在人工智能飛速發(fā)展的今天，LLM 的能力令人嘆為觀止，但其局限性也日益凸顯 —— 它們往往被困于訓(xùn)練數(shù)據(jù)的「孤島」，無法直接觸及實(shí)時信息或外部工具。

2024 年 11 月，Anthropic 推出了開源協(xié)議 MCP（Model Context Protocol，模型上下文協(xié)議），旨在為 AI 模型與外部數(shù)據(jù)源和工具之間的交互提供一個通用、標(biāo)準(zhǔn)化的連接方式。MCP 的開源性質(zhì)也迅速吸引了開發(fā)社區(qū)的關(guān)注，許多人將其視為 AI 生態(tài)系統(tǒng)標(biāo)準(zhǔn)化的重要一步。

MCP 的好處之一是它們能讓 AI 系統(tǒng)更安全。當(dāng)大家都能用到經(jīng)過嚴(yán)格測試的工具時，公司就不必「重復(fù)造輪子」，這樣既減少了安全隱患，也降低了惡意代碼出現(xiàn)的可能。

隨著 MCP 的逐漸普及，其影響力開始在行業(yè)內(nèi)顯現(xiàn)。2025 年 3 月 27 日，OpenAI 也開始支持 MCP 了。

谷歌似乎也在考慮是否加入 MCP 大家庭：

仔細(xì)看 MCP 的相關(guān)資料，會發(fā)現(xiàn)明顯存在信息斷層。雖然有很多解釋「它能做什么」的概述，但當(dāng)你真想了解它是「怎么運(yùn)作的」時，資料就變得稀少了 —— 特別是對非專業(yè)開發(fā)者來說。目前的資料不是過于表面的介紹，就是太過深奧的源代碼。

近日，一篇博客以淺顯易懂的方式講解了 MCP，讓各種背景的讀者都能理解它的概念和功能，讀者還可以跟著代碼進(jìn)行實(shí)踐。

博客鏈接：https://towardsdatascience.com/clear-intro-to-mcp/

讓我們跟隨博客一探究竟（注：本文代碼截圖可能不完整，詳見原文）。

通過類比理解 MCP：餐廳模型

首先，讓我們將 MCP 的概念想象成一家餐廳，其中：

• 主機(jī)（Host）＝餐廳建筑（智能體程序運(yùn)行的環(huán)境）
• 服務(wù)器（Server）＝廚房（工具發(fā)揮作用的地方）
• 客戶端（Client）＝服務(wù)員（發(fā)送工具請求的角色）
• 智能體（Agent）＝顧客（決定使用哪種工具的角色）
• 工具（Tools）＝食譜（被執(zhí)行的代碼）

現(xiàn)在，我們來看看這家餐廳的「崗位要求」：

主機(jī)（Host）

智能體運(yùn)行的環(huán)境。類比餐廳建筑，在 MCP 中，它是智能體或 LLM 實(shí)際運(yùn)行的位置。如果在本地使用 Ollama，用戶即為主機(jī)；若使用 Claude 或 GPT，則 Anthropic 或 OpenAI 為主機(jī)。

客戶端（Client）

負(fù)責(zé)從智能體發(fā)送工具調(diào)用請求的環(huán)境。相當(dāng)于將顧客訂單傳遞至廚房的服務(wù)員。實(shí)際上是智能體運(yùn)行的應(yīng)用程序或接口，客戶端通過 MCP 將工具調(diào)用請求傳遞給服務(wù)器。

服務(wù)器（Server）

類似廚房，存儲各種「食譜」或工具。集中管理工具，使智能體能夠便捷訪問。服務(wù)器可以是本地的（用戶啟動）或遠(yuǎn)程的（由提供工具的公司托管）。服務(wù)器上的工具通常按功能或集成方式分組，例如，所有 Slack 相關(guān)工具可集中于「Slack 服務(wù)器」，或所有消息工具可集中于「消息服務(wù)器」。這種組織方式取決于架構(gòu)設(shè)計和開發(fā)者偏好。

