三步：服务端给出响应，告诉客户端要调用哪个工具

为什么用户问的是天气，客户端要把所有的工具列表都给到服务端，而不是只给get_current_weather呢？

因为客户端是没有大模型的，他没有办法根据用户的一句话：“请问杭州今天的天气如何？”就能判断出要调用哪个工具。

他发送请求给服务端就是为了让服务端的大模型告诉他，针对用户的这个问题，应该调用哪个工具？

因为客户端把所有的信息都给可以服务端：包含用户的问题和所有的工具详细描述，因此服务端的大模型可以根据意图识别判断这个时候需要调用：get_current_weather这个工具

于是服务端返回给客户端如下内容：

{
    "choices": [
        {
            "message": {
                "role": "assistant",
                "content": null,
                "tool_calls": [
                    {
                        "id": "call_abc123",
                        "type": "function",
                        "function": {
                            "name": "get_current_weather",
                            "arguments": "{\"location\": \"杭州\"}"
                        }
                    }
                ]
            }
        }
    ]
}

你会发现返回的content 为空，但是tool_calls却有内容

这代表着本次服务端告诉客户端，我先不回答用户的问题，但是我先告诉你：

你需要调用的是get_current_weather这个工具，并且参数都帮你组装好了

第四步：客户端执行工具调用

客户度端收到服务端的指令，解析出要到用的工具名称和参数，然后在本地执行代码（这时候调用的是天气API）。

PS：关于API的定义：非程序员同学请自行百度

于是客户端得到了杭州的天气

{
    "temperature": "25",
    "unit": "celsius",
    "description": "晴朗"
}

第五步：客户端再次发消息给服务端

客户端将执行结果包装成一条新的消息，连同之前的对话历史，再次发送给服务端：

这里的上下文包括：

• 用户的问题：请问杭州今天的天气如何？
• 服务端第一次的回答：要调用get_current_warther这个工具
• 客户端调用工具后的结果："{\"temperature\": \"25\", \"unit\": \"celsius\", \"description\": \"晴朗\"}"

{
    "model": "gpt-4",
    "messages": [
        {
            "role": "user",
            "content": "请问杭州今天的天气如何？"
        },
        {
            "role": "assistant",
            "tool_calls": [
                {
                    "id": "call_abc123",
                    "type": "function",
                    "function": {
                        "name": "get_current_weather",
                        "arguments": "{\"location\": \"杭州\"}"
                    }
                }
            ]
        },
        {
            "tool_call_id": "call_abc123",
            "role": "tool",
            "name": "get_current_weather",
            "content": "{\"temperature\": \"25\", \"unit\": \"celsius\", \"description\": \"晴朗\"}"
        }
    ]
}

第六步：服务端给出最终回答，客户端显示

服务端的大模型收到了客户端完整的上下文之后，就可以生成自然语言回复给客户端了

{
    "choices": [
        {
            "message": {
                "role": "assistant",
                "content": "杭州今天天气晴朗，气温 25 摄氏度。"
            }
        }
    ]
}

