MCP 协议：AI 时代的 “万能转接头”，从 “手动粘贴” 到 “万能接口”：MCP 协议如何重构 AI 工具调用规则？

注：此文章内容均节选自充电了么创始人，CEO兼CTO陈敬雷老师的新书《GPT多模态大模型与AI Agent智能体》（跟我一起学人工智能）【陈敬雷编著】【清华大学出版社】

清华《GPT多模态大模型与AI Agent智能体》书籍配套视频课程【陈敬雷】

GPT多模态大模型与AI Agent智能体系列八十

MCP 协议：AI 时代的 “万能转接头”，从 “手动粘贴” 到 “万能接口”：MCP 协议如何重构 AI 工具调用规则？

一、MCP协议：AI时代的“万能转接头”

当你还在为让AI调用本地文件、查询实时天气而手动复制粘贴信息到提示词时，一种名为MCP的协议已经悄然改写了AI与外部世界交互的规则。

MCP（Model Context Protocol，模型上下文协议）是Anthropic（Claude母公司）在2024年11月提出的标准化协议，核心目标是让AI模型能以统一的方式调用外部工具、访问数据源，就像USB-C接口让不同设备能通过同一标准连接一样。它的出现并非偶然——而是AI从“对话助手”向“自主Agent”进化的必然结果。

二、为什么需要MCP？从痛点到破局

在MCP诞生前，AI与工具的交互长期存在三大痛点，让开发者和用户都备受困扰。

1. Agent开发的“三座大山”

• 耦合度高：工具开发者必须深入了解Agent内部实现，工具代码与Agent逻辑深度绑定，调试一次工具可能要修改整个Agent架构。
• 复用性差：同个“查询天气”工具，在OpenAI的function call里要按JSON-Schema格式写，在Google模型里又要适配另一种参数规范，跨语言复用更是天方夜谭。
• 生态碎片化：不同平台的工具如同“孤岛”，OpenAI的工具无法直接给Claude用，开发者被迫为每个模型重复开发工具。

2. Function Call的“先天局限”

为解决手动粘贴信息的问题，LLM平台曾推出function call（函数调用）功能，但它的短板明显：

• 平台锁定：OpenAI与Google的function call接口不兼容，切换模型就得重写代码。
• 静态僵化：工具定义是固定的，无法动态更新；交互是“一次性”的，难以支持复杂流程。
• 安全风险：调用外部工具时，敏感数据可能全程上传，隐私难以保障。

MCP的出现正是为了打破这些困局。它像一个“中间协议层”，让工具开发者专注于工具功能，Agent开发者专注于业务逻辑，两者通过标准化接口协作，彻底实现“工具分层”。

三、MCP是什么？重新定义AI与世界的交互

1. 核心定位：AI的“能力扩展协议”

MCP的本质是AI模型与外部资源交互的通用标准，它让AI能获取三类关键上下文：

• Tools（工具）：可执行的功能（如查询天气、操作文件）；
• Resources（资源）：本地数据、数据库等数据源；
• Prompts（提示词）：可复用的提示模板和工作流程。

无论你用的是Claude、GPT还是其他模型，只要支持MCP，就能调用同一套工具——这彻底终结了“模型换了，工具全废”的尴尬。

2. 与Function Call的本质区别

维度	MCP	Function Call
定义	模型与外部集成的标准接口（含工具、资源、提示词）	模型与外部系统的静态函数调用
协议	基于JSON-RPC，支持双向通信、动态更新	基于JSON-Schema，静态固定
调用方式	Stdio（本地）/SSE（远程）/同进程调用	同进程函数调用
适用场景	动态、复杂的多工具协作流程	单一、静态的工具调用
工程化程度	高（标准化、可扩展）	低（碎片化、平台依赖）

简单说，Function Call是“点对点的单线电话”，而MCP是“支持多方通话、随时插话的智能总机”。

3. 从“前后端分离”看MCP的价值

早期Web开发中，前端代码与后端逻辑混在一起（如JSP、PHP），维护成本极高；直到AJAX、RESTful API推动“前后端分离”，才实现高效协作。

MCP正在AI领域复刻这一变革：

• 工具开发者=“后端”：专注工具功能，输出标准化接口；
• Agent开发者=“前端”：无需关心工具实现，直接组合工具构建应用。

这种分工让AI应用开发效率提升数倍——就像搭积木一样，开发者只需组合现成的MCP工具，就能快速搭建复杂Agent。

四、MCP如何工作？拆解核心架构与通信流程

1. 三大核心组件：Host、Client、Server

MCP采用“客户端-服务器”架构，三者协同完成工具调用：

• Host（主机）：AI应用本身（如Claude Desktop、Cursor），负责接收用户问题并与LLM交互；
• Client（客户端）：运行在Host内，负责与MCP Server通信，解析工具调用需求；
• Server（服务器）：提供具体工具/资源，执行实际操作（如文件服务器、天气API服务器）。

