【通俗易懂说AI】大家都在说的MCP究竟是什么

在介绍什么是MCP之前，先来讲一个故事；在2022年12月左右，ChatGPT刚发布；网上的热度非常高，这确实是属于人工智能的iPhone时刻，当时我也注册了一个账号做了相关的体验，比如写日报、做计划之类的任务；

一方面发现确实比之前的小模型都要更聪明非常多，网上也有一些文章是关于如何使用ChatGPT提升工作效率、改变原有工作方法等。客观来说ChatGPT确实比之前的任何一个模型都聪明。

随之网上便出现了很多带课视频，知识星球上的一些博主们开始收割韭菜；

但那个时候由于模型训练知识的局限性，以及AI生态并没有得到建立，发现很多事情ChatGPT还是不能很好的解决，比如ChatGPT只是一个通用大模型，只具备一些API接口的接入，没有办法很好的跟本地电脑以及云端的存储去做一些很好的结合，于是那段时间我并没有更新相关的文章，主要是因为感觉普通人使用大模型的门槛还是很高。

图片来源网络

https://baijiahao.baidu.com/s?id=1766953650365184205&wfr=spider&for=pc

到现在我们发现，联网搜索解决了模型训练知识有截止时间的问题，RAG技术解决了部分场景下的幻觉问题以及支持垂直领域的知识库导入，在后面各种agent的出现，解决了更多场景下大模型的易用性问题；

什么叫易用性问题，通俗来讲就是之前的大模型怎么证明大模型很聪明，可以通过官方机构的一堆benchmark的测试得分，得分越高就越聪明

但普通人怎么使用大模型呢？最经常看到的场景就是对话，看谁的输出信息更多更丰富，但当我们想把这些聪明的大模型跟自己的工作流结合的时候，发现好像通过调用API也不能很好的结合，大模型在做的动作还是理解用户的输入，根据自己的训练数据，回答用户输入的相关问题；

于是我们看到了Dify跟Coze之类的平台出现，通过应用的编排实现用户的工作流，同时我们可以看到在Coze的智能体里面有一个属性叫“技能”，也就是给大模型外挂一个额外的工具，让大模型去调用用户给他外挂的工具。通过“技能”的叠加打通数据流。甚至之前的GPTs的应用都旨在让大模型解决一个更具体的应用。

https://www.coze.cn/open/docs/guides/agent_plugin

但这样子的方法未免太过于局限了，于是我们今天说的MCP出现了，它的出现解决了大模型应用程序跟外部数据源数据隔离的问题。通过文章下面的描述，我们可以更好地理解什么是MCP。

https://www.anthropic.com/news/model-context-protocol

再详细了解MCP之前，我们还是先回顾下我们使用大模型的目标，那必不可少的一条肯定是让大模型结合我们日常的工作流给我们的生活以及工作提效，那现在最大的问题是什么呢？

是大模型没有办法访问以及处理我本地或者云端的文件以及系统，让这些数据源跟大模型应用结合，成为大模型的数据源。

那这么说的话，其实就有点像接口，类比我们的现实世界，我们有很多接口，比如typec，microusb等，早期的设备各有各的不同接口，为了体现自己的独特性，但这几年我们也可以看到连苹果都换成了typec接口，说明接口的统一不但可以提升接口设备的通用性，更重要的意义更在于环保♻️。

https://myinnergie.com/tw/blog/understand-the-differences-between-usb-usb-c-lightning-in-3-mins/

那作为大模型世界的接口，肯定要借鉴前车之鉴，通用性肯定是MCP的设计目标之一，所以开源MCP的公司Anthropic的目标就是，构建一个AI通过单一、优雅的协议就能连接到任何数据源的世界，MCP就是其中的通用转换器。

https://www.caldigit.com/zh/usb-c-pro-dock-zh/

通过MCP的一次转换，让大模型可以连接上所有的数据源，实现“万物互联”。在没有大模型之前，我们需要对接一个外部数据的API就需要手动的编写API对接的代码实现对应API接口的对接，每个数据源的API各不一样，但现在有了MCP不一样了。

接下来了解下MCP的核心架构

MCP同样使用常见的客户端和服务端的CS架构，在这个架构里面有三个核心组件，分别是：

（1）MCP主机，需要访问外部数据的大模型应用程序，如Cursor、Claude Desktop等；

（2）MCP客户端，作为MCP主机跟MCP服务器通信的桥梁；

（3）MCP服务器，通过Python、Go以及java等编程语言公开的应用程序或者服务，为MCP 客户端提供上下文，Prompt等；

同时MCP支持两种通信模式，分别是STDIO （Standard Input/Output） 以及SSE（服务器发送事件）。其中STDIO使用本地输入/输出流，非常适合本地集成。SSE（服务器发送事件）通过 HTTP 工作，允许远程 AI 应用程序通过 SSE（服务器到客户端）和 POST（客户端到服务器）请求与 MCP 服务器交互。

MCP的服务端可以部署在云端或者本地，一个MCP主机可以连接到多个MCP服务端，但一个MCP的客户端只能同时跟一个MCP的服务端进行通信；

比如说用户需要大模型应用连接到GitHub，MCP的客户端连接到可以操作GitHub的MCP服务端，通过MCP的服务端连接并操作GitHub。

最后再调整下用户输入的方式，在这个智能体中我保持默认不变，功能实际上还支持语音输入接下来我们使用Cursor结合在GitHub上面开源的MCP服务器进行演示，本章采用的GitHub的项目地址是

https://github.com/wopal-cn/mcp-hotnews-server

根据GitHub上的描述得知，这是一个提供提供来自中国主要社交平台和新闻网站的实时热门话题的MCP服务器。

接下来我们来到Cursor软件中进行安装这个MCP服务器，如何进行Cursor的安装请参考官网

https://www.cursor.com/

点击Cursor的设置按钮，再继续点击Features页面，往下滑找到MCP Servers，点击Add new MCP server

根据GitHub上项目描述通过Command的命令进行安装

点击Add new MCP server之后在弹出的框中填写以下信息，如下图所示

npx -y @wopal/mcp-server-hotnews --config "{"sources":"[1,2,3,4,5,6,7,8,9]"}"

发现连接不上，于是换了smithery的命令

cmd /c npx -y @smithery/cli@latest run @wopal/mcp-server-hotnews --config "{}"

发现还是连接不上，显示failed to create client，后面上搜索引擎找了相关资料后发现可能是电脑没有安装nodejs，于是npx命令不生效，于是安装了nodejs之后，MCP服务器就可以连接上了；

这样子就实现了Cursor+MCP的工作流，具体MCP的效果对比将在下一篇文章中详细描述。

到此就简单了解了什么是MCP以及MCP可以跟IA应用程序如何做结合，下一篇文章将更深入写一个Cursor+MCP的工作流，帮助我们更快的提升工作效率。码字不易，请“赞”加“在看”，谢谢！

原文始发于微信公众号（Kali渗透测试教程）：【通俗易懂说AI】大家都在说的MCP究竟是什么