1 简介

MCP(Model Context Protocol,模型上下文协议)是 Anthropic 在 2024 年底推出的一种开放协议,旨在实现大语言模型(LLM)与外部数据源、工具和应用程序之间的安全、高效互动。

MCP 使得不同 AI 模型能够轻松连接到外部工具和数据源,而无需单独整合多个 API。传统上,整合外部工具需要处理各个 API 的代码、文档、认证方式、错误处理以及后续维护,增加了开发复杂度。MCP 的特点在于其“即插即用”功能,工具只需封装一次,即可与多种大模型 API 组合使用。

2 现有方法的问题

常用方法:

  • 方法一:将数据上传到服务器
    • 将数据存储在他人服务器中,存在安全风险。
    • 上传过程中,数据大小和类型受到严格限制。
  • 方法二:给予大模型本地管理员权限,自动处理本地数据。
    • 同样存在安全隐患。
    • 例如:Open Interpreter、CUA。

MCP 的优势:

  • 统一协议:MCP 作为统一接口,只需一次集成即可连接多个服务。
  • 动态发现:AI 模型能够自动识别并使用可用工具,无需提前固定每个接口。
  • 双向通信:支持数据拉取和操作触发。
  • 安全性:确保只有授权用户才能访问特定资源。

总之,传统 API 更加可靠,但复杂且开发周期长。MCP 类似于当今大模型,虽然能解决更多问题,但可能不够完善。

3 原理

3.1 整个流程:

问题 -> Claude Desktop -> LLM 模型 ->需要数据 ->MCP Client -> MCP Server->执行操作 ->执行结果 -> MCP Client->Claude 根据结果生成回答 ->显示在 Claude Desktop 上。

MCP 的职责是协调 AI 模型与工具之间的信息流,并不具体处理功能实现。

3.2 主图说明

  • MCP 主机(Host):发起 LLM 应用请求的设备或程序(如 Claude Desktop、IDE 或 AI 工具)。
  • MCP 客户端(Client):与 MCP 服务器建立稳定的一对一连接。
  • MCP 服务器(Server):为 MCP 客户端提供三大功能:
    • 资源(Resources):可被客户端读取的数据文件,如 API 响应或文件内容。
    • 工具(Tools):可由 LLM 调用的函数,执行时需用户批准。
    • 提示(Prompts):预设模板,协助用户完成特定任务。
  • 本地资源(Local Resources):MCP 服务器可安全访问的本地资源(如文件或数据库)。
  • 远程资源(Remote Resources):MCP 服务器可连接的远程资源,如 API 或互联网服务。

3.3 通信机制

MCP 协议支持两种主要通信机制:本地通信通过标准输入输出进行;远程通信利用 SSE(Server-Sent Events)。两者均采用 JSON-RPC 2.0 格式传输消息,确保了通信的标准化和可扩展性。

3.4 大模型的角色

  • 无需工具时:模型直接生成自然语言回复。
  • 需要工具时:模型输出结构化的 JSON 格式工具调用请求。host 通过 client 连接相应 server 调用工具。

3.5 服务器实现

  • 明确功能:定义 MCP 服务器的核心功能。
  • 开发 MCP 层:遵循协议标准进行实现。
  • 选择通信方式:本地(标准输入输出)或远程(如 WebSockets)。
  • 实现功能:开发或集成数据源和工具。
  • 测试连接:确保 MCP 服务器与客户端的连接安全稳定。

4 使用难度

  • 你需要 下载 Claude Desktop 应用的最新版本,这是执行后续操作的前提。
  • 修改 Claude 配置文件。
  • 测试:当查询遇到问题时,Claude 会自动反思,并且重组查询式,依照 MCP 服务返回的 SQLite 查询表格结果,告诉你不同的价格分布。
  • MCP 现在支持的数据服务,就已包括 GitHub、Google、Drive、Slack 等。也可以构建一个自己的 MCP 服务。官网分别提供了 Python 和 Typescript 语言版本的对应教程。

5 使用难度

  • 首先下载并安装最新版本的 Claude Desktop 应用。
  • 修改 Claude 的配置文件。
  • 通过聊天调用功能。
  • MCP 目前支持的数据服务包括 GitHub、Google Drive、Slack 等,也可自建 MCP 服务。官网提供了相应的 Python 和 Typescript 教程。

6 问题与解答

7 问题与解答

  • 与之前的 agent 实现有何不同?
    • 许多代码和结构与以前的 agent 和 tools 非常相似(定义了可提供的功能信息,包括名字、具体功能、参数和返回值),仅仅进行了封装和协议化,并提供远程调用。
  • 解决了哪些问题?
    • 数据安全问题:确保对机器上数据的访问是权限可控且操作透明的。
    • 避免重复造轮子的问题(工具不用完全自己做,可以调别人做好的)。
  • 除了 Claude,还有哪些模型支持 MCP?
    • 理论上,如果自行实现客户端,所有模型都可以支持 MCP,但需要具备工具调用、JSON 构建等基本能力。经过测试,OpenAI 系的模型肯定可以支持。
  • 我们要实现哪个部分?
    • 开发 MCP Client,使我们的程序能接入大型模型和 MCP Server。
    • 通过 MCP Server 提供本地数据或自开发工具。
  • 目标用户是谁?
    • 目前的配置和成熟度适合普通程序员,普通用户可能无法使用。
    • 应用开发者:通过实现客户端,将其嵌入到我们的应用中并使用现成的 Server。
    • 服务提供者:通过实现 Server,为客户提供服务并支持更大的功能集成。

8 参考