智能體（Agent）

系統(tǒng)的「大腦」，由大語言模型驅(qū)動，決定調(diào)用哪些工具完成任務(wù)。當(dāng)確定需要某工具時，向服務(wù)器發(fā)起請求。智能體無需原生理解 MCP，因?yàn)樗ㄟ^每個工具關(guān)聯(lián)的元數(shù)據(jù)學(xué)習(xí)使用方法。工具關(guān)聯(lián)的元數(shù)據(jù)指導(dǎo)智能體如何調(diào)用工具及執(zhí)行方式。需注意，平臺或智能體必須支持 MCP 才能自動處理工具調(diào)用，否則開發(fā)者需編寫復(fù)雜的轉(zhuǎn)換邏輯，包括從架構(gòu)解析元數(shù)據(jù)、以 MCP 格式形成工具調(diào)用請求、將請求映射至正確函數(shù)、執(zhí)行代碼，并以符合 MCP 的格式將結(jié)果返回給智能體。

工具（Tools）

執(zhí)行具體工作的函數(shù)，如調(diào)用 API 或自定義代碼。工具存在于服務(wù)器上，可以是：

• 用戶創(chuàng)建并托管在本地服務(wù)器的自定義工具
• 他人在遠(yuǎn)程服務(wù)器上托管的預(yù)制工具
• 他人創(chuàng)建但用戶在本地服務(wù)器托管的預(yù)制代碼

如何協(xié)同工作

下面詳細(xì)介紹 MCP 的具體工作流程：

服務(wù)器注冊工具：每個工具都需定義名稱、描述、輸入 / 輸出模式及函數(shù)處理程序（執(zhí)行代碼），并注冊到服務(wù)器。這一過程通常通過調(diào)用特定方法或 API，向服務(wù)器聲明「這是一個新工具及其使用方式」。

服務(wù)器暴露元數(shù)據(jù)：服務(wù)器啟動或智能體連接時，通過 MCP 協(xié)議暴露工具元數(shù)據(jù)（包括模式和描述）。

智能體發(fā)現(xiàn)工具：智能體通過 MCP 查詢服務(wù)器，了解可用工具集。智能體從工具元數(shù)據(jù)中學(xué)習(xí)如何使用每個工具。這一過程通常在系統(tǒng)啟動時或新工具添加時觸發(fā)。

智能體規(guī)劃工具使用：當(dāng)智能體確定需要某個工具（基于用戶輸入或任務(wù)上下文）時，會按照標(biāo)準(zhǔn)化的 MCP JSON 格式構(gòu)建工具調(diào)用請求，包含工具名稱、符合工具輸入模式的參數(shù)及其他必要元數(shù)據(jù)。客戶端作為傳輸層，通過 HTTP 將 MCP 格式的請求發(fā)送至服務(wù)器。

翻譯層執(zhí)行：翻譯層接收智能體的標(biāo)準(zhǔn)化工具調(diào)用（通過 MCP），將請求映射到服務(wù)器上對應(yīng)的函數(shù)，執(zhí)行該函數(shù)，將結(jié)果格式化回 MCP 格式，然后發(fā)送回智能體。抽象化 MCP 的框架可以完成所有這些工作，開發(fā)者無需編寫翻譯層邏輯（這聽起來是個令人頭疼的事情）。

MCP Brave 搜索服務(wù)器的 Re-Act 智能體代碼示例

為了理解 MCP 的實(shí)際應(yīng)用效果，我們可以使用 IBM 的 beeAI 框架，該框架原生支持 MCP 并為我們處理轉(zhuǎn)換邏輯。如果你計劃運(yùn)行這段代碼，你需要：

