随着大模型在各个行业的广泛应用，LLM 已经具备强大的生成与推理能力，但其在数据访问方面却受限于“数据孤岛”问题：

• 数据隔离：传统方法往往需要为每个数据源开发专门的连接器，导致开发成本高、维护繁琐。

• 安全隐患：直接将数据上传至云端或将模型运行在具有过高权限的环境中，都可能带来数据泄露风险。

为了解决上述问题，Anthropic 提出了 MCP 协议 。旨在统一大型语言模型（LLM）与外部数据源和工具之间的通信协议。MCP 的主要目的在于解决当前 AI 模型因数据孤岛限制而无法充分发挥潜力的难题，MCP 使得 AI 应用能够安全地访问和操作本地及远程数据，为 AI 应用提供了连接万物的接口。

MCP 的价值

在过去，AI 大模型要使用我们的数据，往往需要繁琐的复制粘贴或上传下载流程，极大影响了效率。即使是最强大的模型，也会因数据孤立而受限，形成“信息孤岛”。要让 AI 访问不同数据源，通常需要针对每个源单独定制集成方案，导致系统难以扩展，创新受阻。

MCP（Model-Connected Protocol）突破了这一局限，为 AI 和数据（包括本地数据和互联网数据）之间架起了高效、安全的桥梁。通过 MCP 服务器和 MCP 客户端，只要各方遵循这套协议，即可轻松实现数据互通，构建真正互联的 AI 生态。

借助 MCP，AI 可以无缝对接数据源、文件系统、开发工具、Web 浏览器自动化、生产力工具、通信平台以及各类社区生态，实现更强大的协作能力，极大提升工作效率与智能化水平。MCP 的价值不仅在于连接，更在于重塑 AI 交互方式，为未来智能时代奠定基础。

MCP 与 Function Calling 的区别

MCP 旨在让 AI 直接访问和操作数据、文件系统、工具、Web 自动化等各类资源，实现“万物互联”。它是一种开放的协议，强调 数据和系统的互联，解决数据孤岛问题。

Function Calling（函数调用）是大模型的一种 API 机制，允许开发者定义可调用的函数，让 AI 通过结构化调用这些函数执行具体任务（如获取天气、数据库查询、调用 API 等），强调模型与工具的集成。

MCP 更适用于需要数据访问、文件操作、Web 自动化和工具集成的复杂 AI 应用，提供更强的灵活性和扩展性。Function Calling 适用于特定任务的 API 调用，主要用于让 AI 结构化地调用外部功能，但扩展性和灵活性较 MCP 弱。

两者可以结合使用，MCP 解决数据互联，Function Calling 处理特定 API 任务，共同提升 AI 的能力。

MCP 核心架构

MCP（Model-Connected Protocol）采用客户端–服务器架构，将 AI 应用与数据、工具无缝对接，解决数据孤岛问题。除了基本的客户端、服务器和数据资源外，MCP 还定义了“工具（Tool）”、“提示（Prompt）”以及各种消息类型，用以规范通信流程和操作指令。其核心架构主要包含以下几个部分：

MCP Host（客户端）：这是承载 AI 应用的前端，如 Claude 桌面、IDE 或其它 AI 工具。Host 内部内置 MCP 客户端组件，负责与 MCP 服务器建立 1:1 连接，发送请求并接收响应。

MCP Server：作为轻量级的服务端程序，MCP 服务器通过统一的 MCP 协议向客户端暴露特定的功能（如数据访问、工具调用、提示信息等）。每个服务器可以连接不同的数据源或外部服务。

数据源/资源：MCP 服务器可访问两类数据源：

本地数据源：如文件、数据库、服务等，在用户计算机上存储和管理的数据。

远程服务：例如通过 Web API 获取的外部数据，这使得 AI 应用能够直接访问互联网数据。

下面是一张简单的示意图，展示了 MCP 各组件之间的关系：

如何使用 MCP

在 AI 项目中使用 MCP，通常可以分为以下几个主要阶段，每个阶段都有不同的重点和任务：

1 需求分析与规划

• 确定项目中需要集成的外部数据源、工具和服务（如文件系统、数据库、Web API 等）。

• 明确 AI 模型需要的上下文信息和执行操作的功能，从而评估 MCP 带来的优势。

2 设计与架构

• 规划 MCP 在系统中的角色：决定哪些部分由 MCP Client（集成在 AI 应用中）处理，哪些功能由 MCP Server（提供数据访问和工具调用）实现。

