MCP 协议拆解：AI 工具对接为什么需要一套统一标准

核心洞察

MCP 想解决的问题其实很朴素：现在每个 AI 应用要接外部工具，都得自己写一套对接逻辑，接十个工具就写十套。MCP 把这个事标准化了，就像当年 USB-C 统一了充电口。但说实话，协议本身不复杂，复杂的是生态能不能跟上来。

---

MCP（Model Context Protocol，模型上下文协议）是一个开放协议，目标是让大语言模型应用和外部数据源、工具、服务之间的对接变得顺畅。你可以把它理解成 AI 世界里的 HTTP 协议，或者邮件系统里的 SMTP 协议。

它做的事情就是标准化模型和外部资源的交互方式，让 LLM 应用更好用、更灵活、也更容易扩展。

MCP 给 AI 应用生态定了一套统一的通信规则，开发者不用再为每个工具单独写对接代码。

核心结论

1. MCP（Model Context Protocol，模型上下文协议）是一个开放协议，目标是标准化大语言模型应用与外部数据源、工具、服务之间的对接方式，开发者无需再为每个工具单独编写对接代码。

2. MCP 采用 JSON-RPC 2.0MCP使用的消息格式，通过标准的请求、响应和通知消息进行通信。 作为消息格式，支持三种基本消息类型：请求、响应和通知；传输机制上支持本地的标准输入输出（Stdio）和基于 HTTP 的服务器发送事件（SSE）MCP支持的一种基于HTTP的传输机制。。

3. MCP 架构由四个关键部分组成：主机（Host）期望从服务器获取数据的人工智能应用，例如集成开发环境（IDE）、聊天机器人等。主机负责初始化和管理客户端、处理用户授权、管理上下文聚合等。、客户端（Client）主机与服务器之间的桥梁，与服务器保持一对一的连接，负责消息路由、能力管理、协议协商和订阅管理等。、服务器（Server）提供外部数据和工具的组件，通过工具、资源和提示模板为大型语言模型提供额外的上下文和功能。和基础协议（Base Protocol）定义主机、客户端和服务器之间如何通信，包括消息格式、生命周期管理和传输机制等。，其中客户端与服务器保持一对一连接，负责消息路由、能力管理和协议协商。

4. MCP 的生命周期分为初始化、运行和关闭三个阶段，确保连接的建立、通信和终止均符合协议规范。

5. MCP 的主要应用场景包括增强型问答系统、智能助手、知识管理和多轮对话；其主要优势是功能扩展、灵活性和开放性，缺点是存在复杂性及访问外部资源可能引入的额外性能开销。

MCP 的核心概念

MCP 的核心是模型上下文，也就是 LLM 在运行过程中需要用到的所有外部信息和工具。

MCP 定义了一套标准化接口和协议，让 LLM 能动态访问和集成这些东西：

1. 外部数据源：数据库、API、文档库等，给 LLM 提供实时或历史数据。
2. 工具和服务：计算工具、搜索引擎、第三方服务等，扩展 LLM 的能力边界。
3. 上下文管理：动态维护 LLM 的对话上下文，保证多轮对话的连贯性。

MCP 的架构

MCP 的架构由四个关键部分组成：

1. 主机（Host）：主机是想要从服务器获取数据的 AI 应用，比如 IDE、聊天机器人。它负责初始化和管理客户端、处理用户授权、管理上下文聚合。
2. 客户端（Client）：客户端是主机和服务器之间的桥梁。它和服务器保持一对一的连接，负责消息路由、能力管理、协议协商和订阅管理。客户端保证主机和服务器之间的通信清晰、安全、高效。
3. 服务器（Server）：服务器提供外部数据和工具。它通过工具、资源和提示模板给大语言模型提供额外的上下文和功能。比如一个服务器可以提供 Gmail、Slack 等外部服务的 API 调用。
4. 基础协议（Base Protocol）：基础协议定义了主机、客户端和服务器之间怎么通信，包括消息格式、生命周期管理和传输机制。

