你为你的AI助手集成了一个Slack服务。这花了你一周时间完成了OAuth流程、消息解析、错误处理、速率限制。它运行良好。你的团队非常喜欢它。然后首席技术官问“我们也能把它集成到 ChatGPT 里吗”不同的 SDK不同的认证模型不同的工具架构。又过了一周。然后有人想把它集成到 Cursor 里接着是 Gemini。四个工具四个自定义集成四项维护工作。你竟然写了四遍同样的 Slack 连接器。这就是 N×M 问题。N 个工具乘以 M 个 AI 模型这种架构的。每个构建生产系统的 AI 团队都遇到过这个问题。MCP 就是解决方案。花费一个下午把 Slack 连接器重写成 MCP 服务器。两个模型都立即识别到了它。下面就来解释它的工作原理以及为什么所有主流 AI 公司都在一年内采用了它。先概括下MCP模型上下文协议是一种开放标准它为AI模型提供了一种连接外部工具和数据的通用方式。一个MCP服务器即可连接所有AI模型。可以把它想象成AI版的USB-C。它解决了集成爆炸的问题。无需为每个模型-工具组合构建自定义连接器只需为每个工具构建一个 MCP 服务器所有支持 MCP 的模型都可以使用它。该架构包含三个角色主机您的AI应用程序、客户端管理连接和服务器提供工具。通信通过JSON-RPC进行。接下来详细看下。在 MCP 出现之前使用函数调用要了解 MCP 的重要性你需要了解它所取代的东西。函数调用也称为工具使用是让语言学习模型 (LLM) 能够执行更多操作而不仅仅是生成文本的机制。您可以定义一个函数用 JSON 模式描述其参数然后模型会决定何时调用它。“东京天气如何”会触发天气 API 调用。“帮我预订航班”会触发预订函数。AI Agent就是在“思考-行动-观察”循环的过程中使用工具获取结果。函数调用是可行的。正因如此AI Agent才能真正执行操作而不仅仅是只会输出文字建议。但它存在一个结构性问题。每个AI提供商实现函数调用的方式都不同。OpenAI有自己的tool_choice参数和并行函数调用。Anthropic有自己的工具使用格式。Google又有一套不同的架构。如果你为OpenAI API构建一个天气工具它就无法在Claude上运行。如果你为Claude构建一个天气工具它也无法在Gemini上运行。尽管函数功能相同但连接方式却完全不同。这是USB-C时代之前的世界。你的手机充电器插不进笔记本电脑笔记本电脑的充电器也插不进平板电脑。每台设备每根线缆都存在兼容性问题。为什么函数调用存在很大问题我们用具体数字来说明。假设你的公司使用 5 个内部工具Slack、GitHub、Jira、内部文档、生产数据库并且你想让 3 个 AI 模型Claude、GPT、Gemini访问这些工具。这意味着需要 15 个自定义集成。每个集成都需要独立的身份验证处理、模式转换和错误管理。当工具或模型更新其 API 时每个集成都会失效。当扩展到真正的企业级规模后。20 种工具。4 种模型。80 个集成。由一支更愿意专注于开发产品功能的团队维护。问题接踵而至重复代码。“搜索 Jira 工单”的逻辑无论哪个模型调用都相同。但你却写了三遍因为每个模型都期望不同的包装器。脆弱性。Jira更新 API 时你先修复了一个集成然后是另外两个。接着你发现第三个集成两周前就悄无声息地失效了但是却没人发现这个问题因为这个模型只在周五使用。不能发现新功能。每个集成都是一个硬编码到应用程序中的定制 JSON 模式。模型无法浏览可用工具、阅读其文档也无法了解其功能除非您手动在系统提示符中列出所有函数。没有状态。函数调用是即用即弃的。模型调用函数获取响应但与工具之间没有持久关系。对于简单的查找操作来说这没问题。但对于多步骤工作流例如“在 Jira 中查找 bug从 GitHub 拉取相关的 PR检查修复是否已部署”你需要自己将这些无状态调用拼接起来。注意:MCP 并不会取代函数调用而是对其进行标准化。您的 LLM 底层仍然使用工具调用。MCP 的意义在于每个工具您只需定义一次所有模型都可以用相同的方式调用它。