MCP：模型上下文协议

模型上下文协议（MCP）是一种开放标准接口，使大型语言模型（LLM）能够安全、一致地访问外部数据源、工具和能力，被誉为 AI 系统的“USB-C”。

定义

模型上下文协议（MCP） 是一种开放标准接口，使大型语言模型（LLM）能够安全、一致地访问外部数据源、工具和能力。它在 AI 应用与多种上下文提供者之间建立了标准化的通信层，相当于 AI 系统的“USB-C”。

关键组成部分

架构

MCP 遵循客户端-服务器架构：

  • MCP 主机：用户或 AI 系统进行交互的应用（如 Claude Desktop、IDE 插件）
  • MCP 客户端：主机应用中的组件，负责与服务器通信
  • MCP 服务器：通过标准化 MCP 接口，暴露特定功能（如文件访问、数据库连接、API 访问）的轻量级程序
  • 数据源：MCP 服务器可以安全访问的本地或远程信息仓库

核心原语

MCP 定义了三种构建协议的基础原语：

1. 资源

资源 代表 MCP 服务器向 LLM 提供的数据与内容。

  • 特性：由应用控制，通过唯一 URI 标识
  • 数据类型：文本（UTF-8 编码）或二进制（Base64 编码）
  • 发现方式：直接列举或通过模板动态请求资源
  • 操作：读取内容、接收更新

用例示例：MCP 服务器将日志文件以 file:///logs/app.log 作为资源对外暴露

2. 提示

提示 是服务器提供的预定义模板或工作流，用于引导 LLM 交互。

  • 特性：由用户触发，常以斜杠命令形式出现
  • 结构：唯一名称、描述、可选参数
  • 能力：可接收自定义参数、引入资源上下文、定义多步交互
  • 操作：通过列举发现，通过请求执行

用例示例：一个 git 提交信息生成器提示，接受代码变更作为输入

3. 工具

工具 暴露可由 LLM 调用（通常需用户批准）的可执行函数，用于执行操作。

  • 特性：由模型控制，需明确定义输入模式
  • 注解：标明行为提示（只读、破坏性、幂等、开放世界）
  • 安全特性：输入校验、访问控制、清晰的用户警告
  • 操作：通过列举发现，通过带参数调用执行

用例示例：一个计算器工具，对模型提供的输入执行数学运算

FlowHunt 标志

准备好发展您的业务了吗？

今天开始免费试用，几天内即可看到结果。

申请演示 登录

重要性与优势

对开发者

  • 标准化集成：无需为每个数据源单独编写代码即可连接 AI 应用
  • 安全最佳实践：内置安全暴露敏感信息的指导
  • 简化架构：清晰区分 AI 模型与其上下文来源

对用户与组织

  • 灵活性：更容易在不同 LLM 提供商或主机应用间切换
  • 互操作性：通过标准化接口减少厂商锁定
  • 增强能力：AI 系统可访问更丰富的信息与操作能力

实现示例

文件资源服务器

// 服务器将单个日志文件作为资源暴露
const server = new Server({ /* config */ }, { capabilities: { resources: {} } });

// 列出可用资源
server.setRequestHandler(ListResourcesRequestSchema, async () => {
  return {
    resources: [
      {
        uri: "file:///logs/app.log",
        name: "Application Logs",
        mimeType: "text/plain"
      }
    ]
  };
});

// 提供资源内容
server.setRequestHandler(ReadResourceRequestSchema, async (request) => {
  if (request.params.uri === "file:///logs/app.log") {
    const logContents = await readLogFile();
    return {
      contents: [{
        uri: request.params.uri,
        mimeType: "text/plain",
        text: logContents
      }]
    };
  }
  throw new Error("Resource not found");
});

计算器工具服务器

const server = new Server({ /* config */ }, { capabilities: { tools: {} } });

// 列出可用工具
server.setRequestHandler(ListToolsRequestSchema, async () => {
  return {
    tools: [{
      name: "calculate_sum",
      description: "Add two numbers together",
      inputSchema: {
        type: "object",
        properties: {
          a: { type: "number", description: "First number" },
          b: { type: "number", description: "Second number" }
        },
        required: ["a", "b"]
      },
      annotations: {
        title: "Calculate Sum",
        readOnlyHint: true,
        openWorldHint: false
      }
    }]
  };
});

// 处理工具调用
server.setRequestHandler(CallToolRequestSchema, async (request) => {
  if (request.params.name === "calculate_sum") {
    try {
      const { a, b } = request.params.arguments;
      if (typeof a !== 'number' || typeof b !== 'number') {
         throw new Error("Invalid input: 'a' and 'b' must be numbers.");
      }
      const sum = a + b;
      return {
        content: [{ type: "text", text: String(sum) }]
      };
    } catch (error: any) {
      return {
        isError: true,
        content: [{ type: "text", text: `Error calculating sum: ${error.message}` }]
      };
    }
  }
  throw new Error("Tool not found");
});

相关概念

  • LLM 函数调用：模型上下文协议为 LLM 调用函数提供了标准化方案
  • AI 智能体：MCP 为基于智能体的 AI 系统访问工具和信息提供结构化方式
  • AI 插件：类似浏览器扩展，MCP 服务器可视作扩展 AI 能力的“插件”

未来方向

  • 企业级 AI 集成：连接企业知识库、工具和工作流
  • 多模态 AI：标准化访问文本以外的多样数据类型
  • 协作式 AI 系统：使多个 AI 助手通过共享协议协同工作

常见问题

试用 FlowHunt，打造您的专属 AI 解决方案

使用 FlowHunt，通过标准化集成、安全数据访问和灵活工具连接，开始构建强大的 AI 系统。

立即试用 预约演示