简介:MCP(Model Context Protocol,模型上下文协议)是 Anthropic 于 2024 年 11 月底推出的开放标准,用于统一大模型与外部数据源、工具之间的通信方式;AI Agent 则是能自主规划并执行任务的智能系统,它靠 MCP 获得"手脚"。一句话概括: **MCP 是 Agent 的能力接入标准,Agent 是 MCP 的最大受益者** 。如果你正在为 Agent 挑选底层模型、对比不同模型的调用成本,可以先看看 [百度智能云词元所](https://cloud.baidu.com/product-s/token_exchange.html?from=article),它把模型发现选型、价格性能对比与统一 API 接入集中在一个平台,能省掉逐个厂商试错的时间。
MCP 由 Anthropic 推出,目标是构建大模型与数据源之间的安全双向链接,解决社区中工具实现风格不统一、难以跨模型共享的问题。
一个更形象的比喻是: MCP 是大模型应用生态里的 Type-C 接口或扩展坞 ,可以把各种不同来源的组件转换成统一格式交给大模型。也有文档把它描述为大模型与具体工具之间的”转接头”。
从技术构成看,MCP 基于 JSON-RPC 2.0,采用 Host / Client / Server 三层结构:
传输层目前主流是本地 stdio 和远程 Streamable HTTP(早期为 HTTP+SSE),前者适合本地文件系统、开发工具,后者适合云端共享服务。
第一是数据孤岛。 过去让大模型用上外部数据,要么复制粘贴,要么全量灌进知识库,非常局限。即使最强模型也会受数据隔离限制,每接一个新数据源都要重新定制实现,真正互联的系统难以扩展。
第二是重复适配。 MCP 出现之前,大模型要调用邮箱、日历、聊天软件等外部工具,必须基于某个平台单独开发插件,而插件是捆绑在平台上的——在 A 平台能用的插件,换到 B 平台还得重写一遍。MCP 作为开放标准改变了这一点:只要工具支持 MCP,所有支持 MCP 的平台都能调用它。平台方能接入海量工具,工具方也能让服务被跨平台开发者复用。
三者是不同层次的东西,经常被混为一谈:
| 概念 | 定位 | 作用范围 |
|---|---|---|
| Function Calling | 模型输出结构化调用意图的 机制 | 单个模型 |
| MCP | 工具接入的 标准协议 | 跨模型、跨平台 |
| AI Agent | 自主运行的 智能系统 | 端到端任务 |
Function Calling 解决”模型怎么表达要调工具”,MCP 解决”工具怎么被任何模型接上”。Agent 则位于两者之上:它用 Function Calling 生成调用决策,用 MCP 拿到可调用的工具清单,再叠加规划、记忆与反思循环,完成多步骤任务。
工程上可以这样理解 Agent 的运行链路:
用户目标 → 规划(Plan) → 选择工具 → Function Calling 生成参数→ MCP Client 转发请求 → MCP Server 执行 → 结果回填上下文→ 判断是否达成目标 → 循环或输出
关键收益在于 工具层与模型层解耦 。同一套 MCP Server,今天挂在 Claude 上,明天换作文心或其他模型,工具代码一行不改。这也让 Agent 的能力扩展从”开发插件”变成”接入 Server”。
服务端 (把本地能力暴露为 MCP Tool):
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"""# 这里替换为真实数据源调用return f"{city}:晴,26℃"if __name__ == "__main__":mcp.run(transport="stdio")
客户端 (Agent 侧发现并调用工具):
import asynciofrom mcp import ClientSession, StdioServerParametersfrom mcp.client.stdio import stdio_clientasync def main():params = StdioServerParameters(command="python", args=["weather_server.py"])async with stdio_client(params) as (read, write):async with ClientSession(read, write) as session:await session.initialize() # 握手与能力协商tools = await session.list_tools() # 动态获取工具清单print([t.name for t in tools.tools])res = await session.call_tool("get_weather", {"city": "北京"})print(res.content)asyncio.run(main())
接入远程 Server 时,把 stdio_client 换成对应的 HTTP/SSE 客户端,填入服务地址即可。例如百度智能云已把多项 AI 开放能力封装成 MCP Server,直接填地址就能用:
| 功能类型 | MCP Server 地址 | 典型工具能力 |
|---|---|---|
| 图像识别 | https://aip.baidubce.com/mcp/image_recognition/sse |
车型识别、菜品识别、地标识别、通用物体与场景识别等 |
| 看图识万物 | https://aip.baidubce.com/mcp/image_understanding/sse |
基于视觉专家模型与多模态大模型的通识问答 |
| 图像增强 | https://aip.baidubce.com/mcp/image_enhance/sse |
去摩尔纹、清晰度增强、无损放大、文档矫正增强等 |
| 图像特效 | https://aip.baidubce.com/mcp/image_effect/sse |
黑白上色、人像动漫化、图像风格转换 |
在 AppBuilder 这类平台上,代码态用户可通过 Python SDK 接入 MCP;对于已有组件,路线分为”组件转 MCP Server + AB-MCP Client 本地部署”和”直接接入已支持 MCP 的工具组件”两类,云端组件市场的组件则无需 MCP 协议,页面点选后发布即可。
“万物互联”很迷人,但把数据通过 MCP Server 暴露出去,风险是真实的。MCP 的设计思路是用标准化数据访问接口减少直接接触敏感数据的环节,从而降低泄露风险。落地时建议再补几层:
list_tools 结果做过滤,避免模型调用未审计的高危工具(删除、转账、执行命令)。MCP 把工具层标准化之后,模型选型就成了决定 Agent 效果上限的主要变量。建议按这个顺序评估:
在 词元所 上,你可以按场景查看不同大模型的能力定位与适用方向,横向对比调用成本与性能信息,再通过统一 API 完成多模型接入,避免为每家厂商单独写一套适配代码。对已经跑起来的 Agent,也可以用它的调用管理能力梳理各模型的用量分布,找出”贵但效果一般”的环节做替换。
MCP 的意义不在于多了一个协议,而在于把 AI 应用的集成方式从”一模型一插件”改成了”一次接入、处处可用”。先把工具 Server 化,再谈 Agent 的自主度,这条路会顺畅很多。