AI

每天吃透一个AI知识点_MCP

Posted Cola🌀

转载：小红书 AI产品赵哥

前言🔖

你有没有发现，现在的 AI 大模型（比如 ChatGPT、Claude）虽然很聪明，但它们都有一个共同的痛点：它们像是一个被锁死在浏览器窗口里的大聪明。

  • 🧐 你问它：“帮我查查我昨天写的那个 Google 文档里关于预算的部分。” 它两手一摊：“对不起，我访问不了你的 Google 文档。”
  • 🧐 你让它：“帮我分析一下我在本地电脑上存的那个 CSV 表格。” 它无奈地说：“请你先把文件上传给我。”
  • 🧐 你想让它：“直接去我的数据库里查一下上个月的销售数据。” 它只能摇头：“我连不上你的数据库。”

痛点就在于：大模型很强，但你的数据很散。你的数据分散在Google Drive、Slack、Notion、本地硬盘、公司数据库等各个角落。要让大模型用到这些数据，你需要一个个去开发连接器（Integrations）。这就像是给每一种家电都要配一种专门的插座，很麻烦，且割裂。

为了解决这个问题，Anthropic 站出来了：“我们需要一个标准！我们需要一个 AI 界的 USB 接口！”

于是，MCP (Model Context Protocol，模型上下文协议) 诞生了。

　　

一、啥是 MCP？🔖

💡 MCP 是一个开放的标准协议，它规定了 AI 模型（如 Claude）应该如何与外部的数据源和工具（如 Google Drive, Slack, 数据库）进行沟通和连接。

🔹1. 没有 MCP 的世界：乱成一锅粥

在 MCP 出现之前，如果你想开发一个能让 Claude 访问你的 Google Drive 的应用，你需要：

  • 去读 Google Drive 的 API 文档。
  • 写一套专门的代码，把 Google Drive 的数据格式，转换成 Claude 能看懂的 Prompt（提示词）。
  • 如果明天你想换成让 ChatGPT 访问 Google Drive？对不起，代码得重写，因为 ChatGPT 的接口不一样。
  • 如果你想让 Claude 访问 Slack？对不起，代码得重写，因为 Slack 的 API 不一样。

这是一个很费劲的活儿：n 个大模型，乘以 m 个数据源，你需要写n∗m种不同的连接代码。

　　

🔹2. 有了 MCP 的世界：一插即用

MCP 就像是 USB 接口。

  • USB 协议规定了：不管你是鼠标、键盘、打印机还是 U 盘，只要你符合 USB 标准，插到电脑上就能用。
  • MCP 协议规定了：不管你是 Google Drive、Slack 还是本地文件系统，只要你把自己封装成一个MCP 服务（MCP Server），** 任何支持 MCP 的 AI 客户端（MCP Client，如 Claude Desktop App）** 都能直接连接你、读取你的数据、使用你的功能。

从此，n × m 的灾难，变成了 n + m 的优雅。数据源只需要开发一次 MCP Server，就能被所有支持 MCP 的 AI 模型使用。

　　

二、MCP 的构成 —— Client、Server、Host

要理解 MCP 是怎么工作的，我们需要拆解它的三个主要角色。这有点像我们在餐厅点菜的过程。

🔹1. MCP Host（宿主）：那个 “点菜的 APP”

MCP Host 是发起连接的程序。目前最典型的 Host 就是 Claude Desktop App（Claude 的桌面客户端），或者像 Cursor 这样的 IDE。

  • 角色：它是用户直接交互的界面。它负责管理各种连接，把用户的需求转发给大模型，并把大模型生成的指令转发给 MCP Server。
  • 大白话：它就像是你手机上的外卖 APP。你在这个 APP 里操作，APP 负责去联系各个商家。

　　

🔹2. MCP Client（客户端）：APP 里的调度员

Client 通常是嵌在 Host 内部的一个模块。它负责与 MCP Server 建立通过，维持连接（通常是一对一的连接）。

  • 角色：它维持与 Server 的对话通道，把 “我们要查数据” 的请求发过去，把 Server 发回来的 “这是数据” 的响应接回来。

　　

🔹3. MCP Server（服务器）：具体的商家

这是最关键的部分。每一个想要被 AI 访问的数据源，都需要把自己封装成一个 MCP Server。

  • 角色：它守着自己的那一亩三分地儿（比如本地文件夹、Google Drive）。
  • 能力：它通过 MCP 协议，向外暴露三种核心能力（这被称为 MCP 的三大支柱，我们后面细说）：
    • a. 资源 (Resources)：我有什么数据？
    • b. 提示 (Prompts)：你应该怎么问我？
    • c. 工具 (Tools)：我能帮你干什么活？
  • 大白话：
    • 一个 “Google Drive MCP Server” 会告诉 Client：“我有读取文档的能力（资源），你可以让我搜文件（工具）。”
    • 一个 “本地文件 MCP Server” 会告诉 Client：“我有访问你 D 盘的能力，你可以让我读取 txt 文件。”

　　

🔹整个流程是这样的：

  1. 你在 Claude 桌面版（Host）里说：“帮我分析 D 盘那个 report.txt。”
  2. Claude 桌面版里的 MCP Client，找到了正在运行的 “本地文件 MCP Server”。
  3. Client 通过 MCP 协议发指令：“好嘞，我要读 report.txt。”
  4. Server 去 D 盘读到了内容，通过 MCP 协议传回给 Client。
  5. Client 把内容喂给 Claude 大模型。
  6. Claude 分析完，把结果展示给你。

全程你不需要写一行代码，也不需要上传文件，一切都在本地或安全的链接中自动完成。

　　

