前言

如今，没有哪家大厂不拥抱 MCP。不止国内的阿里、字节、腾讯、百度、京东，即便是国外的即便是 Anthropic 死对头的 OpenAI 也表示全面支持 MCP 协议。

所以，这次 Anthropic 将内部分享放出来，可以说是又“哥们儿”了一把。

这次的分享者是，David Soria Parra，是他们 AI 技术团队成员，同时也是MCP 的联合创建者。

“MCP 服务将不再只是本地 Docker 容器，而是一个网站。Web 化才是 MCP 未来的关键。”

“大多数人使用MCP都太简单了，它不止是工具调用，它还可以做很多丰富人机交互体验的部分。”

在“Code w/ Claude” 分享中，David 详细解构了 MCP 的五大原语钥匙：Prompt、Resource、Sampling、Roots、Tool，每一个原语背后都是一个潜力巨大的交互魔法，并进一步阐述了 MCP 团队正在计划开展的工作，比如构建复杂的 MCP 链式调用等。

总之，MCP 协议的设计哲学、原语组合方式、Web 化趋势，包括一些挂件的技术细节，比如：如何鉴权、如何Scaling等等，以及未来它可能带来的革命性变革，全都在这场分享里了。

如果大家正在构建自己的 AI 应用，或者正在研究 MCP，这篇内容，值得你收藏细看。

话不多说，分享的原文整理如下。

联合创建者：大多数人都没有用好MCP

大家好，我叫 David，是 Anthropic 的一名技术工程师，同时也是 MCP 协议的联合创建者之一。今天我想和大家分享一些关于这个协议的深入内容，特别是它的更多可能性。

目前，大多数人使用 MCP 协议主要是为了调用工具（Tool Calls），但实际上它的能力远不止于此。我的目标是向你展示 MCP 协议还能做什么，以及你如何用它构建更丰富的人机交互体验，尤其是超越传统工具调用的那部分。

我会先介绍一些我们称为“原语（primitives）”的概念，也就是 MCP 协议中服务器向客户端暴露信息的基本方式。之后，我会分享一些鲜为人知但非常实用的协议能力，最后再谈谈 MCP 的未来发展方向，尤其是如何将它引入 Web 世界。

Prompt：被忽视的“预设模版”

我们先从一种鲜有人知的 MCP 原语说起：Prompt。

这里的 Prompt 并不是我们通常理解的“提示词”，在 MCP 中，它是一种由服务器预设的 AI 交互模版，用户可以直接将这些文本模版添加进上下文窗口，从而引导 AI 如何与你的 MCP 服务交互。

主要有两个用途：

1. 作为使用示例：你作为 MCP 服务器的开发者最了解它的用法，因此提供 Prompt 给用户，是一个传达最佳使用方式的好方法。
2. 动态能力：Prompt 本质上是可以执行的代码，因此不仅是静态文案，而是动态模版。你可以让它根据上下文或参数实时生成内容。

举个例子，我在 Z 编辑器中使用 MCP Prompt 从 GitHub 拉取我提交的 PR 评论，并把它们注入到上下文窗口中，这样我就能直接让模型帮助我修改代码或处理评审反馈。

这与 Tool 的最大区别在于：Prompt 是用户主动触发的行为，而 Tool 是模型决定何时调用的行为。

进一步地，Prompt 还能支持“补全”。比如，当用户触发某个 Prompt 时，弹出列表让他选择具体的 Pull Request，这是一个通过参数动态构造 Prompt 的方式。

这其实很简单，在 TypeScript 中用不到几行代码就能实现，而且大多数时候 Claude Code + Claude 4 模型本身就能帮你自动完成。

Resource：上下文之外的资源暴露

第二个原语是 Resource，资源。

与 Prompt 更偏向文本片段不同，Resource 是暴露给客户端的原始内容或数据，比如文件、数据库结构、网页等等。

它的作用：

1. 用户可以选择将其添加进上下文，和 Prompt 类似；
2. 应用层还能基于它进行额外处理，比如构建 Embedding 并进行 RAG（检索增强生成）。

举个例子，我在 Cloud Desktop 中“暴露”了一份 PostgreSQL 数据库的 Schema，并将其作为文件资源加载进来，接着 Claude 自动为我绘制了一张可视化数据库结构图。

Resource 给应用端提供了非常大的扩展空间。

Tool：模型主导的行为调用

第三个原语是大家最熟悉的——Tool，也就是工具调用。大多数人开发 MCP 服务就是为了暴露 Tool，让模型可以主动调用某个动作，比如查询数据库、执行脚本等。

这是你第一次看到模型“自动做一件你写好的事”时最有魔力的时刻。Tool 是由模型驱动触发的行为。

Interaction Model：三者的协作逻辑

现在我们已经有了三种原语（Prompt、Resource、Tool），但你可能会问：我该什么时候用哪个？

这就需要引入 MCP 中一个被低估的设计：交互模型（Interaction Model）。

它描述的是：

• Prompt 是用户主导的（例如 Slash 命令）；
• Resource 是应用主导的（自动加载或推荐）；
• Tool 是模型主导的（由 AI 自动决定何时调用）。