举个例子：当你用Claude Desktop问“我桌面有哪些文件？”时：

1. Host（Claude Desktop）接收问题并传给Claude模型；
2. 模型判断需要调用文件工具，Host激活MCP Client；
3. Client连接文件系统MCP Server，请求扫描桌面；
4. Server执行操作并返回结果，Client将结果回传给模型；
5. 模型整理结果，通过Host反馈给你。

2. 动态通信：从“握手”到“调用”

MCP的通信核心是动态服务发现与适配机制（Capability Exchange），类似“握手协议”：

1. 能力交换：Client发送请求，Server返回自身支持的工具、资源列表（如“我能查天气，需要经纬度参数”）；
2. 确认连接：Client确认支持后，建立通信通道；
3. 工具调用：Client根据LLM需求，调用Server的具体工具，获取结果。

通信方式有两种：

• Stdio：通过本地标准输入输出流通信，适合同一设备内的工具调用（如操作本地文件）；
• SSE（Server-Sent Events）：基于HTTP的远程通信，Server通过长连接推送结果，Client通过POST发送请求，适合跨设备调用（如查询远程天气API）。

3. SSE通信流程详解

以远程调用天气工具为例，SSE通信分四步：

1. 建立连接：Client访问http://xxx/sse，Server返回专用消息端点（如/messages?session_id=xxx）；
2. 初始化：Client向端点发送初始化请求，确认协议版本、客户端信息；
3. 工具调用：Client请求“获取工具列表”，Server返回可用工具（如get_forecast需经纬度）；Client再调用get_forecast，传入参数；
4. 结果返回：Server执行后，通过SSE推送天气数据，Client将结果回传给LLM。

整个过程是双向异步的，Server能实时推送更新，Client也能随时中断或调整调用——这比function call的“一次性请求”灵活得多。

五、如何使用MCP？从用户到开发者的全指南

1. 普通用户：零代码扩展AI能力

如果你用的是Claude Desktop、Zed等支持MCP的客户端，只需简单配置就能用上现成工具：

• 打开客户端的MCP设置，添加官方推荐的Server（如文件系统工具filesystem）；
• 直接向AI发指令，如“把这篇诗保存到桌面”，AI会自动请求权限并调用工具执行。

官方提供的Awesome MCP Servers列表里，有文件操作、日历管理、代码运行等上百种工具，开箱即用。

2. 开发者：快速搭建MCP Server

要开发自定义工具（如BMI计算、企业内部数据查询），只需用MCP SDK（支持Python等语言）编写Server：

# 示例：计算BMI的MCP Server
from mcp.server.fastmcp import FastMCPmcp = FastMCP("BMI计算器")@mcp.tool()  # 用装饰器定义工具
def calculate_bmi(weight_kg: float, height_m: float) -> float:"""根据体重（kg）和身高（m）计算BMI"""return weight_kg / (height_m **2)if __name__ == "__main__":mcp.run()  # 启动Server，默认监听本地端口

启动后，Claude等客户端就能发现并调用这个工具，无需关心底层通信细节。

3. LLM如何“决定用哪个工具”？

MCP的巧妙之处在于，它让LLM通过提示工程自主选择工具：

1. Client将所有工具的描述（名称、功能、参数）整理成文本，放入系统提示词；
2. LLM分析用户问题，结合工具描述判断是否需要调用工具；
3. 若需要，LLM输出标准化JSON（如{"tool": "calculate_bmi", "arguments": {"weight_kg": 60, "height_m": 1.7}}）；
4. Client解析JSON，调用对应工具，将结果回传给LLM；
5. LLM整理结果，生成自然语言回答。

例如，当你问“我60公斤，1.7米，BMI是多少？”，LLM会从工具描述中找到calculate_bmi，调用后返回“你的BMI约为20.8，属于正常范围”。

六、MCP生态与未来：从“玩具”到“生产级”

