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