您可以将函数调用比作电气标准例如 110V 与 220V将 MCP 比作插头形状例如 USB-C。MCP 使插头通用化。如果你的应用只使用一个模型和三个工具函数调用就足够了。MCP 会增加架构复杂性需要运行服务器、管理连接以及进行安全审计。只有当 N 和 M 都大于 1 且持续增长时N×M 问题才会真正显现出来。对于一个只与一个模型交互的内部工具来说MCP 属于过度设计。直接使用函数调用即可。MCP的工作原理MCP 的出现正是因为解决了这些问题。每个工具、每个模型都采用一套协议、一种集成方式。该架构具有三个角色USB-C 的类比映射非常合适。主机就是你的AI应用比如Claude Desktop、Cursor、ChatGPT、VS Code搭配Copilot。用USB-C接口来类比它就像你的笔记本电脑需要连接各种设备。客户端位于主机内部负责管理 MCP 连接。它处理身份验证、将请求路由到正确的服务器并管理会话生命周期。这就是 USB-C 端口。一个端口多种线缆。服务器通过以下三个基本方式公开特定的工具或数据源工具模型可以执行的操作。“发送 Slack 消息。”“创建 Jira 工单。”“查询数据库。”资源模型可以读取的数据。“此文件的内容。”“#engineering 频道中的最新 50 条消息。”“此数据库的模式。”提示可重用的模板整合了用于常见工作流程的工具和资源。“总结今天的 Slack 活动并创建站会报告。”该协议本身使用 JSON-RPC 2.0。如果您使用过语言服务器协议为 VS Code 中所有编程语言提供自动补全功能的基础协议那么 MCP 正是直接受其启发而设计的。理念相同使用一个协议来规范一类应用程序与一类工具之间的连接方式。以下是用 Python 编写的最小 MCP 服务示例from mcp.server import Serverimport mcp.types as typesserver Server( weather )server.list_tools()async def list_tools ():return [types.Tool(name get_weather ,description 获取城市当前天气 ,inputSchema{type : object ,properties : {city : { type : string }},required : [ city ]})]server.call_tool()async def call_tool ( name: str , arguments: dict ):if name get_weather :# 在这里编写实际的天气 API 调用return f {arguments[ city ]}中的天气72°F晴朗就是这样。这个服务器兼容 Claude、ChatGPT、Cursor、Gemini 以及任何未来支持 MCP 协议的型号。你只需要写一次。MCP 规范大量借鉴了语言服务器协议 (LSP)后者解决了编辑器中编程语言支持的 N×M 难题。在 LSP 出现之前每个编辑器都需要为每种语言定制插件。LSP 出现后语言服务器可以通用。MCP 将同样的模式应用于 AI 工具集成。如果您正在构建服务器那么官方规范值得一读。谁能使用它所有人MCP不再是Anthropic公司的协议而是整个行业的协议。发布仅12个月OpenAI、谷歌和微软就都采用了它。2025年12月Anthropic将MCP捐赠给了Linux基金会旗下的Agentic AI基金会该基金会由Anthropic与OpenAI和Block共同创立。截至2026年初MCP的SDK月下载量已达9700万次拥有数万个社区构建的服务器并且在ChatGPT、Claude、Cursor、Gemini、Copilot和VS Code等工具中均有原生支持。The New Stack杂志称其为科技史上普及速度最快的协议之一。可能出现的问题哪些方面被过度炒作MCP 的普及速度令人瞩目但其安全性方面也存在巨大风险。