AI 智能体
概念解析——MCP 模型上下文协议
MCP——Model Context Protocol,模型上下文协议——是 Anthropic 2024 年 11 月提出的一套公开规范。它的目标只有一个:让 AI 应用和外部工具、数据源之间,用同一种格式说话。Claude、ChatGPT、VS Code、Cursor 都在用,2026 年生态已经接近一万个公开可用的工具 server。
1. MCP 是什么
先看一个具体问题。你同时用三款 AI 工具——Claude Desktop、Cursor、VS Code——每款都要访问 GitHub、本地文件、Slack。没有统一标准之前,三款工具 x 三个服务 = 9 套适配代码要写。再加一个 Notion,就变成 4 x 3 = 12 套。
MCP 解决的就是这个问题。工具方(GitHub、Notion、Sentry)各自写一个
MCP 不依赖特定厂商。规范是开源的,任何人都能照着实现,不用问 Anthropic 要授权。Python 和 TypeScript SDK 第一天就同步发布。
2025 年 12 月,Anthropic 把 MCP 捐给了 Linux Foundation Agentic AI Foundation,治理从"一家说了算"变成了跨厂商基金会托管。Google DeepMind、Microsoft Copilot、Gemini agent framework、LangGraph 都内置了 MCP client。
2. 为什么会出现 MCP
MCP 出来之前,function calling 已经跑了两年。2023 年 6 月 OpenAI 把 function calling 塞进 chat completion API,模型第一次有了"我想调用这个 tool"的结构化输出能力。但 schema 是 OpenAI 自己的格式,Anthropic 和 Google 后来各自发了一套。同一个工具,要给三家分别写一遍。
ChatGPT Plugins 试过用 OpenAPI manifest 担纲统一标准,2024 年中悄悄停了。碎片化的局面需要一次拍板。
MCP 1.0 发布
Anthropic 开源一套完整规范,写明谁扮演谁、消息长什么样、工具清单怎么拉。Claude Desktop 首发支持。任何人都能照着实现。
Streamable HTTP + OAuth 2.1
工具可以放在云上了,不用只跑本机。OpenAI 同一天宣布 ChatGPT 桌面端和 API 都支持 MCP——碎片化的局面开始逆转。
官方注册表上线
registry.modelcontextprotocol.io 由 Anthropic、GitHub、PulseMCP、Microsoft 共同维护的元数据注册表上线,给下游聚合器一个标准上游。
捐给 Linux Foundation
治理变为多厂商基金会托管。Google DeepMind 此前已接入,Microsoft Copilot 系列、Gemini agent framework、LangGraph 都内置 MCP client。
Stateless RC
协议核心去 session 化,握手步骤简化,server 可以做无状态。各家客户端继续跟上——Claude、ChatGPT、Goose、VS Code 都能跑 server 端 UI。
3. 三个角色:Host / Client / Server
MCP 把世界切成三个角色,这是协议里唯一允许的角色组合。
MCP Host(宿主)
用户面前那个跑 LLM 的 AI 应用。它运行模型、渲染对话 UI、管理用户授权、决定何时让 client 去拉工具列表。真实例子:Claude Desktop、Cursor、VS Code + Copilot、ChatGPT Desktop、Cline、Windsurf、Zed。
MCP Client(连接器)
Host 进程里跟一个 server 一对一配对的连接对象,用户看不到,藏在 host 里。一个 Claude Desktop 启动时会拉起 6-8 个 client。它负责握手、转发 JSON-RPC 调用、处理 server 主动推的通知。
MCP Server(服务方)
暴露三类能力的进程(可读数据、可执行函数、提示模板)。谁连都行,可以同时给 N 个 client 用(远程模式)。真实例子:@modelcontextprotocol/server-github、Sentry、Notion、Figma、Linear——或者你自己用 50 行 Python 写的小 server。
Client 和 server 之间的连接方式在规范里叫
4. Server 端的三种能力
一个 MCP server 能暴露三种东西给 host,规范里叫
Resources(可读数据)
Server 把文件、数据库行、URL 内容暴露给 host 读取,不能执行动作。每个 resource 有 uri(唯一标识)、name(人类可读的名字)和 mimeType。Client 通过 resources/list 拉清单,用 resources/read 读内容。
resources/list 返回 {"resources":[{"uri":"file:///work/notes.md","name":"notes.md","mimeType":"text/markdown"}]}resources/read 返回完整文件内容。模型只能读,不能改。
Tools(可执行函数)
Server 暴露的函数,模型可以填参数后让 host 调用。每个 tool 有 name(在该 server 内唯一)、inputSchema(JSON Schema,给模型生成参数用)和 annotations(readOnlyHint、destructiveHint 等)。Client 通过 tools/list 拉清单,用 tools/call 执行。GitHub 官方 server 提供了 51 个工具。
