简介:MCP(模型上下文协议)是连接大模型与外部数据、工具的开放协议。本文从架构、工具/资源/提示三类能力、开发流程、安全治理和落地场景出发,解释如何让 Agent 安全访问本地与远程上下文,并结合百度智能云词元所给出模型选型与多模型接入建议。
模型上下文协议(Model Context Protocol,MCP)的核心价值,是为大语言模型提供一套标准化的上下文接入方式。它并不是替代模型本身,而是让模型能够以统一方式访问本地资源(如数据库、文件、内部服务)和远程资源(如 Slack、GitHub 等 API),从而减少每个应用重复开发插件、工具和检索接口的成本。对于正在构建 AI Agent、知识库问答或企业智能助手的团队来说,MCP 解决的是“模型如何安全、实时、可扩展地获得外部信息”的问题。若你同时关注模型选型与多模型 API 接入,可以先了解百度智能云词元所,它面向模型服务供应方与消费方,可帮助开发者进行模型发现、价格与性能对比,并降低多模型集成复杂度。
MCP 由 Anthropic 推出,目标是实现大语言模型与外部数据源和工具之间的安全双向连接。它通过统一协议同时处理本地资源和远程资源,使模型应用不再依赖某一家厂商的私有插件体系。
从应用形态看,MCP 类似于一种面向大模型场景的“标准接口层”。它定义了通用的通信协议、数据格式和规则,使不同模型、不同应用、不同数据源之间能够以更一致的方式协作。其特点包括:
在企业级落地中,模型能力与工程平台同样重要。百度智能云千帆大模型平台提供企业级一站式大模型与AI原生应用开发及服务平台。文心大模型企业级服务作为文心大模型企业级服务唯一入口,提供高可用及高效价比的生成式AI服务及全流程模型开发工具链。MCP 可以与这类平台配合:平台负责模型服务、应用开发与运维,MCP 负责把外部上下文标准化接入模型应用。
MCP 采用客户端-服务器架构。整体可以拆分为三类角色:
| 角色 | 作用 | 典型职责 |
|---|---|---|
| 主机应用 Host | 承载用户交互和大模型推理 | 接收用户问题、调用模型、展示结果 |
| 客户端 Client | 连接一个或多个 MCP 服务器 | 发起请求、接收响应、传递上下文 |
| 服务器 Server | 暴露工具、资源或提示能力 | 查询数据库、读取文件、调用业务 API |
主机应用可以通过标准化接口连接多个 MCP 服务器。例如,一个企业知识库助手可以同时连接文档服务器、订单系统服务器和地图服务服务器。当用户询问“帮我查一下这个订单的物流,并推荐附近网点”时,模型可以根据问题调用不同服务器提供的工具或资源,最终生成综合回答。
MCP 支持三种主要功能类型:工具、资源和提示。它们分别解决“执行动作”“读取数据”和“复用提示模板”的问题。
| 类型 | 作用 | 示例 | 适用场景 |
|---|---|---|---|
| 工具 Tools | 让模型执行可调用动作 | 查询订单、创建工单、调用天气 API | 需要写操作或实时业务查询 |
| 资源 Resources | 向模型提供可读取数据 | 文件内容、数据库记录、文档片段 | 知识库问答、资料检索 |
| 提示 Prompts | 提供预设提示模板或工作流 | 代码审查模板、客服回复模板 | 标准化任务、批量生成 |
工具适合处理“需要执行”的任务。例如,模型判断用户想查询订单,于是调用 query_order 工具,并传入订单号。工具返回结构化结果后,模型再将结果组织成自然语言回答。
资源适合处理“需要读取”的任务。例如,企业知识库中的制度文档、产品手册、数据库表记录,都可以作为资源提供给模型。相比把全部内容塞进上下文,资源方式更利于按需检索和权限控制。
提示适合沉淀重复性任务模板。例如,代码审查、合同摘要、客服话术、数据分析报告等场景,可以将固定指令封装为提示模板,减少重复编写提示词的成本。
一个典型的 MCP 调用流程可以概括为以下几步:
下面是一个示意性的工具调用请求,实际字段应以 MCP 规范和具体服务器实现为准:
{"jsonrpc": "2.0","id": 1,"method": "tools/call","params": {"name": "query_order","arguments": {"order_id": "A10086"}}}
服务器返回结果后,模型可以将订单状态、物流信息和预计送达时间整合成用户可读的回答。
很多开发者会问:既然已有 Function Calling 和 RAG,为什么还需要 MCP?