MCP 就像 USB-C，让不同设备通过相同的接口连在一起。

MCP 的工作原理

MCP 通过定义标准化的数据格式和通信协议，实现 LLM 和外部资源的交互。

它用 JSON-RPC 2.0 作为消息格式，通过标准的请求、响应和通知消息来通信。

传输机制上，MCP 支持本地的标准输入输出（Stdio）和基于 HTTP 的服务器发送事件（SSE）。

MCP 的生命周期分三个阶段：初始化、运行和关闭，保证连接的建立、通信和终止都符合协议规范。

工作流程是这样的：

1. 上下文请求

LLM 应用向外部资源发送上下文请求，包含所需的数据或服务类型。

• LLM 应用根据任务需求，向外部资源发送请求。
• 外部资源返回所需的数据或服务结果。

2. 上下文集成

LLM 应用把外部资源返回的上下文数据集成到模型中，用来生成响应或执行任务。

• LLM 应用将外部数据和模型内部知识结合，生成更准确或更丰富的响应。

3. 上下文管理

MCP 支持动态管理 LLM 的对话上下文，确保多轮对话的连贯性。

• 上下文管理器维护对话的历史记录和状态。
• LLM 应用根据上下文生成连贯的响应。

协议的关键部分：消息

MCP 的核心是用 JSON-RPC 2.0 作为消息格式，给客户端和服务器之间的通信提供一种标准化的方式。

基础协议定义了三种基本消息类型：请求、响应和通知。

1. 请求

请求消息用于从客户端向服务器发起操作，或者反过来。

请求消息的结构：

{
  "jsonrpc": "2.0",
  "id": "string | number",
  "method": "string",
  "params": {
    "[key: string]": "unknown"
  }
}

• jsonrpc：协议版本，固定为 “2.0”。
• id：请求的唯一标识符，可以是字符串或数字。
• method：要调用的方法名称，是一个字符串。
• params：方法的参数，可选的键值对对象，键是字符串，值可以是任意类型。

2. 响应

响应消息是对请求的答复，从服务器发到客户端，或者反过来。

响应消息的结构：

{
  "jsonrpc": "2.0",
  "id": "string | number",
  "result": {
    "[key: string]": "unknown"
  },
  "error": {
    "code": "number",
    "message": "string",
    "data": "unknown"
  }
}

• jsonrpc：协议版本，固定为 “2.0”。
• id：和请求中的 id 对应，用来标识响应属于哪个请求。
• result：请求成功时，result 字段包含操作结果，是一个键值对对象。
• error：请求失败时，error 字段包含错误信息：
  • code：错误代码，数字。
  • message：错误描述，字符串。
  • data：可选的附加错误信息，任意类型。

3. 通知

通知消息是单向的，不需要接收方回复。

通知消息的结构：

{
  "jsonrpc": "2.0",
  "method": "string",
  "params": {
    "[key: string]": "unknown"
  }
}

• jsonrpc：协议版本，固定为 “2.0”。
• method：要调用的方法名称，字符串。
• params：方法的参数，可选的键值对对象。

说明

• 请求和响应：一对一。客户端发请求，服务器返回响应。id 字段用来关联两者。
• 通知：单向。发送方不等接收方回复，通常用于事件推送或状态更新。
• 错误处理：请求失败时，响应里会带 error 字段，提供错误代码和描述，帮开发者定位问题。

MCP 的关键特性

1. 标准化接口：定义统一的接口和协议，保证 LLM 和外部资源的兼容性。
2. 动态集成：支持 LLM 动态访问和集成外部数据源和工具。
3. 上下文感知：支持动态管理对话上下文，提升多轮对话的连贯性。
4. 开放性和可扩展性：支持第三方开发者为 LLM 应用扩展功能和资源。

MCP 的应用场景

MCP 主要用在下面这些场景：

1. 增强型问答系统：集成外部数据源，提供实时、准确的答案。
2. 智能助手：集成工具和服务，执行复杂任务（预订、计算、搜索等）。
3. 知识管理：集成文档库和数据库，提供专业领域的知识支持。
4. 多轮对话：通过上下文管理，实现连贯的多轮对话。

MCP 的优缺点

优点：

1. 功能扩展：集成外部资源，扩展 LLM 应用的功能。
2. 灵活性：支持动态访问和集成多种数据源和工具。
3. 开放性：标准化协议支持第三方开发和集成。

缺点：

1. 复杂性：需要设计和维护与外部资源的交互逻辑。
2. 性能开销：访问外部资源可能引入额外延迟。

MCP 的替代方案

某些场景下可以用这些替代方案：

1. 自定义 API：为 LLM 应用开发自定义的 API 接口。
2. 插件机制：用插件机制扩展 LLM 应用的功能。
3. 知识图谱：通过知识图谱集成外部知识。

常见问题（FAQ）

MCP 和 HTTP 协议有什么区别？

MCP 是 AI 领域的开放协议，类似 HTTP 但专为 LLM 设计。HTTP 用于网页通信，MCP 标准化模型与外部数据源、工具和服务的交互，让 LLM 动态集成上下文，提升灵活性和扩展性。

MCP 的架构包括哪些部分？

MCP 架构由四部分组成：主机（AI 应用）、客户端（通信桥梁）、服务器（提供数据和工具）和基础协议（定义通信规则）。它们协同工作，实现模型与外部资源的无缝连接。

MCP 有哪些实际应用场景？

MCP 主要用于增强型问答系统、智能助手、知识管理和多轮对话。通过集成外部数据源和工具，它能提供实时答案、执行复杂任务，并确保对话连贯性。