什么是MCP?与AI Agent的关系详解

作者:梅琳marlin2026.11.17 03:49浏览量:0

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。

一、MCP 到底是什么

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:

  • Host :承载大模型的宿主应用,比如 IDE、桌面客户端、Agent 平台。
  • Client :Host 内部与 Server 一一对应的连接器,负责会话与协议协商。
  • Server :暴露能力的服务端,向模型提供三类原语——Tools(可调用函数)、Resources(可读取数据)、Prompts(预设提示模板)。

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。

二、它解决的其实是两个老问题

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。

agent-">三、MCP 与 AI Agent 的关系

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:

  1. 用户目标 → 规划(Plan) → 选择工具 → Function Calling 生成参数
  2. → MCP Client 转发请求 → MCP Server 执行 → 结果回填上下文
  3. → 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”。

四、动手接入:一个最小可用示例

服务端 (把本地能力暴露为 MCP Tool):

  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
  7. return f"{city}:晴,26℃"
  8. if __name__ == "__main__":
  9. mcp.run(transport="stdio")

客户端 (Agent 侧发现并调用工具):

  1. import asyncio
  2. from mcp import ClientSession, StdioServerParameters
  3. from mcp.client.stdio import stdio_client
  4. async def main():
  5. params = StdioServerParameters(command="python", args=["weather_server.py"])
  6. async with stdio_client(params) as (read, write):
  7. async with ClientSession(read, write) as session:
  8. await session.initialize() # 握手与能力协商
  9. tools = await session.list_tools() # 动态获取工具清单
  10. print([t.name for t in tools.tools])
  11. res = await session.call_tool("get_weather", {"city": "北京"})
  12. print(res.content)
  13. 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。

五、别忽略的安全边界

“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:

  • 最小权限 :一个 Server 只暴露完成当前任务必需的工具,文件系统类 Server 明确限定可访问目录。
  • 工具白名单 :Agent 侧对 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)。
  • 人在回路 :写操作、外部副作用操作强制二次确认。
  • 凭据隔离 :API Key 放在 Server 侧环境变量或密钥管理服务中,不进入模型上下文。
  • 输入校验 :把工具描述和返回值都视为不可信输入,防范通过工具返回内容注入指令。

六、给 Agent 选模型的实操建议

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:

  1. 工具调用准确率 :同一套 MCP 工具集下,比较各模型的函数选择正确率与参数填充完整度,这比通用榜单更能预测 Agent 表现。
  2. 长上下文稳定性 :多轮工具调用后,早期约束是否还被遵守。
  3. 单位任务成本 :不要只看单价,用”完成一个典型任务平均消耗多少 Token”来算真实成本。
  4. 协议与生态兼容 :是否原生支持 Function Calling、是否有成熟的 SDK 与 MCP 接入示例。

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。