MCP

基本介绍

官方地址：

• https://modelcontextprotocol.io/introduction
  “MCP 是一种开放协议，旨在标准化应用程序向大型语言模型（LLM）提供上下文的方式。可以把 MCP 想象成 AI 应用程序的 USB-C 接口。就像 USB-C 提供了一种标准化的方式，让你的设备能够连接各种外设和配件一样，MCP 也提供了一种标准化的方式，让 AI 模型能够连接不同的数据源和工具。”

● MCP 主机（MCP Hosts）：像 Claude Desktop、IDE 或 AI 工具等程序，它们希望通过 MCP 访问数据。
● MCP 客户端（MCP Clients）：维护与服务器 1:1 连接的协议客户端。
● MCP 服务器（MCP Servers）：轻量级程序，它们通过标准化的模型上下文协议（Model Context Protocol）公开特定的功能。
● 本地数据源（Local Data Sources）：你的计算机上的文件、数据库和服务，MCP 服务器可以安全地访问这些数据。
● 远程服务（Remote Services）：通过互联网可用的外部系统（例如 API），MCP 服务器可以与其连接。

https://www.anthropic.com/news/model-context-protocol

社区也在积极推进：

• https://github.com/modelcontextprotocol

为什么

官方给的选择理由：
MCP 帮助您在 LLM 之上构建智能体和复杂的工作流。LLM 经常需要与数据和工具集成，而 MCP 提供：
● 越来越多的预构建集成，您的 LLM 可以直接接入
● 在不同的 LLM 提供商和供应商之间灵活切换的能力
● 在您的基础设施内保护数据的最佳实践

对比FC

MCP 本质上是 通过 JSON 的标准，将工具的能力、参数等描述清楚，在和大模型对话的时候，传递到上下文中。
而 Function Call 是需要 LLM 支持的，比如在 DeepSeek-R1 中，开源版本不支持 Function Call 的，所以此时我们实现的功能就会受到限制。
Function Call 主要用于扩展模型的功能，使其能执行任务，而 Model Context Protocol (MCP) 主要用于维持对话上下文，增强模型的个性化和记忆能力。
两者互补，使得 AI 既能高效执行任务，又能保持对话连贯性。

这里呢，我生成了一个表格来进行对比：

应用场景

● 智能代码编辑器 (IDE)： 与文件系统、版本控制、包管理器和文档集成，以实现更丰富的上下文感知和代码建议 。
● 智能助手和生产力工具： 使 AI 助手能够访问日历、电子邮件、文档和其他个人或企业数据，以执行诸如安排日程、总结信息和管理工作流程等任务 。
● 增强的数据分析平台： 允许 AI 自主发现并与多个数据库、数据可视化工具和模拟进行交互，以进行复杂的数据分析 。 提到 AI2SQL 是使用 MCP 进行 AI 驱动数据查询的一个例子。
● 用于特定任务的自定义 AI 代理： 构建专门的 AI 代理，可以利用特定的工具和数据源来自动化客户支持、财务和运营等领域的任务 。

我怎么看

接触了这么多 LLM、Agent，很多时候大模型只是充当一个衔接的能力，本质还是要提供出API，才可以对大模型的能力进行扩展，来实现和业务的结合。
经常会出现：AI 集成问题（M 个模型 x N 个工具需要 M*N 个集成）
但实际在做东西的时候，我发现对应的开放出这些API来是非常困难的，每个平台都不一样，各自的接口也都不一样，所以 MCP 可以帮助我更轻松的把这些东西衔接起来。
有点像：OpenAI 的 API 定义了一个结构，大家后续出的API都是按照这个结构来的，这样的话，大家在 Python 编码的时候，只需要修改 base_url 和 api_key 就好了，剩下的入参和回参都是一样的。

安装UV

uv 是一个现代化的 Python 软件包管理器，旨在取代 pip、venv 和 virtualenv。

执行直接安装：

curl -LsSf https://astral.sh/uv/install.sh | sh

官方示例

Data and file systems

● Filesystem - Secure file operations with configurable access controls
● PostgreSQL - Read-only database access with schema inspection capabilities
● SQLite - Database interaction and business intelligence features
● Google Drive - File access and search capabilities for Google Drive

Development tools

● Git - Tools to read, search, and manipulate Git repositories
● GitHub - Repository management, file operations, and GitHub API integration
● GitLab - GitLab API integration enabling project management
● Sentry - Retrieving and analyzing issues from Sentry.io

Web and browser automation

● Brave Search - Web and local search using Brave’s Search API
● Fetch - Web content fetching and conversion optimized for LLM usage
● Puppeteer - Browser automation and web scraping capabilities

Productivity and communication

● Slack - Channel management and messaging capabilities
● Google Maps - Location services, directions, and place details
● Memory - Knowledge graph-based persistent memory system

AI and specialized tools

● EverArt - AI image generation using various models
● Sequential Thinking - Dynamic problem-solving through thought sequences
● AWS KB Retrieval - Retrieval from AWS Knowledge Base using Bedrock Agent Runtime