当前位置：首页 > backend >正文

MCP详解

backend 2025/5/20 9:53:11

前言：AI能力跃迁的“最后一公里”

当前，大语言模型（LLMs）已展现出文本生成、逻辑推理等通用能力，但其与真实世界的交互仍存在瓶颈。传统模式下，开发者需为每个外部工具（如数据库、API、文件系统）编写定制化接口，导致开发周期长、兼容性差、安全风险高。而模型上下文协议（Model Context Protocol，MCP）的诞生，如同为AI应用装上了标准化的“USB-C接口”，实现了“即插即用”的跨系统交互能力。本文将从技术原理、核心价值到实战应用，深度解析这一革新性协议。

一、什么是MCP

MCP 起源于 2024 年 11 月 25 日 Anthropic 发布的文章：Introducing the Model Context Protocol。MCP （Model Context Protocol，模型上下文协议）定义了应用程序和 AI 模型之间交换上下文信息的方式。这使得开发者能够以一致的方式将各种数据源、工具和功能连接到 AI 模型（一个中间协议层），就像 USB-C 让不同设备能够通过相同的接口连接一样。MCP 的目标是创建一个通用标准，使 AI 应用程序的开发和集成变得更加简单和统一。

二、为什么要用MCP

出发点：更结构化的上下文信息对模型的 performance 提升是显著的，所以在构造 prompt 时，希望能提供一些更 specific 的信息给模型，便于模型理解真实场景中的问题。

在没有MCP的时代，LLM使用者需要自行手动将specific的信息拷贝出来，构建新的Prompt，然后提交给LLM总结使用。随着要解决的问题越来越复杂，手工引入的specific信息也会越来越多，人工粘贴构建成为LLM工具使用的效率瓶颈。

这也是后来许多 LLM 平台引入了 function call 功能的原因。function call允许模型在需要时调用预定义的函数来获取数据或执行操作，显著提升了自动化水平。

Function Call 是“工具增强”，让大模型突破自身限制，调用外部能力，但也有局限性。如一个 Agent 让LLM 调用工具，步骤如下：

（1）写好函数工具

开发者需要在本地写好函数工具，例如，如果想让LLM学会查询天气，我们需要在本地写好一个查询天气的函数

（2）写好函数的介绍（这个很关键）

LLM将会函数的介绍，理解函数的作用。函数介绍包括：函数的作用、参数的类型、参数的作用等。例如，DeepSeek的函数介绍格式如下：

tools = [{"type": "function","function": {"name": "get_weather","description": "Get weather of an location, the user shoud supply a location first","parameters": {"type": "object","properties": {"location": {"type": "string","description": "The city and state, e.g. San Francisco, CA",}},"required": ["location"]},}
}, ]

这是一个天气查询的函数，参数为location，LLM将会通过这些介绍，学会如何调用函数。

（3）解析响应，并在本地执行函数

若DeepSeek认为当前应该调用函数，则会输出参数的填写方式，格式如下：

{"message": {"role": "assistant","content": "","tool_calls": [{"index": 0,"id": "call 0_c2fd458f-b1e3-43a0-b76a-c9138e609678","type": "function","function": {"name": "get_weather","arguments": "{\"location\":\"Beijing\"}"}}]}
}

我们可以通过解析message中是的tool_calls字段，将DeepSeek给出的参数填写在函数中，并在本地执行函数。

（4）LLM根据运行结果进行总结并回复

最后把函数执行的结果反馈给DeepSeek，DeepSeek再整理执行结果，给出回复。