1. 当下生态：从小众尝试到厂商入局

目前MCP生态还在快速成长，已有不少实用工具和支持平台：

• 客户端：Claude Desktop、Zed（IDE）、Cursor（AI编辑器）等；
• Server资源：文件系统工具、天气API、代码运行器等，可在Awesome MCP Servers获取；
• 厂商支持：Cloudflare、Zapier等提供托管服务，接入一个端点即可使用一批工具。

对个人用户来说，用Claude调用本地文件、用Zed在编辑器里让AI运行代码，已经是触手可及的体验。

2. 未来方向：三大关键升级

根据MCP官方路线图，未来将聚焦三点：
-** 远程MCP支持 ：引入鉴权、服务发现、无状态服务，适配K8S架构，满足生产级扩展需求；
- Agent能力强化 ：支持更复杂的工作流，优化人机交互，让Agent能处理多步骤任务；
- 开发者生态扩张 **：吸引更多厂商参与，丰富工具库，比如地图厂商接入后，Agent能直接提供生活服务导航。

值得关注的是，MCP正计划用“Streamable HTTP”替代SSE，解决远程通信的延迟和状态管理问题，更适配云服务场景。

3. 应用场景：从个人到企业的潜力

-** 个人场景 ：快速扩展AI能力，比如让Claude管理本地文件、自动生成周报，无需写代码；
- 开发场景 ：用现成工具搭建复杂Agent，比如“邮件解析→数据查询→生成报告”的自动化流程；
- 企业场景 **：通过本地MCP Server调用内部数据库，避免敏感数据上传，同时标准化工具调用流程。

七、总结：MCP为何是AI工具调用的未来？

MCP的价值，本质是给AI与世界的交互定了“通用语言”。它解决了function call的平台锁定、工具碎片化问题，让AI从“封闭的黑盒”变成“开放的生态”。

对用户来说，它降低了使用门槛——无需技术背景，就能让AI调用各种工具；对开发者来说，它简化了开发流程——工具与Agent解耦，复用率大幅提升；对行业来说，它推动了标准化——不同模型、工具、平台能协同工作，加速AI应用落地。

从“手动粘贴信息”到“AI自主调用工具”，MCP正在改写AI的能力边界。或许在不久的将来，当你用AI处理任务时，根本不会在意它调用了哪个工具、用了哪个模型——因为MCP已经让这一切变得无缝而自然。

更多技术内容

更多技术内容可参见
清华《GPT多模态大模型与AI Agent智能体》书籍配套视频【陈敬雷】。
更多的技术交流和探讨也欢迎加我个人微信chenjinglei66。

总结

此文章有对应的配套新书教材和视频：

【配套新书教材】
《GPT多模态大模型与AI Agent智能体》（跟我一起学人工智能）【陈敬雷编著】【清华大学出版社】
新书特色：《GPT多模态大模型与AI Agent智能体》（跟我一起学人工智能）是一本2025年清华大学出版社出版的图书，作者是陈敬雷，本书深入探讨了GPT多模态大模型与AI Agent智能体的技术原理及其在企业中的应用落地。
全书共8章，从大模型技术原理切入，逐步深入大模型训练及微调，还介绍了众多国内外主流大模型。LangChain技术、RAG检索增强生成、多模态大模型等均有深入讲解。对AI Agent智能体，从定义、原理到主流框架也都进行了深入讲解。在企业应用落地方面，本书提供了丰富的案例分析，如基于大模型的对话式推荐系统、多模态搜索、NL2SQL数据即席查询、智能客服对话机器人、多模态数字人，以及多模态具身智能等。这些案例不仅展示了大模型技术的实际应用，也为读者提供了宝贵的实践经验。
本书适合对大模型、多模态技术及AI Agent感兴趣的读者阅读，也特别适合作为高等院校本科生和研究生的教材或参考书。书中内容丰富、系统，既有理论知识的深入讲解，也有大量的实践案例和代码示例，能够帮助学生在掌握理论知识的同时，培养实际操作能力和解决问题的能力。通过阅读本书，读者将能够更好地理解大模型技术的前沿发展，并将其应用于实际工作中，推动人工智能技术的进步和创新。

【配套视频】

清华《GPT多模态大模型与AI Agent智能体》书籍配套视频【陈敬雷】
视频特色： 前沿技术深度解析，把握行业脉搏

实战驱动，掌握大模型开发全流程

智能涌现与 AGI 前瞻，抢占技术高地

上一篇：《GPT多模态大模型与AI Agent智能体》系列一》大模型技术原理 - 大模型技术的起源、思想
下一篇：DeepSeek大模型技术系列五》DeepSeek大模型基础设施全解析：支撑万亿参数模型的幕后英雄