• 克隆 beeAI 框架倉庫以獲取此代碼中使用的輔助類： https://github.com/i-am-bee/beeai-framework ；
• 創(chuàng)建一個免費(fèi)的 Brave 開發(fā)者賬戶并獲取 API 密鑰（有免費(fèi)訂閱可用，需要信用卡）；
• 創(chuàng)建一個 OpenAI 開發(fā)者賬戶并生成 API 密鑰；
• 將你的 Brave API 密鑰和 OpenAI 密鑰添加到倉庫 Python 文件夾級別的 .env 文件中；
• 確保你已安裝 npm 并正確設(shè)置了路徑。

示例 .env 文件

示例 mcp_agent.ipynb

1. 導(dǎo)入必要的庫

2. 加載環(huán)境變量并設(shè)置系統(tǒng)路徑（如有需要）

3. 配置日志記錄器

4. 加載輔助函數(shù)如 process_agent_events、observer，并創(chuàng)建 ConsoleReader 實(shí)例

• process_agent_events：處理智能體事件并根據(jù)事件類型（如錯誤、重試、更新）將消息記錄到控制臺。它為每種事件提供有意義的輸出，以幫助跟蹤智能體活動。
• observer：監(jiān)聽來自發(fā)射器的所有事件，并將它們路由到 process_agent_events 進(jìn)行處理和顯示。
• ConsoleReader：管理控制臺輸入 / 輸出，允許用戶交互并通過帶有色彩編碼角色的方式顯示格式化消息。

5. 設(shè)置 Brave API 密鑰和服務(wù)器參數(shù)。

Anthropic 有一個 MCP 服務(wù)器列表：https://modelcontextprotocol.io/examples

6. 創(chuàng)建一個 Brave 工具，它將啟動與 MCP 服務(wù)器的連接，發(fā)現(xiàn)工具，并將發(fā)現(xiàn)的工具返回給智能體，以便它決定對于給定的任務(wù)應(yīng)該調(diào)用哪個工具。 

在此情況下，Brave MCP 服務(wù)器上可發(fā)現(xiàn) 2 個工具：

• brave_web_search：執(zhí)行帶分頁和過濾的網(wǎng)頁搜索
• brave_local_search：搜索本地商家和服務(wù)

（可選）檢查與 MCP 服務(wù)器的連接，并在將其提供給智能體之前確保它返回所有可用的工具。

輸出

7. 編寫創(chuàng)建智能體的函數(shù)

• 分配一個 LLM
• 創(chuàng)建一個 brave_tool () 函數(shù)的實(shí)例，并將其分配給 tools 變量
• 創(chuàng)建一個 re-act 智能體，并給它分配選擇的 llm、tools、內(nèi)存（以便它可以進(jìn)行持續(xù)的對話）
• 向 re-act 智能體添加系統(tǒng)提示

注意：您可能會注意到在系統(tǒng)提示詞中添加了一句話：「If you need to use the brave_tool you must use a count of 5.」這是一個臨時解決方案，因?yàn)樵?Brave 服務(wù)器的 index.ts 文件中發(fā)現(xiàn)了一個錯誤。用戶將為該倉庫貢獻(xiàn)代碼來修復(fù)它。

8. 創(chuàng)建主函數(shù)

• 創(chuàng)建智能體
• 與用戶進(jìn)入對話循環(huán)，并使用用戶提示和一些配置設(shè)置運(yùn)行智能體。如果用戶輸入「exit」或「quit」，則結(jié)束對話。

輸出:

MCP 憑借網(wǎng)絡(luò)效應(yīng)、標(biāo)準(zhǔn)化優(yōu)勢、降低開發(fā)成本和行業(yè)門檻以及增強(qiáng)互操作性，未來發(fā)展?jié)摿薮?。但它也面臨挑戰(zhàn)，包括工具發(fā)現(xiàn)依賴服務(wù)器、新增故障點(diǎn)、治理需求、安全考慮和延遲問題。

隨著技術(shù)的不斷發(fā)展，我們期待 MCP 能夠克服這些挑戰(zhàn)，充分發(fā)揮其潛力，為行業(yè)帶來更多價值。