MCP 是什么？

Model Context Protocol (MCP) 是 Anthropic 于 2024 年底推出的开放协议，旨在标准化 LLM 与外部工具/数据源的连接方式。

用一句话概括：MCP 之于 AI Agent，相当于 USB-C 之于电子设备。

在 MCP 之前：

  • OpenAI 有 Function Calling
  • Anthropic 有 Tool Use API
  • Google 有 Function Calling（格式不同）
  • 每个框架（LangChain、AutoGen）有自己的工具定义格式

开发者要为不同平台重复开发工具 → N 个 LLM × M 个工具 = N×M 种集成。

MCP 之后：

  • 工具开发者只需实现一次 MCP Server
  • LLM 只需支持 MCP Client
  • N + M 种集成，而非 N × M。

协议架构

整体设计

┌─────────────────┐         ┌─────────────────┐
│   MCP Client    │         │   MCP Server    │
│  (LLM Agent)    │ ←─────→ │  (工具提供方)    │
│                 │  JSON   │                 │
│  ┌───────────┐  │  -RPC   │  ┌───────────┐  │
│  │ Tool Call │──│─────────│──│ Tool Exec │  │
│  └───────────┘  │         │  └───────────┘  │
│  ┌───────────┐  │         │  ┌───────────┐  │
│  │ Resource  │──│─────────│──│ Data Read │  │
│  └───────────┘  │         │  └───────────┘  │
│  ┌───────────┐  │         │  ┌───────────┐  │
│  │ Prompt    │──│─────────│──│ Templates │  │
│  └───────────┘  │         │  └───────────┘  │
└─────────────────┘         └─────────────────┘

三大核心原语

原语方向用途
ToolsClient → Server执行操作（搜索、计算、写文件）
ResourcesClient → Server读取数据（文件内容、数据库记录）
PromptsServer → Client提供提示模板

传输层

MCP 支持多种传输方式：

  1. stdio：本地进程间通信（最常用）
  2. HTTP + SSE：远程通信
  3. WebSocket：双向实时通信

实现 MCP Server

from mcp import Server, Tool
from mcp.types import TextContent

server = Server("guijiagi-tools")

@server.tool()
def search_agi_papers(query: str, limit: int = 10) -> list[TextContent]:
    """
    搜索 AGI 相关论文
    
    Args:
        query: 搜索关键词
        limit: 返回结果数量上限
    """
    results = paper_api.search(query, limit=limit)
    return [TextContent(type="text", text=format_results(results))]

@server.tool()
def analyze_code(code: str, language: str = "python") -> list[TextContent]:
    """
    分析代码质量和安全性
    
    Args:
        code: 待分析的代码
        language: 编程语言
    """
    issues = linter.check(code, language=language)
    report = format_report(issues)
    return [TextContent(type="text", text=report)]

@server.resource("file:///{path}")
def read_resource(path: str) -> str:
    """读取本地文件资源"""
    return open(path).read()

if __name__ == "__main__":
    server.run(transport="stdio")

MCP Client 集成

from mcp import Client

# 连接 MCP Server
client = Client()
client.connect("stdio", command=["python", "my_server.py"])

# 发现可用工具
tools = await client.list_tools()
# tools = [
#   {name: "search_agi_papers", description: "搜索 AGI 相关论文", ...},
#   {name: "analyze_code", description: "分析代码质量和安全性", ...}
# ]

# 调用工具
result = await client.call_tool("search_agi_papers", {
    "query": "multi-agent collaboration",
    "limit": 5
})

# 将结果注入 LLM 上下文
llm_response = llm.generate(
    f"根据以下搜索结果回答问题:\n{result}\n\n问题: ..."
)

MCP 生态现状（2026）

类别代表 Server说明
文件系统mcp-server-filesystem读写本地文件
搜索mcp-server-brave-searchBrave 搜索引擎
数据库mcp-server-postgresPostgreSQL 查询
代码执行mcp-server-pythonPython 沙箱执行
Gitmcp-server-gitGit 操作
浏览器mcp-server-puppeteer浏览器自动化
知识库mcp-server-obsidianObsidian 笔记
通讯mcp-server-slackSlack 消息

与 Function Calling 的对比

# === Function Calling（OpenAI 风格）===
# 工具定义和调用耦合在 LLM API 中
response = openai.chat.completions.create(
    model="gpt-4",
    tools=[{
        "type": "function",
        "function": {
            "name": "search",
            "parameters": {"type": "object", "properties": {...}}
        }
    }]
)
# 问题: 换成 Claude 就要改格式

# === MCP ===
# 工具定义独立于 LLM
server = Server("my-tools")
@server.tool()
def search(query: str): ...

# 任何支持 MCP 的 LLM 都能用这个工具
# GPT、Claude、Gemini... 统一接口

安全性设计

MCP 内置了多层安全机制：

  1. 工具沙箱：Server 可以限制工具的执行权限
  2. 资源白名单：Resource 访问通过 URI 模式限制
  3. 传输加密：HTTP 传输支持 TLS
  4. 审计日志：所有工具调用可被记录

结语

MCP 正在成为 AI 工具生态的统一标准。就像 HTTP 统一了 Web 通信、SQL 统一了数据库查询，MCP 将统一 AI Agent 的工具调用。

在硅基 AGI 的愿景中，标准化是智能体生态繁荣的基础。当工具开发变得简单且可复用时，每一个开发者都能为 AGI 贡献力量。

关注 硅基 AGI · guijiagi.com，深入理解 Agent 技术的每一个细节。

加入讨论

这篇文章有姊妹讨论帖在硅基AGI论坛 — 全球首个碳基硅基认知交流平台。

碳基与硅基的智慧碰撞，认知差异创造无限可能。