一个完善的 AI 应用，就应该协调好这三者的关系，从而在用户、应用、模型三者之间建立更丰富的交互链条。

Sampling：让模型调用“由客户端控制”

接下来介绍一个更高级但目前支持较少的原语：Sampling。

假设你做了一个 MCP 服务器，功能是总结 Issue Tracker 的对话。你可能想调用 Claude 来生成摘要，但此时有个问题：你不知道客户端用的是哪种模型，也没有用户的 API Key。

Sampling 提供了解法：让服务器向客户端发起一个“请求补全”的调用，由客户端选定模型并返回结果。好处是：

1. 用户完全掌控成本、安全、隐私；
2. 多个 MCP 服务可以串联，通过 Sampling 递归地请求模型补全，构建复杂的链式调用（Chain of MCP Servers）。(这里是个重点)

虽然目前还不太被广泛支持，但我们计划在今年为官方产品引入 Sampling 能力。

Roots：获取客户端环境信息

另一个很少被提到但很实用的原语是：Roots。

比如你想做一个 MCP Git 工具，帮用户在 VS Code 中操作 Git 命令。你需要知道：当前打开的项目路径是啥？Roots 就是让 MCP 服务可以向客户端（如 VS Code）询问这些环境信息，从而限定操作范围，避免误操作。

五大原语总结

所以 MCP 协议目前包含五个核心原语：

• Prompt（用户主动）
• Resource（应用主动）
• Tool（模型主动）
• Sampling（客户端协助补全）
• Roots（客户端环境交互）

如何将它们组合，是构建强大 AI 服务体验的关键。

MCP 的未来：Web 化

目前超过一万个 MCP 服务都运行在本地环境中。但我们认为 MCP 的未来在 Web。

Web 化 MCP 服务意味着：

• MCP 服务将不再是本地 Docker 容器，而是一个网站；
• 客户端直接连接网站暴露的 MCP 接口进行交互。

为实现这一点，我们必须解决两个核心问题：

1. 鉴权（Authorization）

我们采用 OAuth 2.1 协议，让用户通过 Web 登录授权后，将其私有数据安全暴露给 MCP 服务。

这不仅让服务更可信（你信的是官网而非陌生开发者），也便于企业集成，例如通过 Azure AD、Okta 等单点登录系统完成企业内部 MCP 服务部署。

2. 扩展性（Scaling）

为此我们新增了 可流式传输的 HTTP 模式（Streamable HTTP）。你可以：

• 直接同步返回 JSON（像普通 REST API）；
• 或者开启流式通道，先返回部分信息，再动态推送更多内容。

这使得 MCP 服务具备现代 API 所需的扩展性，能支持大规模并发。

*这里小编多提一嘴，MCP 的 Web 化目前也是一个前沿的研究方向，除了协议层面的流式传输模式外，小编注意到已经有一些创业公司开始着手打造一种 MCP 的 Web U**I，*目标是“标准化模型和工具如何在客户端应用中请求展示丰富 HTML 界面的方式”。听起来，这种方式和 iOS 或 Android 开发者在 App 中嵌入 WebView 类似。大家可以关注一下。

即将上线的功能

我们接下来会推出：

• 异步任务支持：为 Agent 执行长时间任务奠定基础；
• 用户交互请求（Elicitation）：服务端可主动向用户请求输入；
• 官方注册中心：一个用于发布和发现 MCP 服务的统一平台；
• 多模态能力：如流式多模态输出；
• 新语言 SDK 支持：如 Ruby（由 Shopify 捐赠）和 Go（由 Google 团队开发）。

MCP不止tool calls

而是丰富交互体验的系统协议

从去年11月诞生以来，到今年年初的爆火，再到各大互联网巨头的积极拥抱。发展至今，MCP 协议已经远不止是一个“工具调用协议”，它更像是一整套让 LLM 与客户端构建丰富交互体验的系统协议。

最后

感谢你们的阅读和喜欢，作为一位在一线互联网行业奋斗多年的老兵，我深知在这个瞬息万变的技术领域中，持续学习和进步的重要性。

为了帮助更多热爱技术、渴望成长的朋友，我特别整理了一份涵盖大模型领域的宝贵资料集。

这些资料不仅是我多年积累的心血结晶，也是我在行业一线实战经验的总结。

这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。如果你愿意花时间沉下心来学习，相信它们一定能为你提供实质性的帮助。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

AI大模型系统学习路线

在面对AI大模型开发领域的复杂与深入，精准学习显得尤为重要。一份系统的技术路线图，不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点，还能提供一条高效、有序的学习路径。

但知道是一回事，做又是另一回事，初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性，在这基础上，找到高质量的学习资源，不浪费时间、不走弯路，又是重中之重。

AI大模型入门到实战的视频教程+项目包

看视频学习是一种高效、直观、灵活且富有吸引力的学习方式，可以更直观地展示过程，能有效提升学习兴趣和理解力，是现在获取知识的重要途径

光学理论是没用的，要学会跟着一起敲，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案例来学习。

海量AI大模型必读的经典书籍（PDF）

阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。

600+AI大模型报告（实时更新）

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。

AI大模型面试真题+答案解析

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】