1. 工具投毒攻击。攻击者可以将隐藏指令嵌入 MCP 工具的元数据中这些指令对用户不可见但会被 AI 模型使用。在受控测试中当AI Agent启用自动批准功能时工具投毒攻击的成功率高达 84% 。这种攻击甚至不需要调用被投毒的工具。只需将其加载到上下文中模型就能执行其中隐藏的指令。OWASP 发布了针对 MCP 的十大安全漏洞报告来应对这一问题。2. 该生态系统尚不成熟。43 % 的公共 MCP 服务器存在命令注入漏洞。热门软件包 mcp-remote 中的一个严重 OAuth 漏洞 (CVE-2025-6514) 在修复前影响了超过 55.8 万次安装。社区已构建了数万台服务器但质量参差不齐。需要像对待浏览器扩展程序一样对待 MCP 服务器仅安装所需组件并确保其来自可信来源同时定期进行审核。3. 上下文窗口的成本是隐藏的。你连接的每个 MCP 服务器都会将其工具定义添加到模型的上下文窗口中。连接 10 个服务器每个服务器 5 个工具那么在用户开口之前你已经消耗了相当于 50 个工具描述的令牌。Cursor 正是出于这个原因将工具数量限制在 30 个。Cloudflare 的“代码模式”方法即代理按需发现工具而不是预先加载所有定义据称可以节省 98% 的令牌但会增加延迟。MCP 的确是一项重要的基础设施。该协议解决了一个实际问题其普及程度也证明了这一点。但是“用于人工智能的 USB-C”这种说法虽然朗朗上口却低估了其安全漏洞。USB-C 并不会让你的手机充电器读取你笔记本电脑的文件系统而 MCP 服务器却可以而且确实拥有这种访问权限。这种便利性与风险之间的平衡仍在权衡之中。MCP 并不会让 AI 模型更智能也不会提升推理能力或减少幻觉。它的作用在于让后续集成变得免费。第一个 MCP 服务器只需花费一个下午的时间第二个只需一个小时而第十个则完全免费因为每个模型都已经支持该协议。这才是真正的变革不是更强大的 AI而是即插即用的 AI。
啥是MCP
发布时间：2026/7/29 17:21:07
你为你的AI助手集成了一个Slack服务。这花了你一周时间完成了OAuth流程、消息解析、错误处理、速率限制。它运行良好。你的团队非常喜欢它。然后首席技术官问“我们也能把它集成到 ChatGPT 里吗”不同的 SDK不同的认证模型不同的工具架构。又过了一周。然后有人想把它集成到 Cursor 里接着是 Gemini。四个工具四个自定义集成四项维护工作。你竟然写了四遍同样的 Slack 连接器。这就是 N×M 问题。N 个工具乘以 M 个 AI 模型这种架构的。每个构建生产系统的 AI 团队都遇到过这个问题。MCP 就是解决方案。花费一个下午把 Slack 连接器重写成 MCP 服务器。两个模型都立即识别到了它。下面就来解释它的工作原理以及为什么所有主流 AI 公司都在一年内采用了它。先概括下MCP模型上下文协议是一种开放标准它为AI模型提供了一种连接外部工具和数据的通用方式。一个MCP服务器即可连接所有AI模型。可以把它想象成AI版的USB-C。它解决了集成爆炸的问题。无需为每个模型-工具组合构建自定义连接器只需为每个工具构建一个 MCP 服务器所有支持 MCP 的模型都可以使用它。该架构包含三个角色主机您的AI应用程序、客户端管理连接和服务器提供工具。通信通过JSON-RPC进行。接下来详细看下。在 MCP 出现之前使用函数调用要了解 MCP 的重要性你需要了解它所取代的东西。函数调用也称为工具使用是让语言学习模型 (LLM) 能够执行更多操作而不仅仅是生成文本的机制。您可以定义一个函数用 JSON 模式描述其参数然后模型会决定何时调用它。“东京天气如何”会触发天气 API 调用。“帮我预订航班”会触发预订函数。AI Agent就是在“思考-行动-观察”循环的过程中使用工具获取结果。函数调用是可行的。正因如此AI Agent才能真正执行操作而不仅仅是只会输出文字建议。但它存在一个结构性问题。每个AI提供商实现函数调用的方式都不同。