Prompts(模板化提示)
Server 端写好的提示模板,host 替用户把它注入对话。每个 prompt 有 name、arguments(渲染参数)和 messages(返回的 role+content 数组)。Client 用 prompts/list 拉清单,用 prompts/get 获取渲染结果。
5. 一次调用的真实线缆
两边来回发的消息格式叫 JSON-RPC 2.0——就是一条 JSON 问、一条 JSON 答。走本机管道(stdio)或走网络(HTTP)。
以 GitHub server 为例,一次完整的握手 + 调用 create_issue 大概 7 条消息:
Step 1: Client 发 initialize,报版本号 + 自己支持哪些能力。
{"protocolVersion":"2025-11-25","capabilities":{"sampling":{},"roots":{"listChanged":true}},"clientInfo":{"name":"Claude Desktop","version":"0.9"}}
Step 2: Server 回 initialize result,报自己支持 tools / resources / prompts 三类。
Step 3: Client 发 notifications/initialized,握手收尾。
Step 4: Client 发 tools/list(带 cursor: null),拉一遍工具清单。客户端会缓存这份清单,挂在模型 system prompt 后面。
Step 5: Server 返 tools/list result,一口气返 51 个 tool——每个带 name、description、inputSchema。
Step 6: 模型决定调 create_issue,host 把它装成 tools/call JSON-RPC 发过去。
{"name":"create_issue","arguments":{"repo":"acme/app","title":"build fails"}}
Step 7: Server 返 tools/call result,带 content(给人/模型看)+ structuredContent(给下游 agent 解析)。
6. 2026 年的 MCP 生态
四大公开注册表(PulseMCP 15.9k、官方 Registry 2k、Smithery 7.3k、mcp.so 19.7k)去重后约 9,400 个公开 server。2026 上半年增速没掉,每月还在多几千个——真的有人在用,不是炒概念。
几个数字:官方 SDK 月下载量超过 9700 万次(Kopern 2026-04);Sentry MCP server 月处理 6000 万次请求,5000+ 组织在用;主流 AI 应用(Claude、ChatGPT、VS Code、Cursor、Cline、Windsurf、Zed、Goose)全部接了 MCP。
最常见的 server 类别:
- 开发工具:GitHub(51 个 tool)、Filesystem(11 个 tool)、Brave Search(2 个 tool)
- 数据与数据库:Postgres、Stripe(23 个 tool)、SQLite
- 通信与协作:Slack、Notion(19 个 tool)、Linear(13 个 tool)
- 监控观测:Sentry(18 个 tool,6000 万月请求)、Datadog(14 个 tool)
- 设计与浏览器:Figma(14 个 tool)、Playwright(21 个 tool)
你可以用一行命令跑一个 server:
npx -y @modelcontextprotocol/server-filesystem ~/worknpx -y @playwright/mcpnpx -y @datadog/mcp-server-datadog
7. MCP 跟 Function Calling 不在一层
"MCP vs FC"是个错命题。它俩不在一层。
Function Calling 是模型告诉 host"我要调用 create_issue"——这是模型与 host 之间的事。FC 只解决"模型说意图"这件事,不管谁去执行。
MCP 是 host 拿着那段意图,跑去问一个 server"create_issue 怎么调""能不能给我返个 issue id"——这是 host 与 tool 之间的事。
可以这样理解:FC 管模型怎么开口要工具;MCP 管程序怎么连上工具、把调用送过去、把结果拿回来。两个都要用——host 内部用某家 FC,要接外部工具就走 MCP。
至于其他相关协议:ChatGPT Plugins(2024 年中停掉,OpenAI 转向 MCP);UTCP(Universal Tool Calling Protocol,2025 末出现,不建中间 server,直接读 API manual,跟 MCP 各有所长);Google 的 Agent2Agent(A2A,管 agent 之间委托任务,跟 MCP 正交——多 agent 系统两个都要用)。
8. 相邻概念
MCP 不是一个孤立的协议。它在 AI Agent 体系中和以下概念紧密相关:
- AI Agent:MCP 是 agent 调用外部工具的标准化通道,agent 循环中的"行动"环节靠它接通外部世界。
- 函数调用(Function Calling):MCP 的上游——模型先通过 FC 表达调用意图,MCP 负责把这个意图传递到工具。
- 工具使用(Tool Use):MCP 是工具使用的标准化实现方案之一,让模型不需要为每个工具写定制适配。
- 记忆系统:Agent 的长短期记忆数据可以通过 MCP resource 暴露给模型,实现持久化上下文。