于是客户端收到消息，返回给用户：杭州今天天气晴朗，气温 25 摄氏度。

以上就是Function Calling的核心流程

为什么需要 MCP

不得不承认，Function Calling很巧妙，但是他有一个核心的局限：没有标准化。

Function Calling 由 OpenAI 首创，而且其 JSON 结构已公开，很多的大模型都已经支持这个方法了

但是目前未有独立标准组织维护，主要由 OpenAI 文档定义

在MCP出现前，接入不同 API 或工具需各自编写适配逻辑，导致“ N * M ”集成问题，接口调用方式千差万别，维护与扩展成本极高

比如同样都是调用一个天气的查询工具，ChatGPT要写一套代码，DeepSeek也要写一套代码，用下面这个图会非常的清晰

MCP的架构

用一句话来说明 MCP的核心价值：一次构建，处处可用

为了解决 Function Calling 的问题，Anthropic公司于2024年11月推出并开源了MCP这种新的、更灵活的标准。

MCP核心定义了3 个角色，并且明确了他们之间的协作模式

第一个角色：主机（Hosts）

Host 是基于 LLM 的应用，它作为中枢，负责管理 Client 实例、调度模型与工具交互，以及处理用户界面逻辑

比如扣子空间可以调用多个 MCP工具来完成任务，那么扣子空间就是 Host

第二个角色：服务器（Server）

Server（服务器） 是核心。

在 MCP 的世界里，Server 是指那个掌握着上下文信息、并按照 MCP 规范提供这些信息的系统。

它可以是一个数据库，一个 API 接口，或任何能够响应模型请求的外部工具。它的本质是服务提供者

第三个角色：客户端（Client）

客户端是连接主机和服务器的桥梁，嵌入在主机中，与服务器是 1:1 对应关系

其主要职责是连接管理，即与服务器建立和维护连接，从而帮助主机实现与外部数据的交互

---

有一张非常经典的笔记本电脑扩展坞的图片非常适合来快速理解 MCP

有一台笔记本电脑想要跟外部数据通信，但是由于笔记本电脑的接口有限，没有办法访问更多的外部数据

这时候我们会外接一个扩展坞，这个扩展坞会通过标准化的协议接口，为电脑提供连接各种外部系统的能力

这个扩展坞本身就是 MCP协议

而无数的外设可以通过扩展坞连接到电脑，这些外设就是 MCP的 Server角色

笔记本电脑上和这些外设通信的独立进程就是 MCP Client的角色

---

扣子空间接入MCP

讲了这么多的 MCP的原理，我们接下来通过扣子空间进行实战

打开扣子空间

第一步：打开扣子空间的地址：https://space.coze.cn/?category=7520456187746189362

寻找 MCP Servers

MCP的目的就是将调用外部工具标准化，他的理念就是一次构建，处处运行

因此在 MCP发布之后，诞生了很多的 MCP Market，我们可以在这里找到满足需求的 MCP Server，然后接入到自己的 Host中

推荐一个常用的 MCP Servers市场，如需更多，请自行使用 AI搜索

https://mcp.so/

获取高德地图的 API KEY

大多数MCP Server是提供一个调用工具的途径，人家并不会让你免费使用。所以一般我们都需要获取对应的 API KEY

打开高德地图获取 API KEY的教程文档：

复制点击👉：https://lbs.amap.com/api/mcp-server/create-project-and-key

按照教程获取 API KEY

MCP Server 配置解析

{
  "mcpServers": {
    "amap-maps": {
      "command": "npx",
      "args": [
        "-y",
        "@amap/amap-maps-mcp-server"
      ],
      "env": {
        "AMAP_MAPS_API_KEY": "这里请放入你的api_key"
      }
    }
  }
}

这是 AI针对这个 JSON结构给的回答，请注意：amap-maps 是个名称，可以随意修改（能使用中文）

扣子空间安装 MCP

在扣子空间使用 MCP

在对话框艾特你的工具，然后启动一个任务：

无论是扣子空间、Cursor接入 MCP，原理都是一致的。我们只要核心掌握一个具体的流程

剩余的就是工具的使用而已

写在最后 & 我对MCP的看法

当初MCP刚出来的时候，各种炸裂，给我的感觉是MCP出来之后，好像大模型调用工具更智能了

确实，从 Function Calling 到 MCP，大模型与外部世界交互的方式正变得越来越标准化、灵活和强大。

MCP 通过动态发现、解耦、并发调用和流式响应等特性，为构建更复杂、更智能、能够接入万千工具的 AI Agent 系统构建了基础

但是再次回到大模型工具调用工具的问题出发点，我谈下我的看法，各位小伙伴有任何问题欢迎在评论区与我交流

PS：我并没有说MCP不行，而是说它可能被一些自媒体夸大或者说曲解了，我希望这段文字可以引发你的思考

💡

MCP是一种协议，也就是让大模型调用工具的方式标准化了。

但是我们再回到那个问题的起点：解决大模型调用工具的问题

这里涉及到两个问题：

1. 让大模型能够调用工具：MCP和Function Calling解决了
2. 让大模型能够识别用户意图，准确的调用工具（这块好像还不太好）

这也是Coze之前为什么要有工作流，因为工作流是固定好的路程，不会让大模型自己的随意发挥。

在通用模型能力没有提高的情况下，就算有了MCP这个协议，外挂了很多的MCP工具，但是模型使用工具的能力不行，工具再多有什么用呢？

这让我想到了GPT的Deep Research很强，为什么强，是因为他工具多么？不是，是因为DR背后的模型是经过专门训练优化的（不是通用大模型了）

所以当下MCP是让大模型接入工具的流程变得标准化，但是并没有提升模型的能力，那么工具再多可能也没啥用，就好比Coze智能体中放入一堆的插件，但是效果一般

所以要解决大模型调用工具更精准的问题，有两点：

1. 提升通用模型调用工具的能力，做到无论添加什么工具，都可以让模型精准调用

1. 训练专有的模型，该模型专门针对特定场景的工具集合做优化，提升调用准确率

以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～谢谢你看我的文章，我们，下次再见。

如何学习AI大模型 ？

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。【保证100%免费】🆓

CSDN粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉CSDN大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

👉1.大模型入门学习思维导图👈

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

对于从来没有接触过AI大模型的同学，我们帮你准备了详细的学习成长路线图&学习规划。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。（全套教程文末领取哈）

👉2.AGI大模型配套视频👈

很多朋友都不喜欢晦涩的文字，我也为大家准备了视频教程，每个章节都是当前板块的精华浓缩。

👉3.大模型实际应用报告合集👈

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。（全套教程文末领取哈）

👉4.大模型实战项目&项目源码👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战项目来学习。（全套教程文末领取哈）

👉5.大模型经典学习电子书👈

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。（全套教程文末领取哈）

👉6.大模型面试题&答案👈

截至目前大模型已经超过200个，在大模型纵横的时代，不仅大模型技术越来越卷，就连大模型相关的岗位和面试也开始越来越卷了。为了让大家更容易上车大模型算法赛道，我总结了大模型常考的面试题。（全套教程文末领取哈）

为什么分享这些资料?

只要你是真心想学AI大模型，我这份资料就可以无偿分享给你学习，我国在这方面的相关人才比较紧缺，大模型行业确实也需要更多的有志之士加入进来，我也真心希望帮助大家学好这门技术，如果日后有什么学习上的问题，欢迎找我交流，有技术上面的问题，我是很愿意去帮助大家的！

这些资料真的有用吗?

这份资料由我和鲁为民博士共同整理，鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位，在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利，同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

CSDN粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉CSDN大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）