OpenAI有自己的tool_choice参数和并行函数调用。Anthropic有自己的工具使用格式。Google又有一套不同的架构。如果你为OpenAI API构建一个天气工具它就无法在Claude上运行。如果你为Claude构建一个天气工具它也无法在Gemini上运行。尽管函数功能相同但连接方式却完全不同。这是USB-C时代之前的世界。你的手机充电器插不进笔记本电脑笔记本电脑的充电器也插不进平板电脑。每台设备每根线缆都存在兼容性问题。为什么函数调用存在很大问题我们用具体数字来说明。假设你的公司使用 5 个内部工具Slack、GitHub、Jira、内部文档、生产数据库并且你想让 3 个 AI 模型Claude、GPT、Gemini访问这些工具。这意味着需要 15 个自定义集成。每个集成都需要独立的身份验证处理、模式转换和错误管理。当工具或模型更新其 API 时每个集成都会失效。当扩展到真正的企业级规模后。20 种工具。4 种模型。80 个集成。由一支更愿意专注于开发产品功能的团队维护。问题接踵而至重复代码。“搜索 Jira 工单”的逻辑无论哪个模型调用都相同。但你却写了三遍因为每个模型都期望不同的包装器。脆弱性。Jira更新 API 时你先修复了一个集成然后是另外两个。接着你发现第三个集成两周前就悄无声息地失效了但是却没人发现这个问题因为这个模型只在周五使用。不能发现新功能。每个集成都是一个硬编码到应用程序中的定制 JSON 模式。模型无法浏览可用工具、阅读其文档也无法了解其功能除非您手动在系统提示符中列出所有函数。没有状态。函数调用是即用即弃的。模型调用函数获取响应但与工具之间没有持久关系。对于简单的查找操作来说这没问题。但对于多步骤工作流例如“在 Jira 中查找 bug从 GitHub 拉取相关的 PR检查修复是否已部署”你需要自己将这些无状态调用拼接起来。注意:MCP 并不会取代函数调用而是对其进行标准化。您的 LLM 底层仍然使用工具调用。MCP 的意义在于每个工具您只需定义一次所有模型都可以用相同的方式调用它。您可以将函数调用比作电气标准例如 110V 与 220V将 MCP 比作插头形状例如 USB-C。MCP 使插头通用化。如果你的应用只使用一个模型和三个工具函数调用就足够了。MCP 会增加架构复杂性需要运行服务器、管理连接以及进行安全审计。只有当 N 和 M 都大于 1 且持续增长时N×M 问题才会真正显现出来。对于一个只与一个模型交互的内部工具来说MCP 属于过度设计。直接使用函数调用即可。MCP的工作原理MCP 的出现正是因为解决了这些问题。每个工具、每个模型都采用一套协议、一种集成方式。该架构具有三个角色USB-C 的类比映射非常合适。主机就是你的AI应用比如Claude Desktop、Cursor、ChatGPT、VS Code搭配Copilot。用USB-C接口来类比它就像你的笔记本电脑需要连接各种设备。客户端位于主机内部负责管理 MCP 连接。它处理身份验证、将请求路由到正确的服务器并管理会话生命周期。这就是 USB-C 端口。一个端口多种线缆。服务器通过以下三个基本方式公开特定的工具或数据源工具模型可以执行的操作。“发送 Slack 消息。”“创建 Jira 工单。”“查询数据库。”资源模型可以读取的数据。“此文件的内容。”“#engineering 频道中的最新 50 条消息。”“此数据库的模式。”提示可重用的模板整合了用于常见工作流程的工具和资源。“总结今天的 Slack 活动并创建站会报告。”该协议本身使用 JSON-RPC 2.0。如果您使用过语言服务器协议为 VS Code 中所有编程语言提供自动补全功能的基础协议那么 MCP 正是直接受其启发而设计的。理念相同使用一个协议来规范一类应用程序与一类工具之间的连接方式。