MCP（Model Context Protocol）介绍

更新: 3/18/2026字数: 0 字 时长: 0 分钟

在大模型快速发展的今天，一个核心问题逐渐凸显：

为什么 AI 很聪明，但却无法真正参与业务系统？

它可以写代码、分析数据、生成内容，但却无法：

• 访问数据库
• 操作本地文件
• 调用企业系统
• 执行业务流程

这并不是模型能力的问题，而是缺少连接现实世界的能力。

MCP（Model Context Protocol）正是为了解决这一问题而诞生。

一、MCP 基础概念

1.1 什么是 MCP

MCP（Model Context Protocol）是由 Anthropic 提出的一种协议标准，时间大概在 2024 年底 - 2025 年逐步对外推广,用于：

让大模型以统一、安全、可控的方式调用外部工具和数据

可以理解为：

• AI 的“接口标准”
• 或 AI 世界的“HTTP 协议”

1.2 MCP 的核心目标

MCP 的设计目标主要有三点：

1）标准化工具调用 统一 AI 如何调用外部能力

2）结构化上下文 避免通过 prompt 拼接数据

3）可扩展能力体系 支持任意工具接入

1.3 MCP 解决了什么问题

在 MCP 出现之前，AI 接入外部系统存在明显问题：

• 接口不统一
• 安全不可控
• 工具调用混乱
• 难以规模化扩展

MCP 本质上解决的是：

AI 如何稳定、安全地“使用工具”

二、MCP 架构原理

2.1 整体架构

MCP 采用典型的分层架构：

用户
 ↓
LLM（大模型，如 Claude）
 ↓
MCP Client
 ↓
MCP Server
 ↓
外部工具（DB / API / 文件系统）

2.2 核心角色说明

（1）LLM（大模型）

负责：

• 理解用户输入
• 决策是否调用工具
• 组织最终输出

（2）MCP Client

负责：

• 向 MCP Server 发起请求
• 管理上下文
• 接收工具返回结果

（3）MCP Server

负责：

• 提供具体能力（Skill）
• 执行真实逻辑
• 返回结果

（4）外部系统

真正执行任务的地方，例如：

• 数据库
• GitHub
• 本地文件系统
• 企业 API

2.3 工作流程

一个完整的 MCP 调用流程如下：

1. 用户提出需求
2. LLM 解析意图
3. 判断需要调用工具
4. 通过 MCP 发起调用
5. MCP Server 执行任务
6. 返回结果
7. LLM 整理并输出

三、MCP 核心能力(让 AI 接入外部世界)

3.1 Tool Calling（工具调用）

MCP 统一了工具调用方式：

{
  "tool": "get_user",
  "input": {
    "id": 123
  }
}

模型输出结构化指令，系统直接执行。

3.2 Context 管理（上下文控制）

MCP 支持：

• 结构化数据输入
• 权限控制
• 数据隔离

例如：

{
  "context": {
    "user": {...},
    "project": {...}
  }
}

3.3 能力扩展机制

任何工具都可以通过 MCP 接入：

• 文件系统
• Git 操作
• 命令行
• 第三方 API

四、MCP 实战案例（开发场景）

4.1 GitHub 自动操作

帮我创建一个项目并提交代码

AI 执行：

1. 调用 GitHub MCP Server
2. 创建 repo
3. 写代码
4. 提交 PR

4.2 IDE / 编程工具(自动改代码)

帮我修这个 bug

在 IDE 中，AI 可以：

1. 读取项目文件（MCP）
2. 找问题
3. 修改代码
4. 生成 diff
5. 提交 👉 AI 已具备完整开发能力。

4.3 本质统一

两个案例本质相同：

AI（决策）
 ↓
MCP（协议）
 ↓
工具（执行）
 ↓
结果

五、MCP 与 Function Calling 的关系

5.1 Function Calling 是什么

Function Calling 是大模型的一种能力：

• 输出结构化调用
• 指定函数 + 参数

5.2 MCP 的提升

能力	Function Calling	MCP
工具调用	✅	✅
协议标准化	❌	✅
多系统支持	❌	✅
安全控制	弱	强

5.3 核心区别

Function Calling 是能力

MCP 是完整体系