• 设计标准化的通信流程，包括工具调用、资源读取和提示复用，确保系统具备良好的扩展性和灵活性。

3 开发与集成

• 利用 MCP 提供的 SDK（支持 TypeScript、Python、Java、Kotlin 等）开发或定制 MCP 服务器，将各类数据源和外部服务对接到统一协议上。

• 在 AI 应用中嵌入 MCP 客户端，建立与服务器的一对一连接，实现数据请求和工具调用的自动化交互。

4 测试与调试

• 使用 MCP Inspector、日志工具等调试手段，验证客户端与服务器之间的通信是否稳定、工具调用是否准确。

• 对集成的各个功能模块进行单元和集成测试，确保在不同场景下都能正常运行。

5 部署与配置

• 将 MCP 服务器部署到生产环境（如云平台或本地服务器），并在客户端（例如 Claude Desktop 或自定义应用）中配置正确的 MCP 服务器地址及启动命令。

• 根据实际运行情况，调整配置参数以满足实时性、安全性和性能需求。

6 监控与维护

• 通过监控工具和日志管理，持续跟踪 MCP 系统的运行状态，及时发现和解决问题。

• 随着业务需求和数据源变化，不断扩展或更新 MCP 服务器的功能，保持系统的长期可维护性和扩展性。

这种分阶段的实施过程，既能充分利用 MCP 的标准化优势，又能灵活应对项目中各类数据和工具接入的复杂场景，为 AI 模型提供丰富且实时的上下文支持，从而提升整体智能化水平。

MCP Servers 价值不是浏览器自动化，而是利用 LLM 操作本地资源，例如，本地文件，数据库、git 等。想想 你不需要写复杂的 SQL 语句，通过自然语言描述就可以轻松完成本地数据库的操作。这种效率的提升是非常明显。

MCP能做什么

引入各种各样的MCP Sever能力，可以大大扩展一些AI工具的能力，比如我们常用的Cursor和Claude这些官方参考服务器展示了 MCP 核心功能和 SDK 的使用:

数据和文件系统

• 文件系统 - 具有可配置访问控制的安全文件操作

• PostgreSQL - 具有架构检查功能的只读数据库访问

• SQLite - 数据库交互和商业智能功能

• Google Drive - Google Drive 的文件访问和搜索功能

开发工具

• Git - 用于读取、搜索和操作 Git 仓库的工具

• GitHub - 仓库管理、文件操作和 GitHub API 集成

• GitLab - 支持项目管理的 GitLab API 集成

• Sentry - 从 Sentry.io 获取和分析问题

Web 和浏览器自动化

• Brave Search - 使用 Brave 的搜索 API 进行网络和本地搜索

• Fetch - 为 LLM 使用优化的网络内容获取和转换

• Puppeteer - 浏览器自动化和网页抓取功能

生产力和通信

• Slack - 频道管理和消息功能

• Google Maps - 位置服务、路线和地点详情

• Memory - 基于知识图谱的持久记忆系统

AI 和专业工具

• EverArt - 使用各种模型的 AI 图像生成

• Sequential Thinking - 通过思维序列进行动态问题解决

• AWS KB Retrieval - 使用 Bedrock Agent Runtime 从 AWS Knowledge Base 检索

MCP 协议作为一种开放标准，正在为 AI 系统与外部数据、工具之间的无缝集成提供全新的解决方案。通过标准化接口、内置安全机制和模块化架构，MCP 大大简化了数据集成流程，并为 AI 助手提供了更丰富、更实时的上下文信息。在选择 MCP 实现时，开发者应综合考虑开放性、生态支持、安全性、易用性和性能等多个因素，以满足不同业务场景下的需求。可以预见，随着生态系统的不断成熟，MCP 将在 AI Agent 时代中扮演越来越重要的角色，成为推动智能应用落地的重要基础设施。

• DeepSeek系列提示词工程和落地场景

• 大模型通用提示词技巧

• 研发交付智能体探索与落地实践

• AI Agent：基于大模型的自主智能体

• AI Agent应用开发经验

• AI Agent大模型应用中的关键作用

• 智能Agent在测试的实践与应用

最近比较受欢迎的文章

原文始发于微信公众号（CIO之家）：最近智能体Agent 圈很热的MCP是什么？