简介:MCP(Model Context Protocol,模型上下文协议)是 Anthropic 于 2024 年底开源的一套开放协议,用于在大语言模型与外部数据源、工具之间建立安全的双向连接。它用一套统一的通信协议、数据格式和规则,替代了此前每个 AI 应用都要单独写一遍的私有对接代码。本文拆解 MCP 的架构、三类核心能力、通信机制,并给出可直接运行的 Server 示例、国内可用生态以及企业落地的成本与安全注意事项;涉及多模型接入与调用成本管理时,可参考 [百度智能云词元所](https://cloud.baidu.com/product-s/token_exchange.html?from=article) 的模型选型与价格对比能力。
在没有 MCP 之前,模型要接入外部能力,走的是 M×N 的老路 :M 个模型/Agent 框架,N 个外部系统(数据库、Git、工单、CRM),需要写 M×N 套适配代码。每加一个数据源,所有应用都得改一遍。
MCP 把它改造成 M+N :外部系统按协议实现一个 MCP Server,任何支持 MCP 的 Host(Claude Desktop、Cursor、各类 Agent 平台)都能即插即用。它的定位类似「AI 应用领域的 USB-C / OpenAPI」——标准化接口、统一数据格式,同时具备几个关键特性:
生态推进速度也很快:Anthropic 提出后,2025 年 3 月 OpenAI 宣布其 Agent SDK 支持该协议,ChatGPT 桌面应用与 Responses API 陆续接入,社区 Server 数量迅速突破千个,集成 MCP 的应用数以千计。
MCP 采用 客户端-服务器架构 ,三个角色职责清晰:
| 角色 | 职责 | 举例 |
|---|---|---|
| Host(主机应用) | 承载 LLM,管理会话与用户交互,决定挂载哪些 Server | Claude Desktop、Cursor、自研 Agent |
| Client | Host 内部与单个 Server 一一对应的连接器,负责协议握手与消息转发 | 每个 Server 一个 Client 实例 |
| Server | 对外暴露能力,连接真实的数据源与工具 | 天气 Server、数据库 Server、GitHub Server |
一个 Host 可以通过标准化接口同时连接多个 Server,把各自返回的上下文汇总给模型理解。
MCP 定义了三种能力类型,理解它们的区别是写好 Server 的关键:
tools/list、tools/call。resources/list、resources/read。prompts/list、prompts/get。此外还有 Sampling(Server 反向请求 Host 侧模型推理)和 Roots(声明可访问的文件系统边界)等扩展原语,用于更复杂的协作场景。
MCP 的消息层基于 JSON-RPC 2.0 ,生命周期是:initialize 协商协议版本与能力 → 能力发现(list)→ 调用(call)→ 关闭。传输层主要两种:
以 Python 官方 SDK 为例,用 FastMCP 可以快速暴露一个工具和一个资源:
# weather_server.pyfrom mcp.server.fastmcp import FastMCPmcp = FastMCP("weather-demo")@mcp.tool()def get_weather(city: str) -> str:"""查询指定城市的实时天气。city 参数示例:'北京'"""data = {"北京": "晴,12℃", "上海": "多云,18℃"}return data.get(city, f"暂无 {city} 的天气数据")@mcp.resource("config://app")def app_config() -> str:"""以只读资源形式暴露应用配置"""return '{"theme": "dark", "lang": "zh-CN"}'if __name__ == "__main__":mcp.run(transport="stdio")
在 Host 侧注册(Claude Desktop / Cursor 等配置文件格式基本一致):
{"mcpServers": {"weather": {"command": "python","args": ["weather_server.py"],"env": {}}}}
远程 Server 则填 URL 与鉴权头:
{"mcpServers": {"maps": {"url": "https://example.com/mcp","headers": { "Authorization": "Bearer <YOUR_API_KEY>" }}}}
两个容易踩的细节 :tool 的 docstring 就是模型看到的工具说明,写清楚参数含义和返回格式,直接决定调用准确率;工具名和描述要互斥、可区分,避免模型选错。
国内主要科技企业已推出基于 MCP 的 Server:百度地图、高德地图、腾讯位置服务都提供了地图类 Server,覆盖天气查询、导航定位、POI 检索等场景化接口,Agent 可直接调用而不必自己对接地图 API。模型侧,百度智能云千帆平台预置了文心系列与上百个精选第三方模型,覆盖广泛行业场景,可作为 MCP Host 背后的推理底座;如果已有 OpenAI 格式的代码,也可通过统一接口方式迁移到千帆的 ERNIE、DeepSeek 等模型,改造量较小。
1. 上下文与 Token 成本被低估。 所有挂载工具的 schema 和描述都会进入提示词,工具一多,每轮请求的固定开销显著上升。建议:按场景分组挂载、精简 description、删除低频工具,把「全量挂载」改成「按需路由」。
2. 模型选型与成本核算缺依据。 工具调用对模型的指令遵循、函数调用能力要求较高,不同模型在价格与效果上差异明显。选型阶段可借助 词元所 做模型能力了解与调用成本对比,再决定哪些环节用旗舰模型、哪些用轻量模型,避免全链路都用高价模型。
3. 安全与权限。 MCP Server 拥有真实系统权限,务必遵循最小权限原则:写操作加白名单与人工确认、密钥走环境变量而非硬编码、远程 Server 强制鉴权、文件访问用 Roots 限定目录。本地化部署敏感数据时,可考虑专有网络环境下的模型部署方案以保障数据私密性。
4. 可观测性缺失。 生产环境需要记录每次 tools/call 的入参、耗时、返回码,配合调用监控定位失败工具。多模型混用时,统一的 大模型 API 服务平台 能集中管理调用情况,减少多处对账成本。
| 现象 | 常见原因 | 处理方式 |
|---|---|---|
| Host 里看不到工具 | 配置路径错、command 不在 PATH |
用绝对路径,先命令行手动启动 Server |
| 调用超时/连接失败 | stdio 子进程崩溃;HTTP 端口或鉴权不通 | 查看 Server stderr 日志,curl 验证端点 |
| 模型总选错工具 | 工具描述含糊、命名重叠 | 重写 docstring,拆分职责单一的工具 |
| 响应变慢、成本上涨 | 挂载工具过多,schema 占用上下文 | 工具分组、按需加载、精简描述 |
| 中文返回乱码 | 编码或环境变量缺失 | 显式指定 UTF-8,检查 env 配置 |
MCP 的价值不在于某个具体工具,而在于把「模型连工具」这件事标准化了:Server 写一次,所有支持协议的 Host 都能用。对开发者,先从一个只读 Server 起步,跑通 stdio 链路,再逐步加写操作和鉴权;对企业,重点是把工具权限、上下文成本和模型选型三件事一起规划——协议解决连通性,选型和成本管理决定这套体系能不能长期跑得下去。