MCP 协议是什么？ - 代码学习笔记

一、MCP 协议是什么？

MCP（Model Context Protocol） 是一种旨在统一 大语言模型（LLM） 与外部工具、数据和环境之间通信的开放协议。简单来说，它就像一个“万能翻译官”或“标准插座”，让不同来源的AI模型（如Claude、GPT等）能以一套固定的规则，去调用各种外部能力（如查询数据库、操作文件、访问特定API），而无需为每个工具编写定制的集成代码。

它的核心价值在于解耦。模型本身不需要“知道”所有工具的具体细节，它只需要理解MCP协议，就能通过标准化的消息格式与任何符合协议的“服务”进行交互。这极大地增强了模型的能力边界和可扩展性。

二、为什么需要 MCP？

在MCP出现之前，AI模型集成外部工具的方式比较“硬编码”。例如，要让模型查天气，需要在提示词里详细描述天气API的URL、参数格式，或者在模型代码里写死调用逻辑。这导致了几个问题：

碎片化：每个工具都需要定制化的提示词或代码，维护成本高。
不安全：模型可能直接生成可执行的代码或复杂的API调用参数，存在安全风险。
能力固化：模型上线后，新增工具能力需要重新部署或更新提示词，不够灵活。

MCP的出现正是为了解决这些问题。它提供了一个安全的、标准化的中间层。工具提供方按照MCP协议发布服务，模型方只需学会“说MCP语言”，即可动态发现和使用新工具，实现了动态、安全的能力扩展。

三、核心架构与关键概念

MCP 采用典型的 客户端-服务器（Client-Server） 架构模型。

MCP 客户端（Client）：通常是发起请求的一方，可以是一个AI模型，或者是一个连接了AI模型的宿主应用（如IDE插件、聊天机器人）。客户端负责理解用户的意图，并尝试通过MCP协议找到并调用合适的工具。
MCP 服务器（Server）：是工具能力的提供方。它实现了一个或多个工具（Tool），这些工具是具体的可执行单元（例如 query_database， read_file）。服务器将自己提供的工具列表和能力，通过MCP协议“广播”出去。
会话（Session）：客户端与服务器之间的一次交互连接。在一次会话中，他们可以完成发现工具、调用工具、获取结果等一系列操作。

关键理解：MCP定义的是通信的规则和数据格式，而不是具体的业务逻辑。就像HTTP协议定义了网页怎么传输，但不规定你网页里放什么内容。

四、消息交互流程详解

一个典型的MCP交互流程如下所示：

初始化：客户端（宿主应用）启动并连接到一个或多个MCP服务器。
工具发现：客户端向服务器发送 list_tools 请求，服务器返回它所能提供的所有工具的名称、描述和输入参数模式（通常用JSON Schema描述）。
模型决策：客户端将用户的自然语言请求和可用工具列表一起发给大语言模型。模型分析后，决定是否需要调用工具以及调用哪个工具，并生成符合工具参数格式的指令。
工具调用：客户端根据模型指令，向对应的MCP服务器发送 call_tool 请求，包含工具名和参数。
结果返回：服务器执行工具逻辑，将结果封装成标准消息返回给客户端，再由客户端反馈给模型，进行后续处理或直接回复用户。

下面是一个简化的客户端（宿主应用）发送工具调用请求的Python伪代码示例：

import requests
import json

# 假设这是MCP服务器地址
mcp_server_url = "http://localhost:8080/mcp"
headers = {"Content-Type": "application/json"}

# 步骤1: 发现可用工具
discover_payload = {
    "jsonrpc": "2.0",
    "id": 1,
    "method": "list_tools",
    "params": {}
}
response = requests.post(mcp_server_url, headers=headers, json=discover_payload)
available_tools = response.json()['result']['tools']
print("可用工具:", [t['name'] for t in available_tools])

# 步骤2: 根据模型指令，调用具体工具 (例如，模型决定调用‘get_stock_price’)
call_payload = {
    "jsonrpc": "2.0",
    "id": 2,
    "method": "call_tool",
    "params": {
        "name": "get_stock_price",
        "arguments": {
            "ticker": "AAPL"
        }
    }
}
result = requests.post(mcp_server_url, headers=headers, json=call_payload)
print("工具执行结果:", result.json()['result'])

五、消息结构与设计哲学

MCP的消息结构通常基于JSON-RPC 2.0。这是一个轻量级的远程过程调用（RPC）协议，非常简洁。每条消息都包含 jsonrpc、method、params（或 result）和 id 等字段。选择它有几个好处：

简单成熟：易于解析和调试。
请求-响应模式清晰：天然适合工具调用的场景。
可扩展：可以通过定义新的 method 来扩展协议能力。

这种设计体现了MCP的务实哲学：不重新发明轮子，而是站在成熟标准上构建。它关注的核心是语义的标准化（如何描述一个工具），而不是底层传输细节。

六、应用场景与局限性

MCP的典型应用场景包括：

AI增强的IDE/编辑器：让Copilot类工具能安全地读写本地项目文件、运行终端命令、查询文档。
智能数据分析助手：模型通过MCP连接数据库服务器，执行SQL查询并分析结果，而无需模型本身生成SQL。
企业知识库机器人：机器人通过MCP服务器安全地搜索内部文档、联系CRM系统，实现基于私有数据的问答。

当然，MCP目前还在发展中，也存在一些局限性：

性能开销：引入了一个额外的协议通信层，对于高频、低延迟的简单调用可能成为瓶颈。
状态管理：需要客户端和服务器共同维护会话状态，比无状态的HTTP请求更复杂。
标准化程度：工具描述（JSON Schema）的深度和广度需要社区逐步达成更丰富的共识。

七、总结与展望

MCP协议的核心贡献在于，它为“AI如何安全、规范地使用工具” 这一关键问题提供了一个优雅的工程解决方案。它将工具的“发现、描述、调用”过程标准化，使得AI能力的生态可以像应用商店一样繁荣和可组合。

个人见解：MCP或许不是终极方案，但它指明了一个正确方向——分离“智能”与“能力”。未来，AI模型的核心价值可能更多地体现在其理解、推理和决策能力上，而具体的执行能力则通过类似MCP的协议，由无数专业化的外部服务提供。这会让AI系统更加模块化、安全且易于演进。

随着更多工具提供商和AI平台采纳MCP，我们有望看到一个更加互联互通的AI工具生态，真正释放大模型作为“通用接口”的潜力。