MCP（模型上下文协议）深度解析：让大模型实时获取外部能力

在大模型的世界里，知识往往是静态的，而现实世界的数据却是动态的。如何让大模型突破时间限制，实时调用外部能力？这正是 MCP（Model Context Protocol，模型上下文协议） 诞生的意义。

---

1. 背景：为什么需要 MCP？

大语言模型（LLM）在训练完成后，知识库通常是固定的。
这意味着：

• 无法访问训练时间之后的新数据
• 不能直接操作数据库、系统 API
• 与应用的交互能力有限

在现实业务中，这会造成很多限制，比如：

• 无法获取最新的天气信息
• 无法直接调用企业内部系统
• 无法操作文件、日程、交易数据

MCP 的目标：
建立一种标准化的协议，让 LLM 可以安全、高效地与外部应用进行实时通信。

---

2. 什么是 MCP？

MCP（模型上下文协议）是一个 AI 模型与应用程序之间交换上下文和调用外部工具的协议。
它的核心思想是：

把外部能力抽象成可调用的 Tool，并让模型通过 MCP Client 调用 MCP Server 上的这些 Tool，从而实现与外部世界的互动。

---

MCP 的三大角色

1. MCP Server

   • 对外提供可调用的接口（称为 Tool）
   • 负责实际执行任务（如数据库查询、调用第三方 API）

2. MCP Client

   • 充当 LLM 与 MCP Server 之间的桥梁
   • 接收模型的调用请求，转发给 MCP Server

3. LLM（大语言模型）

   • 接收用户的 Prompt
   • 根据上下文决定是否调用 MCP 的 Tool

---

3. 工作原理

假设用户问：

“帮我查一下今天上海的天气，并写成一句幽默的朋友圈文案。”

整个流程是这样的：

1. 用户 → AI Agent
   用户输入问题，AI Agent 收到 Prompt。

2. AI Agent → LLM
   AI Agent 把 Prompt 发给 LLM。

3. LLM 决策调用 MCP Tool
   LLM 判断自己无法直接回答（因为天气信息是动态的），于是通过 MCP Client 调用 MCP Server 的 getWeather 工具。

4. MCP Server 执行任务
   MCP Server 访问天气 API，返回结果（例如 "今天上海 32°C，晴转多云"）。

5. LLM 生成最终结果
   LLM 将天气信息加工成幽默的朋友圈文案。

6. AI Agent → 用户
   返回结果给用户。

---

4. MCP Tool 的结构

一个 Tool 就是 MCP Server 暴露的一个可调用函数。
它一般包含以下字段：

{
  "name": "getWeather",
  "description": "获取指定城市的天气信息",
  "inputSchema": {
    "type": "object",
    "properties": {
      "city": {
        "type": "string",
        "description": "城市名称"
      }
    },
    "required": ["city"]
  }
}

字段说明：

• name：Tool 的唯一标识
• description：描述 Tool 的用途
• inputSchema：定义输入参数的 JSON Schema

---

5. 通信方式

MCP 常用三种通信方式：

1. stdio（标准输入/输出）

• 使用进程的标准输入（stdin）和标准输出（stdout）进行通信，常用于本地运行时和 CLI 工具的集成，延迟极低、实现简洁。

• 适合本地开发、调试，或是在受信环境中运行的本地工具。

2. SSE（Server-Sent Events）

• 基于 HTTP，建立一个由服务端向客户端推送消息的长连接，客户端通过 GET 请求初始化连接，通过 POST 请求发送指令；服务端通过 SSE 流发送消息模型上下文协议。

• 优点是能实时推送更新，但属于单向通信（服务端 → 客户端），并且连接需长时间保持。

3. Streamable HTTP

• 从 MCP 协议版本 2025-03-26 开始引入，作为更现代、灵活的 HTTP 传输机制模型上下文协议。

• 在一个统一的 HTTP 端点上支持 POST（客户端发送请求）和 GET（建立 SSE 流）双用通信；

• 支持批处理响应（batch）和流式响应（stream via SSE）；

• 附加功能包括会话管理、断点续传能力、与 HTTP 基础设施兼容性更强

---

6. MCP 的优势

• 标准化：统一 LLM 与应用交互的接口规范
• 实时性：大模型可以访问最新数据
• 可扩展性：新增能力只需在 MCP Server 注册新的 Tool
• 安全性：通过 Client 层可控地暴露外部能力

---

7. 应用场景

• 企业内部知识检索
• 自动化办公
• 智能客服
• 金融交易系统
• IoT 设备控制

---

8. 总结

MCP 并不是让模型“变聪明”，而是让模型能够借助外部能力完成更多任务。
在 AI Agent 时代，MCP 将成为大模型连接现实世界的关键基础设施。

---

💡 一句话总结：

MCP 让大模型不再是“孤立的聪明人”，而是能“动手”的超级助手。

---