Skip to content

MCP 模型上下文协议(Model Context Protocol) 常考题篇 ​

二、MCP 基础 ​

2.1 什么是 MCP? ​

MCP(Model Context Protocol,模型上下文协议) 起源于 2024 年 11 月 25 日 Anthropic 发布的文章:Introducing the Model Context Protocol。

MCP就像AI应用的USB-C端口

正如USB-C提供了一种将设备连接到各种配件的标准化方式一样,MCP也标准化了您的AI应用程序连接到不同数据源和工具的方式。

2.2 为什么要有 MCP? ​

  • 终结工具调用碎片化

不同模型在定义 Function Call(函数调用)时,采用的结构和参数格式各不相同,使得对多模型集成、统一管理和标准化接入变得复杂而繁琐。

属性维度OpenAIClaudeGemini
属性维度tool_callstool_usefunctionCall
参数格式JSON字符串JSON对象JSON对象
特殊字段finish_reason字段包含id和<thinking>args字段命名

  • 实现多功能应用与创新体验的突破

MCP 的潜力不仅限于连接现有工具,它还在推动客户端应用向“万能应用”演进,并创造全新的用户体验。

以代码编辑器 Cursor 为例,作为 MCP 客户端,用户可以通过集成不同的 MCP 服务器,将其转变为具备 Slack 消息收发、邮件发送(Resend MCP)、甚至图像生成(Replicate MCP)等多种功能的综合工作站。

更具创造力的是,在单一客户端中组合多个 MCP 服务器可以解锁复杂的新流程。例如,AI 代理可以一边生成前端界面代码,一边调用图像生成服务器为主页创作视觉元素。这种模式超越了传统应用的单一功能限制,为用户带来多样化的操作体验。

2.3 从一个例子介绍 MCP 和 API 的区别 ​

在传统的API设置中:

如果您的API最初需要两个参数(例如,天气服务的位置和日期),则用户会集成他们的应用程序以使用这些确切的参数发送请求。

稍后,如果您决定添加第三个必需参数(例如, 摄氏度或华氏度等温度单位的单位),则API的协定会发生变化。

这意味着API的所有用户都必须更新其代码以包含新参数。如果他们不更新,他们的请求可能会失败、返回错误或提供不完整的结果。

MCP的设计解决了这个问题:

MCP引入了一种动态且灵活的方法,与传统API形成鲜明对比。

例如,当客户端(例如,像Claude Desktop这样的AI应用程序)连接到MCP服务器(例如,您的天气服务)时,它会发送一个初始请求来了解服务器的功能。

服务器将响应有关其可用工具、资源、提示和参数的详细信息。例如,如果您的天气API最初支持位置和日期,则服务器会将这些作为其功能的一部分进行传达。

三、MCP的工作原理 ​

3.1 MCP架构 ​

MCP采用的是C/S结构,一个MCP host应用可以链接多个MCP servers。

  • Host(主机):为AI交互提供环境、访问工具和数据以及运行MCP客户端的任何AI应用程序(Claude desktop、Cursor),例如cursor、cline。
  • Client(客户端):运行在Host内,mcp client 与 mcp server保持 1:1 连接,当用户在交互界面输入问题时,模型来决定使用1个或者多个工具,通过client来调用server执行具体操作。
  • Server(服务):在这个例子中,文件系统 MCP Server 会被调用。它负责执行实际的文件扫描操作,访问你的桌面目录,并返回找到的文档列表。
    • 工具:使LLM能够通过您的服务器执行作。
    • 资源:将服务器中的数据和内容公开给LLM。
    • 提示:创建可重用的提示模板和工作流。

3.2 MCP 客户端和服务器是如何通信? ​

首先,我们有能力交换,其中:

客户端发送初始请求以学习服务器功能。

然后,服务器使用其功能详细信息进行响应。

例如,Weather API服务器在被调用时,可以使用可用的“tools”、“prompts templates”和任何其他资源供客户端使用。

一旦此交换完成,Client确认连接成功并继续进一步的消息交换。

3.3 MCP 核心特点 是什么? ​

  • 协议标准化:统一工具调用格式(请求/响应/错误处理)
  • 生态兼容性:一次开发即可对接所有兼容MCP的模型
  • 动态扩展:新增工具无需修改模型代码,即插即用

3.4 MCP 解决了什么问题? ​

  • 数据孤岛 → 打通本地/云端数据源
  • 重复开发 → 工具开发者只需适配MCP协议
  • 生态割裂 → 形成统一工具市场

3.5 MCP 有什么好处? ​

MCP 制定了 AI 工具调用的 “行业标准”。

开发者按照 MCP 协议进行开发,无需为每个模型与不同资源的对接重复编写适配代码,可以大大节省开发工作量.

另外已经开发出的 MCP Server,因为协议是通用的,能够直接开放出来给大家使用,这也大幅减少了开发者的重复劳动。

比如,你如果想开发一个同样逻辑的插件,你不需要在 Coze 写一遍,再去 Dify 写一遍,如果它们都支持了 MCP,那就可以直接使用同一个插件逻辑。

MCP vs Function Call ​

MCP 对比 Function Call ​

现在面试估计肯定会问道MCP与Function Call,这是一个解释的图示:

对比图

Function Call侧重于模型想要做什么,而 MCP 侧重于如何使工具可被发现和可消费,尤其是在多个Agent、模型或平台之间。MCP 不是在每个应用程序或代理中硬连接工具,而是:

  • 标准化了工具的定义、托管和向 LLM 公开的方式。
  • 使 LLM 能够轻松发现可用工具、了解其架构并使用它们。
  • 在调用工具之前提供审批和审计工作流程。
  • 将工具实施的关注与消费分开。

对比表

对比维度Function CallingMCP
协议标准私有协议(各模型自定规则)开放协议(JSON-RPC 2.0)
工具发现动态获取(initialize请求)静态预定义
调用方式同进程函数或APIStdio/SSE/同进程
扩展成本高(每新增工具需调整模型)低(工具热插拔,模型无需改动)
适用场景简单任务(单次函数调用)复杂流程(多工具协同+数据交互)
工程复杂度低(快速接入单个工具)高(需部署MCP服务器+客户端)
生态协作工具与模型强绑定工具开发者与Agent 开发者解耦

MCP 和 Function Call 关系 ​

关系:

  1. Function Calling 是 LLM 产生调用请求的能力,MCP 是标准化执行这些请求的协议框架。
  2. Function Calling 生成指令,MCP 负责让这些指令能在各种工具间通用、可靠地传递和执行。
  3. Function Calling 是 MCP 架构中模型表达意图的方式之一。

MCP vs A2A ​

MCP 和 A2A 区别 ​

  • Agent2Agent(A2A)协议允许 AI 智能体连接其他智能体,即 A2A 则让智能体之间能够连接和协作组队。
  • Model Context Protocol(MCP)让 AI 智能体连接工具/API,即 MCP 为智能体提供对工具的访问能力。

MCP 和 A2A 联系 ​

使用 A2A 时,两个智能体可能正在互相对话……而他们本身也可能正在与 MCP 服务器通信。从这个意义上讲,它们并不互相冲突。

如下图所示,Agent2Agent(A2A)协议使多个 AI 智能体可以协同完成任务,而无需直接共享它们的内部记忆、思考或工具。

它们通过交换上下文、任务更新、指令和数据进行通信。

从本质上说,AI 应用可以将 A2A 智能体建模为 MCP 资源,这些资源由它们的 AgentCard(智能体卡片) 表示。

通过这种方式,连接到 MCP 服务器的 AI 智能体可以发现新的合作智能体,并通过 A2A 协议建立连接。

支持 A2A 的远程智能体必须发布一个 “JSON 智能体卡片”,详细说明其能力和认证信息。客户端使用此卡片来查找和与最适合某项任务的智能体进行通信。

致谢 ​