MCP，全称 Model Context Protocol（模型上下文协议）

MCP，全称 Model Context Protocol（模型上下文协议）。

如果你之前觉得 AI 只能“聊”，不能“做”，那 MCP 就是让它学会“做”的那套标准。你可以把它理解为给 AI 用的 USB-C 接口——有了它，AI 能插上你电脑里的文件、数据库、邮箱、GitHub，甚至是任何你能想到的外部工具[1][2]。

🧩 它到底解决了一个什么问题？

在 MCP 出现之前，AI 开发者面对的是一个“N × M 噩梦”[2]。

假设你有 3 个 AI 模型（Claude、GPT、Gemini），要连接 5 个工具（GitHub、Slack、数据库、文件系统、邮箱）。传统做法是：写 5 套代码，让每个工具能被 AI 调用；再把这 5 套代码分别适配 3 个模型。最终你写了 5 × 3 = 15 套互相不通用的“胶水代码”。每加一个新工具，工作量乘上去；每换一个新模型，之前的全白干。

MCP 的做法是：大家都只说一种“普通话”。工具方按照 MCP 标准写一个 MCP Server（相当于工具端的“插头”），AI 应用方按照 MCP 标准写一个 MCP Client（相当于设备端的“插座”）。于是，3 个模型 + 5 个工具，工作量从 15 套骤降到 3 + 5 = 8 套，而且以后加东西是线性的，不再爆炸[2]。

🏗️ 它的架构长什么样？

MCP 的架构遵循 Client-Host-Server 三层模型，可以想象成一个“翻译公司”的结构[3]。

Host（宿主应用）—— 公司老板：就是你用的那个 AI 应用，比如 Claude Desktop、Cursor IDE、ChatGPT 桌面版。它负责管理所有“翻译员”，决定要不要接某个工具，把握全局的安全和权限[3]。

Client（客户端）—— 翻译员：Host 内部的小组件，每个翻译员只对接一个外部的 MCP Server。它负责把 AI 的“想法”翻译成协议消息，再发出去[3]。

Server（服务端）—— 外部的专业机构：一个轻量级的程序，把某个外部系统的能力（比如你的 GitHub 仓库、本地的文件系统、公司的数据库）包装成 MCP 标准格式，通过 Client 提供给 AI[3]。

这个结构最大的好处是安全隔离：Server 看不到完整的对话历史，也看不到其他 Server 在干什么。每个 Server 只专注做自己那一件事[3]。

🧰 它对外提供什么能力？

MCP Server 能向 AI 暴露三种“东西”，也就是三大核心原语[4]%20Emergence,%20Technical%20Architecture,%20and%20the%20Future%20of%20Agentic%20AI%20Infrastructure.pdf#3#1)：

Tools（工具）—— 动词：可以让 AI 执行操作的函数。比如“发送一封邮件”、“在 GitHub 上创建一个 Issue”、“查询数据库”。这是最核心的能力，让 AI 从“只会说”变成“能动手”[4]%20Emergence,%20Technical%20Architecture,%20and%20the%20Future%20of%20Agentic%20AI%20Infrastructure.pdf#3#1)。

Resources（资源）—— 名词：可以让 AI 读取的数据。比如一个文件的内容、一条数据库记录、一个网页的截图。它提供的是“上下文信息”，让 AI 的回答有据可依[4]%20Emergence,%20Technical%20Architecture,%20and%20the%20Future%20of%20Agentic%20AI%20Infrastructure.pdf#3#1)。

Prompts（提示词）—— 模板：预置好的、可复用的交互模板。比如一个“代码审查”的提示词模板，引导 AI 按照固定的规范来工作[4]%20Emergence,%20Technical%20Architecture,%20and%20the%20Future%20of%20Agentic%20AI%20Infrastructure.pdf#3#1)。

📡 它是怎么“说话”的？

MCP 的“语言”是 JSON-RPC 2.0，一种非常成熟、简单的远程调用格式[5]。它规定了 AI 和工具之间交换消息的格式：请求（Request）、响应（Response）、通知（Notification）[5]。

这些消息要通过“路”来传输，目前有两条标准“路”[6][7]：

stdio（标准输入输出）：用于本地工具。MCP Server 就运行在你的电脑上，作为你 AI 应用的一个子进程。通信直接在进程间发生，快、简单，不需要网络。比如你电脑上的一个“文件读写工具”[7]。

Streamable HTTP：用于远程工具。MCP Server 运行在互联网上的某台服务器上。你的 AI 应用通过 HTTP 请求和 Server-Sent Events（SSE）流来跟它通信。比如一个部署在云端的“公司数据库查询服务”[6][8]。

🌍 为什么大家都在用它？

MCP 由 Anthropic 在 2024 年 11 月开源，但很快就不是它一家的了[1][9]。OpenAI、Google DeepMind、微软全都宣布支持，并且把它捐给了 Linux 基金会旗下的 Agentic AI Foundation 来管理，确保它是中立的行业标准，而不是某家公司的私有财产[1][2]。

到今天，公开的 MCP Server 已经有上万个，覆盖了从 GitHub、Slack、Notion 到 Postgres、Blender 甚至 3D 打印的几乎所有主流工具[1]。一个 AI 应用只要实现了 MCP Client，就等于一次性获得了连接所有这些工具的能力。

⚠️ 它也不是万能的

“AI 的 USB-C”这个比喻很贴切，但也要看到差距。USB-C 之所以能一统天下，背后有欧盟立法的强制力——不换 C 口不准卖。MCP 没有这种强制力，它靠的是开发者自愿和生态共识[1]。

所以它也面临一些真实的挑战：有的公司（比如 Perplexity）在尝鲜之后，因为性能或成本原因，又切回了自己定制的方案[1]。MCP 的“大一统”是一个正在发生的趋势，而不是一个已经完成的事实。

但它确实解决了一个真实的、普遍的、阻碍 AI 落地的问题。它让“连接”这件事从每个开发者都要重复造的轮子，变成了一个可以拿来就用的标准件。这本身就是巨大的进步。

[10]
[1]
[3]
[6]
[11]
[12]
[5]
[13]
[14]
[7]
[15]
[9]
[16]
[17]
[2]
[8]
[18]
[4]%20Emergence,%20Technical%20Architecture,%20and%20the%20Future%20of%20Agentic%20AI%20Infrastructure.pdf#3#1)

参考来源