什么是MCP、MCP服务，通俗易懂讲清楚，其实没那么高深

原创于 2025-06-29 13:37:25 发布 · 866 阅读

12 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #MCP #MCP服务 #MCP协议 #MCP服务市场 #MCP工具 #MCP教程

AI工具专栏收录该内容

8 篇文章

订阅专栏

在人工智能领域，大语言模型（LLM）的应用越来越广泛。但它并非万能，能力边界逐渐显现。怎么让 AI 真正 “用工具”，获取实时数据，执行复杂任务？MCP（模型上下文协议）应运而生。本文AiBot研究社将用通俗易懂的语言，揭开 MCP 的神秘面纱。也可关注我的MCP专栏，获取更多关于MCP相关的内容。

你有没有想过，为啥现在的智能助手越来越机灵，能帮你查天气、发邮件，连写文章都不在话下？其实啊，这多亏了一项超神奇的技术 ——MCP（模型上下文协议），是它让 AI 变得又强又好用。最近我在网上刷了好多 MCP 相关的视频和文章，感觉有点头绪，可又好像没彻底搞懂。

作为 AI 学习的新手，我打算用最直白易懂的方式，聊一聊我理解的这些事儿：MCP 到底是啥？为啥它近来这么火？API、Function Calling 和 MCP 这仨到底啥关系？还有，咋去找别人已经做好的 MCP 服务工具。希望这篇文章，能帮你弄懂这些看着高深的技术概念。

一、MCP是什么？

MCP ，全名是 Model Context Protocol（模型上下文协议），这是 Anthropic 公司在 2024 年 11 月 26 日推出的技术协议。MCP 旨在定义一套通用通信规则，借助这套规则，AI 助手就能连接外部资源，让给出的回应更准确、更好用。前文也有提到过：

现在，越来越多企业都采用这个协议，它已然成为 LLM 使用工具领域实际的标准，进一步挖掘出 AI 智能体的发展潜力。

二、大模型为什么需要MCP服务？

1、大模型的能力边界

像 GPT、Claude 这类大语言模型（LLM），确实厉害，不管是写文章还是写代码，都能轻松应对，能理解和生成各种自然语言内容。然而，它们的能力也存在明显边界：

被动处理文字：模型只能处理输入的内容，没办法主动去搜寻最新信息、访问数据库，更没法操作现实世界的工具。
知识有时效局限：模型的知识储备截止到训练之时，像最新的天气、新闻或者股票价格这类实时数据，它获取不到。
容易 “编造” 答案：遇到不懂的问题，模型不会坦诚说 “不知道”，而是会 “编造” 答案，在 AI 领域，这被叫做 “幻觉”。
复杂能力有限：对于复杂的多步任务以及追踪历史数据等方面，模型的能力比较欠缺。

2、Function Calling（函数调用）

针对大模型这些能力短板，2023 年 6 月，OpenAI 等公司推出了 Function Calling。借助它，AI 能把需求转化为结构化指令，交给外部服务去执行。不过，这种方式也存在一些问题，各个公司的实现方式不一样，开发和维护成本高，工具一多，扩展起来相当困难。

Function Calling 原理：举个例子，AI 可以把 “查北京天气” 这样的请求，转化成结构化的函数调用（类似 API），然后由外部工具来完成实际的查询操作。
优点：如此一来，AI 能够获取实时数据、实现任务自动化，还能访问数据库，能力得到显著增强。
局限：
逐个对接工具：每增加一个新工具，开发者就得专门编写一套集成代码，维护起来相当繁琐。
标准不统一：不同 AI 厂商和工具的接口格式、参数以及返回值都不一样，这大大增加了开发和扩展的难度。
复杂场景应对无力：面对多步任务、多个工具协作以及复杂数据结构的情况，Function Calling 很容易陷入混乱，出错概率较高。
安全权限管理难题：调用外部工具涉及数据安全和权限控制，在 Function Calling 方案下，很难做到统一管理。

早期的大模型尽管强大，但在 “使用工具” 方面，能力有限，集成过程复杂，维护也困难重重。Function Calling 虽然是一大进步，可依然没有解决标准化和大规模扩展的问题，就好像 AI 的潜力被 “工具孤岛” 给限制住了。

而MCP 的诞生，恰似 AI 世界里的 “USB - C” 接口。有了它，所有工具与 AI 之间都能依据同一标准实现连接。如此一来，集成难度大幅降低，同时，AI 的能力边界也得到了极大的拓展。

三、API、Function Calling、MCP三者区别？

下面用快递比喻理解差异（代码对比）

传统API调用方式

Function Calling 实现

MCP 标准化实现

四、如何使用MCP

MCP 就好比一个 “标准插座” ，它可不是什么具体的软件，而是一种能让 AI 与工具顺畅交流的 “通用语言”。要知道，MCP 仅仅是个协议，没办法直接拿来用，得先去实现它。咱们先来了解下 MCP 的基本架构，也就是它的三大角色。

MCP Host（宿主 / 主程序）：像 Claude Desktop、Cursor、Cline、Cherry studio ，还有 AI 助手、带 AI 功能的 IDE 这些都很常见。Host 主要负责跟用户打交道。
MCP Client（MCP 客户端）：它镶嵌在主程序里头，专门负责和 MCP Server 进行沟通。
MCP Server（MCP 服务器）：每个服务器都连接着一个特定工具，像 GitHub、数据库、天气服务之类的，然后通过 MCP 协议把自身功能 “展现” 出来。

还有传输层，MCP 支持两种连接方式，本地（STDIO）和远程（HTTP + SSE）。这样一来，不管工具在你自己电脑上，还是在云端，都能轻松连接上。

例子辅助理解：把MCP想象成智能家居系统

Host = 手机上的智能家居APP
Client = 每个家电的智能插座
Server = 家电本身（空调/灯光/电视）
MCP协议 = 统一的智能家居通信标准

可以想象一下，你用手机 APP（这就是 Host）去打开空调（Server），这时智能插座（Client）会自动把你的指令转化成标准协议。空调收到指令后就开始工作，并把状态反馈回来。这意味着，以后任何新家电，只要支持这个标准，就跟即插即用的设备一样，你的 APP 能自动识别它，还能轻松控制，根本不用再去学习新的操作方法，也不用针对每个品牌单独进行适配。

MCP Server 能让 AI 通过三种方式来帮你干活：

资源（Resources）：比如说查文件、查数据，AI 可以帮你读取里面的内容。
工具（Tools）：像 “帮我发邮件”“查天气”“新建任务” 这类需求，AI 能直接执行这些功能，这个功能可是最常用的哦，就相当于可以被 LLM 调用的函数。
提示（Prompts）：AI 还能用一些提前设定好的模板，帮你写文章、做总结，甚至生成代码。

这里要划重点啦：最常用的就是 “工具” 功能，它能让 AI 实实在在地帮你 “做事”！

MCP 就好比一个智能插线板，AI 助手和各种工具都能用同一个 “插头” 连接起来。当你通过 AI 助手（Host）发出请求，MCP Client 就负责把这个请求传递出去，MCP Server 再把请求转化成工具能理解的操作，最后把结果传回来。如此一来，AI 就能帮你查天气、管理文件、连接数据库，几乎什么都能做啦！