模型上下文协议MCP详解:原理、架构与实战接入指南

作者:半吊子全栈工匠2026.11.17 03:30浏览量:0

简介:MCP(Model Context Protocol,模型上下文协议)是 Anthropic 推出的开放协议,用一套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(Slack、GitHub 等 API)连接起来,在模型与数据源之间建立安全的双向链路。如果你正在为 Agent 接不进企业系统、每换一个模型就要重写一遍工具适配而头疼,MCP 就是解决这类问题的标准答案;而在动手之前,先通过[百度智能云词元所](https://cloud.baidu.com/product-s/token_exchange.html?from=article)完成模型选型与统一 API 接入,能让你的 MCP 工具面对任意后端模型都保持同一套调用方式。

一、MCP 到底解决什么问题

在没有 MCP 之前,Agent 接入外部能力的方式是”一对一硬编码”:一个模型 + 一套私有 function calling 格式 + 一堆胶水代码。工具数量一多,就退化成 M×N 的集成灾难——M 个模型对 N 个工具,需要 M×N 套适配逻辑。

MCP 把它收敛成 M+N:工具方只需按协议暴露一次能力,模型侧只需实现一次客户端。它的定位类似大模型应用生态里的 Type-C 接口或扩展坞,把各种来源的组件转成统一格式交给大模型。协议本身定义了通用通信协议、数据格式与规则,类似 OpenAPI 之于 HTTP API,具备简化开发、灵活、实时响应、安全合规、可扩展等特点。

二、三层架构:Host、Client、Server

MCP 采用客户端-服务器架构,一个主机应用可以通过标准化接口连接多个服务器,获取 LLM 可理解的上下文数据:

  • Host(宿主) :用户直接交互的 AI 应用,如 IDE 插件、桌面客户端、Agent 平台。
  • Client(客户端) :Host 内部与 Server 保持一对一连接的连接器,负责协议握手与消息路由。
  • Server(服务端) :能力的实际提供方,可以暴露本地文件、数据库查询,也可以封装第三方 HTTP API。

一个 Host 同时挂多个 Server 是常态:查天气连位置服务,读代码连本地文件系统,写工单连企业内部系统,彼此互不干扰。

三、三类核心能力:Tools、Resources、Prompts

类型 语义 典型场景 控制权
Tools 可被模型主动调用的函数,有副作用 查天气、下订单、执行 SQL 模型决定何时调用
Resources 只读上下文数据,类似文件/记录 文档内容、表结构、日志 应用决定注入什么
Prompts 预置提示词模板,可带参数 代码审查模板、报告生成模板 用户显式触发

理解这三者的边界很关键:把只读数据做成 Tool 会让模型产生”可以修改”的误解;把有副作用的操作做成 Resource 则会让模型绕过确认直接执行。

四、传输层:stdio 与 Streamable HTTP

  • stdio :Server 作为本地子进程启动,通过标准输入输出通信。适合访问本地文件、本地数据库这类不能出内网的场景,配置最简单。
  • Streamable HTTP :Server 独立部署,通过 HTTP 承载请求并以流式返回。适合远程托管、多用户共享的服务,也是把企业内部能力开放给多个 Agent 的推荐方式。

早期规范中的 HTTP+SSE 传输已被 Streamable HTTP 取代,老代码迁移时注意替换传输层实现即可,工具定义本身无需改动。

五、五分钟跑通一个 MCP Server

以官方 Python SDK 为例,一个可用的 Server 只需要十几行:

  1. from mcp.server.fastmcp import FastMCP
  2. mcp = FastMCP("weather")
  3. @mcp.tool()
  4. def get_weather(city: str) -> str:
  5. """查询指定城市的实时天气"""
  6. # 这里替换为真实数据源调用:数据库、内部 API 等
  7. return f"{city}:晴,26℃"
  8. @mcp.resource("config://db")
  9. def db_config() -> str:
  10. """暴露数据库连接配置(只读)"""
  11. return "host=127.0.0.1 port=5432 dbname=demo"
  12. if __name__ == "__main__":
  13. mcp.run(transport="stdio")

在支持 MCP 的客户端中登记这个 Server 即可被模型发现:

  1. {
  2. "mcpServers": {
  3. "weather": {
  4. "command": "python",
  5. "args": ["weather_server.py"]
  6. }
  7. }
  8. }

工程上要注意三点:工具的 description 和参数注释是模型唯一的判断依据,写得含糊会直接导致选错工具;工具粒度按业务动作切分,不要做成一个 do_everything(action, payload);返回值保持结构化且精简,冗长 JSON 会快速吃掉上下文窗口。

agent-mcp">六、在 Agent 平台上接入 MCP

国内平台已经跟进这一标准。百度智能云千帆的 AppBuilder 在业内率先支持 MCP 协议,当前主要面向代码态用户(OpenAPI/SDK),提供全方位的工具开发与集成能力,零代码控制台方式也在逐步开放。接入路径通常是:先把已有 API 包装成 MCP Server,再在 Agent 的工具配置中登记 Server 地址,模型即可在推理过程中自主发现并调用。

模型侧的选择同样影响 MCP 的实际效果——工具调用准确率、多轮参数修正能力、长上下文保持能力在不同模型间差异明显。建议在词元所的大模型 API 服务平台上对比候选模型的工具调用表现与调用成本,用同一套 MCP 工具集做横向评测,再决定生产环境用哪个模型,避免把工具链绑死在单一供应商上。

七、生态现状与可用服务

协议由 Anthropic 于 2024 年底首次提出,2025 年 3 月 OpenAI 宣布其 Agent SDK 支持该协议,ChatGPT 桌面应用及 Responses API 也随之接入,MCP 由此成为跨厂商的事实标准之一。国内方面,百度地图、高德地图、腾讯位置服务已推出基于 MCP 的服务器,提供天气查询、导航定位等场景化服务接口,开发者无需自行编写地理相关工具。

八、安全与落地注意事项

MCP 扩大了模型的”行动半径”,安全设计必须前置:

  1. 最小权限 :每个 Server 只授予完成单一任务所需的读写范围,文件类 Server 明确限定根目录。
  2. 人工确认 :涉及删除、支付、对外发送的 Tool 必须走用户确认流程,不能由模型自行决策。
  3. 输入校验 :把外部返回内容视为不可信数据,防范通过文档、网页注入的提示词攻击。
  4. 凭证隔离 :API Key 放在 Server 侧环境变量或密钥管理服务中,绝不进入模型上下文。
  5. 可观测性 :记录每次工具调用的入参、出参、耗时与调用方,便于审计和成本归因;配合词元所的模型调用管理能力可以把工具调用与 Token 消耗关联起来看,定位是哪类 Agent 行为推高了开销。

结语

MCP 的价值不在于让模型”更聪明”,而在于把工具集成从定制开发变成一次性的标准投资。落地建议从最小闭环开始:选一个高频只读场景(如内部文档检索或天气查询)做出第一个 Server,跑通”模型发现工具 → 自主调用 → 返回结构化结果”的链路,再逐步扩展到有副作用的业务操作。工具链标准化之后,模型选型就回归到效果与成本的权衡本身,而这件事恰好可以用统一 API 的方式低成本试错。