AI终于有USB-C了!10个模型×100个工具,一套代码全搞定
先问自己一个问题:如果每换一台电器就要重新改一次插座,你疯不疯?
现在的AI Agent开发就是这个状态。你的大模型要接数据库,要写一套适配代码;换个模型平台,又得重写一遍;要接一个新工具,还是得从头写。10个模型×100个工具=1000套独立代码,维护成本高得离谱。1
MCP(Model Context Protocol)就是为了终结这个混乱局面而生的。它由Anthropic在2024年底推出,被称为AI领域的USB-C接口——一套标准协议,让任何大模型都能用同一套方式调用任何外部工具和数据源。2
MCP到底是什么:三个角色各司其职
把MCP拆开来看,它定义了三个核心角色,构成了完整的通信架构。Host是AI应用本身,比如Claude Desktop、Cursor、或者你自己开发的AI程序。它负责管理连接权限、协调模型推理、处理用户授权。3
Client是Host内部的通信模块,每个Client与一个Server保持1:1连接,负责协议协商、消息路由、订阅管理。一个Host可以同时连接多个Server,Client的数量跟着Server走。3
Server是能力提供方,可以是本地进程(比如操作文件系统),也可以是远程服务(比如调用GitHub API)。Server独立运行,只暴露自己的能力,不感知其他Server的存在——这种隔离设计是安全性的核心保障。3
Server能提供什么:三大能力原语
Server对外暴露的能力被抽象成三类原语,职责划分非常清晰。Tools是有副作用的操作,执行后会改变外部世界——查数据库、发送邮件、创建文件,都算Tool。4
Resources是只读数据,没有任何副作用,只是把信息传给模型看。文件内容、数据库记录、API返回的静态数据,都属于Resources。5
Prompts是预定义的提示词模板,用来标准化特定任务的输入指令。比如代码审查检查清单、翻译助手模板,用一次定义、反复调用。6
通信怎么跑起来:JSON-RPC 2.0 + 三种传输方式
Client和Server之间用JSON-RPC 2.0通信,消息格式非常轻量。每条消息是一个JSON对象,通过method字段声明调什么方法,通过params传参数,通过result返回结果。7
一次完整的MCP调用,经历三个步骤:先发initialize请求做握手,双方确认协议版本和各自能力;再发tools/list查询Server有哪些工具可用;最后发tools/call真正调用工具,Server执行完返回结果。8
为什么不用Function Calling:MCP强在哪
有人会说:Function Calling也能调工具,为什么要换成MCP?关键在于这是两个不同层次的东西。Function Calling是模型层的能力,MCP是系统层的协议。Function Calling让模型能"说"出要调什么,MCP让所有工具都能"听懂"这句话。11
传统Function Calling有三大绝症:厂商绑定——同样是"查天气",OpenAI和Anthropic的Schema格式完全不同,换模型=重写所有工具定义;静态配置——工具必须预先定义好,新增工具要改代码、部署、重启;无执行标准——超时处理、错误处理、流式输出全靠自己硬编码。11
现在能怎么用:主流场景和生态现状
MCP生态正在快速扩张。截至2026年,公开的MCP Server已经超过14000个,SDK月下载量突破9700万次,78%的企业AI团队已在生产环境使用。5
AI代码助手是最成熟的场景。Cursor、VS Code、Claude Desktop都能配置MCP Server,直接读代码库、查Git仓库、执行脚本,不用再手动复制粘贴。13
企业知识库Agent是重点方向。把MySQL、PostgreSQL、企业OA系统封装成MCP Server,任何大模型都能查询业务数据、生成报表,业务人员用自然语言就能操作。13
想上手?先从这两个方向入手
如果你是AI应用开发者,优先用Python写一个自己的MCP Server。官方SDK几行代码就能把一个内部接口封装成标准工具,这个能力在手的价值远大于学理论。16
如果你是业务人员,关注Dify、Claude Desktop这些已经原生支持MCP的平台。让技术团队把常用工具封装成Server,你就能用自然语言直接调用,不用学SQL或写代码。13
一句话总结:LLM负责想,MCP负责连,Tools负责干。把工具接入MCP,模型就能真正从"会聊天"变成"能干活"。2
当前文章无评论,是时候发表评论了