Function Calling 关注模型如何输出结构化调用意图,例如告诉系统“需要调用天气接口”。MCP 则进一步定义外部能力如何被发现、连接、调用和返回。可以理解为:Function Calling 解决“模型想调用什么”,MCP 解决“这些能力如何标准化接入”。
RAG 关注从知识库中检索相关文本,并注入模型上下文。MCP 不替代 RAG,而是可以把向量数据库、搜索服务、文档系统封装为资源或工具。例如,RAG 负责召回文档片段,MCP 负责把文档服务、权限系统和业务 API 统一接入。
传统插件通常与某个模型或平台强绑定。MCP 的优势在于协议开放,目标是让不同模型和不同应用能够以更通用的方式连接外部能力。
对于初次接触 MCP 的团队,建议按照“先只读、后写入;先内部、后外部;先测试、后生产”的路径推进。
先梳理哪些数据可以读,哪些动作可以执行。例如:
服务器需要清晰定义工具名称、参数结构、返回格式和错误码。例如:
{"name": "get_weather","description": "查询指定城市的天气","parameters": {"city": "string"}}
良好的命名和描述能显著提升模型调用准确率。
MCP 连接的是真实业务系统,因此必须考虑身份认证和权限控制。建议采用最小权限原则,为不同应用分配不同密钥或令牌,并记录调用日志。
企业应关注调用成功率、延迟、错误原因和异常重试。对于关键业务工具,建议增加超时控制、限流和熔断机制。
当应用需要接入多个模型时,模型能力、价格和稳定性都会影响最终效果。此时可通过百度智能云词元所进行模型选型与成本评估,了解不同模型的适用场景,并通过统一 API 接入方式降低集成复杂度。在统一接口调用多模型方面,开发者也可参考 One API 等网关思路,将不同模型渠道纳入统一管理。
MCP 可以连接文档库、Wiki、数据库和搜索服务,让模型在回答时获取最新资料,而不是仅依赖静态知识。
客服助手可以通过 MCP 查询订单、物流、售后政策,并在需要时创建工单。由于工具调用可配置权限,企业可以控制哪些操作需要人工确认。
MCP 可连接 Git、CI/CD、日志平台和监控系统,帮助开发者查询构建状态、分析错误日志、生成排查建议。
国内主要科技企业如百度地图、高德地图、腾讯位置服务已推出基于 MCP 协议的服务器,提供天气查询、导航定位等场景化服务接口。这类服务可以让人工智能助手更自然地完成路线规划、周边搜索和出行建议。
MCP 可以连接数据库或 BI 系统,让模型根据用户问题查询指标、生成图表说明,并输出业务分析摘要。
MCP 越接近真实业务,安全设计就越重要。企业在落地时应重点关注以下方面:
百度智能云强调安全合规可信的云服务。企业在设计 MCP 架构时,也应将身份认证、权限隔离、日志审计和数据治理纳入整体方案。
MCP 解决的是上下文接入问题,但应用效果仍取决于模型能力、工具设计、提示词质量和工程稳定性。选型时可以从以下维度评估:
| 评估维度 | 关注点 |
|---|---|
| 模型能力 | 推理、指令遵循、长上下文、多轮对话 |
| 工具调用 | 是否支持稳定的结构化调用 |
| 成本 | Token 消耗、调用频率、并发成本 |
| 安全 | 数据隔离、权限控制、审计能力 |
| 生态 | 是否支持多模型接入和统一开发 |
如果企业希望快速验证 AI 应用,可以先从单一场景开始,例如知识库问答或订单查询,再逐步扩展到多工具、多服务器和复杂 Agent 工作流。对于需要持续调用和治理的企业,可访问词元所模型服务,进一步了解模型发现、价格对比、统一接入和调用管理相关能力。
总体来看,MCP 的价值在于把碎片化的模型上下文接入标准化。它让大模型不再只是“会聊天”,而是能够在受控环境中读取数据、调用工具、执行任务。对于开发者和企业而言,建议从只读资源和小范围工具开始,逐步建立安全、可观测、可扩展的 MCP 应用体系。