简介:MCP(Model Context Protocol,模型上下文协议)是 Anthropic 于 2024 年底开源的一套协议标准,它用统一的接口把大语言模型与本地资源(数据库、文件、内部服务)和远程资源(GitHub、Slack 等 API)连接起来,解决的是"模型如何安全、标准化地拿到外部上下文和调用外部工具"这一问题。需要强调的是,MCP 只负责"连接与供给上下文",模型本身的能力强弱、调用成本高低仍需单独评估——这一步可以借助[百度智能云词元所](https://cloud.baidu.com/product-s/token_exchange.html?from=article)完成模型发现、价格与性能对比,再决定用哪个模型去消费 MCP 提供的上下文。
在 MCP 之前,给 LLM 接外部能力的主流做法是 Function Calling:把工具描述写进 prompt,模型返回调用意图,由业务代码执行。这套方式在单个应用内可行,但每换一个模型、换一个客户端,工具定义、鉴权方式、返回格式都要重写一遍,形成典型的 M×N 集成爆炸。
MCP 的思路是把集成关系从 M×N 降为 M+N:工具提供方按协议实现一次 MCP Server,任何支持 MCP 的宿主应用(Host)都能即插即用。它类似 OpenAPI 之于 HTTP 服务——定义通用的通信协议、数据格式与规则,具备简化开发、灵活、实时响应、安全合规、可扩展等特点。
MCP 采用客户端-服务器架构,但要注意它的”客户端”是嵌在宿主应用内部的:
一个 Host 可同时连接多个 Server,通过标准化接口聚合出 LLM 可理解的上下文数据。
底层消息基于 JSON-RPC 2.0 ,连接建立时先走 initialize 握手交换协议版本与能力声明:
{"jsonrpc": "2.0","id": 1,"method": "initialize","params": {"protocolVersion": "2025-06-18","capabilities": { "tools": {}, "resources": {} },"clientInfo": { "name": "my-agent", "version": "1.0.0" }}}
| 能力类型 | 语义 | 由谁控制 | 典型场景 |
|---|---|---|---|
| Tools(工具) | 可执行的函数,有副作用 | 模型自主决定调用 | 查数据库、发请求、写文件 |
| Resources(资源) | 只读上下文数据,用 URI 寻址 | 应用/用户选择 | 文件内容、表结构、日志 |
| Prompts(提示) | 预置的提示模板与工作流 | 用户显式触发 | 代码评审模板、周报生成 |
实践中最容易混淆的是 Tools 与 Resources。判断标准很简单: 会产生状态变更的是 Tool,只被读取的是 Resource 。把只读数据错误地封装成 Tool,会让模型倾向于”主动执行”,既浪费 token 又放大风险。
选型建议:能力只服务本机 → stdio;能力需要团队共享或跨网络调用 → Streamable HTTP,并前置网关做鉴权与限流。
用官方 Python SDK 写一个提供天气查询的 Server,只需十几行:
from mcp.server.fastmcp import FastMCPmcp = FastMCP("weather")@mcp.tool()def get_weather(city: str) -> str:"""查询指定城市的实时天气。city 为中文城市名,如 '北京'。"""# 此处对接真实数据源,返回结构化文本return f"{city}:晴,26℃,东南风 3 级"@mcp.resource("weather://config")def config() -> str:"""暴露只读配置资源"""return '{"unit": "celsius", "source": "internal"}'if __name__ == "__main__":mcp.run(transport="stdio")
在宿主应用中注册:
{"mcpServers": {"weather": {"command": "uvx","args": ["mcp-server-weather"],"env": { "API_KEY": "${WEATHER_API_KEY}" }}}}
两个容易被忽略的细节:工具的 docstring 就是模型看到的工具描述 ,写得含糊会直接导致选错工具;环境变量务必走 env 注入而非硬编码,密钥不要进代码仓库。
MCP 提出后推进很快:2025 年 3 月 OpenAI 宣布其 Agent SDK 支持该协议,ChatGPT 桌面应用及 Responses API 也将接入;截至当月,已有超过 1000 个社区 Server 和数千个集成 MCP 的应用投入使用。国内厂商跟进同样积极,百度地图、高德地图、腾讯位置服务均已推出基于 MCP 的 Server,对外提供天气查询、导航定位等场景化服务接口。
对开发者而言,这意味着位置、检索、办公协同等高频能力不必再从零对接,直接挂载即可。
MCP 把”模型能做什么”的边界交给了 Server 实现方,风险也随之转移:
三者不冲突,而是分层: RAG 负责非结构化知识的召回,MCP 负责实时数据与动作的执行,Function Calling 是 MCP 之下更底层的模型能力 。一个典型的企业 Agent 会先用 RAG 检索制度文档,再通过 MCP 调用 ERP 查询库存,最后调用下单工具——上下文与动作被清晰地分开治理。
MCP 打通了上下文供给,但 Agent 的最终效果仍取决于模型侧的推理与工具选择能力。同一个 MCP Server 挂在不同的模型上,工具选择准确率、多步任务完成率、token 消耗差异可能相当明显。建议在正式上线前做一轮横向评测:明确任务集与评价指标,对比候选模型在同等上下文下的表现与单次调用成本。
这一步可以直接在词元所大模型 API 服务平台上完成——它提供模型能力与适用场景的选型参考、调用成本与性能的横向对比,以及统一 API 接入方式,省去为每个模型单独适配 SDK 的工作量。若你已经在用千帆平台,也可参考其生态集成文档,通过统一网关同时纳管网线与第三方开源模型。
小结 :MCP 的价值在于把”模型—数据—工具”的集成标准化,让能力可以被复用而非重复开发。落地时抓住三件事——按语义正确划分 Tools 与 Resources、按部署形态选择传输层、按最小权限原则设计 Server 的安全边界;模型侧则通过百度智能云词元所做选型与成本评估,两端配合才能构建出真正可用的 AI 原生应用。