以下是用 Python 编写的最小 MCP 服务示例from mcp.server import Serverimport mcp.types as typesserver Server( weather )server.list_tools()async def list_tools ():return [types.Tool(name get_weather ,description 获取城市当前天气 ,inputSchema{type : object ,properties : {city : { type : string }},required : [ city ]})]server.call_tool()async def call_tool ( name: str , arguments: dict ):if name get_weather :# 在这里编写实际的天气 API 调用return f {arguments[ city ]}中的天气72°F晴朗就是这样。这个服务器兼容 Claude、ChatGPT、Cursor、Gemini 以及任何未来支持 MCP 协议的型号。你只需要写一次。MCP 规范大量借鉴了语言服务器协议 (LSP)后者解决了编辑器中编程语言支持的 N×M 难题。在 LSP 出现之前每个编辑器都需要为每种语言定制插件。LSP 出现后语言服务器可以通用。MCP 将同样的模式应用于 AI 工具集成。如果您正在构建服务器那么官方规范值得一读。谁能使用它所有人MCP不再是Anthropic公司的协议而是整个行业的协议。发布仅12个月OpenAI、谷歌和微软就都采用了它。2025年12月Anthropic将MCP捐赠给了Linux基金会旗下的Agentic AI基金会该基金会由Anthropic与OpenAI和Block共同创立。截至2026年初MCP的SDK月下载量已达9700万次拥有数万个社区构建的服务器并且在ChatGPT、Claude、Cursor、Gemini、Copilot和VS Code等工具中均有原生支持。The New Stack杂志称其为科技史上普及速度最快的协议之一。可能出现的问题哪些方面被过度炒作MCP 的普及速度令人瞩目但其安全性方面也存在巨大风险。1. 工具投毒攻击。攻击者可以将隐藏指令嵌入 MCP 工具的元数据中这些指令对用户不可见但会被 AI 模型使用。在受控测试中当AI Agent启用自动批准功能时工具投毒攻击的成功率高达 84% 。这种攻击甚至不需要调用被投毒的工具。只需将其加载到上下文中模型就能执行其中隐藏的指令。OWASP 发布了针对 MCP 的十大安全漏洞报告来应对这一问题。2. 该生态系统尚不成熟。43 % 的公共 MCP 服务器存在命令注入漏洞。热门软件包 mcp-remote 中的一个严重 OAuth 漏洞 (CVE-2025-6514) 在修复前影响了超过 55.8 万次安装。社区已构建了数万台服务器但质量参差不齐。需要像对待浏览器扩展程序一样对待 MCP 服务器仅安装所需组件并确保其来自可信来源同时定期进行审核。3. 上下文窗口的成本是隐藏的。你连接的每个 MCP 服务器都会将其工具定义添加到模型的上下文窗口中。连接 10 个服务器每个服务器 5 个工具那么在用户开口之前你已经消耗了相当于 50 个工具描述的令牌。Cursor 正是出于这个原因将工具数量限制在 30 个。Cloudflare 的“代码模式”方法即代理按需发现工具而不是预先加载所有定义据称可以节省 98% 的令牌但会增加延迟。MCP 的确是一项重要的基础设施。该协议解决了一个实际问题其普及程度也证明了这一点。但是“用于人工智能的 USB-C”这种说法虽然朗朗上口却低估了其安全漏洞。USB-C 并不会让你的手机充电器读取你笔记本电脑的文件系统而 MCP 服务器却可以而且确实拥有这种访问权限。这种便利性与风险之间的平衡仍在权衡之中。MCP 并不会让 AI 模型更智能也不会提升推理能力或减少幻觉。它的作用在于让后续集成变得免费。第一个 MCP 服务器只需花费一个下午的时间第二个只需一个小时而第十个则完全免费因为每个模型都已经支持该协议。这才是真正的变革不是更强大的 AI而是即插即用的 AI。