三、MCP Server 的三大能力 —— Resources、Prompts、Tools🔖

MCP 协议之所以强大，是因为它不仅仅是传数据，它还定义了 AI 与世界交互的三种标准模式。这就像是它规定了三种握手姿势。

🔹1. Resources（资源）：像读文件一样读世界

这是最基础的模式。它把所有的数据，都抽象成了 “文件”。

  • 定义：Server 向 Client 暴露一系列可被读取的数据块。
  • 抽象：
    • 你的数据库记录，可以被抽象成一个 Resource。
    • 你的API 返回的 JSON，可以被抽象成一个 Resource。
    • 你的系统日志，可以被抽象成一个 Resource。
  • 好处：对于大模型来说，它不需要知道这是个 SQL 数据库还是 API，它只需要知道这里有个东西可以读，就像读一个文本文件一样简单。
  • 实时性：Resources 支持订阅机制（Subscribe）。这意味着，如果数据库里的数据变了，Server 可以主动推给 Client，让 AI 实时知道数据更新了。

　　

🔹2. Prompts（提示）：把专家经验固化下来

这是为了解决提示词工程（Prompt Engineering）太难的问题。

  • 痛点：要让 AI 用好一个复杂的工具（比如代码分析工具），用户通常需要写很长、很专业的提示词。普通用户根本写不出来。
  • MCP 的解法：Server 的开发者（最懂这个工具的人），可以把最佳的提示词模板（Prompt Template）直接写在 Server 里，通过 MCP 暴露给用户。
  • 具象过程：
    • 一个 “代码分析 MCP Server” 可以提供一个叫 analyze-bug 的 Prompt。
    • 用户在 Claude 里不需要写 “请你作为一个资深程序员，检查这段代码……”，只需要选择 analyze-bug 这个指令。
    • Claude 就会自动加载 Server 里预设好的那段完美的提示词，用户只需要填入代码片段即可。
  • 意义：这让专家经验可以像软件功能一样被分发和复用。

　　

🔹3. Tools（工具）：让 AI 有手有脚

  • 它让 AI 从只能看变成了可以动。
  • 定义：Server 暴露一些可执行的函数，并告诉 AI 这些函数是干嘛的、需要什么参数。
  • 流程：
    • a. AI（大模型）分析用户的意图，发现需要干活。
    • b. AI 查看当前连接的 MCP Server 里有哪些 Tools。
    • c. AI 决定调用某个 Tool，并生成需要的参数（比如 search_files(query="budget")）。
    • d. Client 把这个调用请求发给 Server。
    • e. Server 执行真正的代码（比如去调 Google API，或者去执行一个 Python 脚本）。
    • f. Server 把执行结果（比如 “找到了 3 个文件……”）返回给 AI。
    • g. AI 根据结果生成最终回答。
  • 安全性：MCP 协议在设计时非常注重安全。Tools 的执行通常需要 Human-in-the-loop（用户确认），防止 AI 自作主张删了你的文件。

　　

四、为什么 MCP 是 AI 时代的 HTTP？🔖

你可能会问：“这不就是 API 吗？或者 OpenAI 的 Plugins 吗？有什么了不起？”

但其实，MCP 的野心和格局，远不止于此。

🔹1.去中心化与本地优先 (Local-First)

  • OpenAI 的 Plugins，通常要求你把数据传到云端，或者服务必须部署在公网上。
  • MCP 天生支持本地运行。你可以把一个 MCP Server 跑在你自己的笔记本上，通过标准输入输出（stdin/stdout）和 Claude 桌面版通信。
  • 这意味着：你的隐私数据（如本地代码库、私人日记）永远不出你的电脑，就能被 AI 处理。这对于企业应用和隐私敏感用户来说，是杀手级的优势。

　　

🔹2. 统一的标准，打破生态壁垒

  • 在此之前，LangChain 有自己的工具标准，AutoGPT 有自己的，OpenAI 有自己的。开发者疲于奔命。
  • Anthropic 推出 MCP，并将其开源，意在建立一个中立的、跨平台的标准。如果这个生态做起来，以后你写一个 MCP Server，就能同时服务于 Claude、ChatGPT、Llama 等所有模型。

　　

🔹3. 上下文的流动

  • MCP 的全称是 Model Context Protocol。它强调的是上下文（Context）的注入。
  • 通过 MCP，你的 IDE（如 Cursor）可以把当前打开的文件、光标的位置、报错的日志，全部打包成 Context，喂给 AI。AI 不再是一个瞎子，它能精准地感知到你当前的工作现场。

　　

五、实战 —— 如何拥有一个 MCP 系统？🔖

对于普通用户和开发者，现在怎么玩 MCP？

🔹对于普通用户:

  1. 下载 Claude Desktop App（目前仅支持 macOS 和 Windows）。
  2. 你需要安装一些 MCP Servers。
    • Anthropic 官方提供了一些示例 Servers（如 Google Drive，Postgres，Filesystem）。
    • 这通常需要一点点命令行的操作（比如配置一个配置文件 claude_desktop_config.json）。
  3. 配置好后，重启 Claude App，你就会发现那个回形针图标下，多出了很多能力。你可以直接问它：“查查我电脑里关于旅行的笔记”。

　　

🔹对于开发者:

  1. Anthropic 提供了 TypeScript SDK 和 Python SDK。
  2. 你可以很容易地把你的内部工具封装成一个 MCP Server。
    • 比如，你们公司有一个内部的员工查询系统。你写几十行 Python 代码，用 MCP SDK 包装一下，它就变成了一个 Server。
    • 然后，全公司的同事用 Claude 时，都能直接查员工信息了。
  3. 你还可以利用 Smithery 这样的平台，它像是一个 “MCP Server 的应用商店”，你可以从中发现和安装各种现成的 Server。