什么是 MCP（Model Context Protocol）

定义

MCP（Model Context Protocol，模型上下文协议）是一种开源标准协议，用于标准化 AI 应用与外部系统之间的上下文交换。它为 AI 应用提供了统一的方式来访问数据源、调用工具和执行操作——类似于 USB-C 为电子设备提供标准化连接接口。

MCP 基于 JSON-RPC 2.0 协议，由 Anthropic 于 2024 年 11 月发起并开源。它的设计灵感来自语言服务器协议（LSP）——正如 LSP 标准化了编程语言在开发工具生态中的集成方式，MCP 标准化了 AI 应用与外部上下文源的集成方式。开发者只需实现一次 MCP Server，即可被所有支持 MCP 的 AI 应用使用，无需为每个应用单独开发集成。

截至 2026 年中，MCP 已获得广泛生态支持：Claude、ChatGPT 等主流 AI 应用，VS Code、Cursor、Zed 等开发工具均已原生支持 MCP 协议。OpenAI、Google、Microsoft 等厂商也宣布支持 MCP，使其成为 AI 应用集成的事实标准。MCP GitHub 仓库的 Star 数已突破 5 万，社区贡献的 MCP Server 超过 1000 个，覆盖数据库、云服务、开发工具、文档系统等主流场景。

MCP 不是什么

理解 MCP 的边界同样重要：

不是 AI 模型：MCP 只定义上下文交换的协议，不规定 AI 应用如何使用大语言模型。模型选择、提示词工程、推理逻辑都不在 MCP 的范围内。
不是 API 网关：MCP 不替代 REST API 或 GraphQL。它是一个面向 AI 应用的上下文协议，关注的是"AI 需要什么信息"而非"服务间如何通信"。
不是万能集成方案：MCP 解决的是协议层标准化问题，不解决语义对齐、数据清洗、权限治理等更高层的集成挑战。

架构

MCP 采用客户端-服务端架构，包含三个核心角色：

Host（宿主）：AI 应用本身，如 Claude Desktop 或 VS Code。它负责协调和管理一个或多个 MCP Client。
Client（客户端）：Host 内部的组件，每个 Client 维护与一个 MCP Server 的专属连接。
Server（服务端）：提供上下文数据和能力的独立程序，可在本地运行（通过 Stdio 传输）或远程运行（通过 Streamable HTTP 传输）。

一个 Host 可以同时连接多个 Server。例如 VS Code 可以同时连接一个文件系统 Server、一个数据库 Server 和一个 Sentry Server，每个连接由独立的 Client 管理。这种设计使得 AI 应用可以灵活组合来自不同系统的上下文。

传输层

MCP 支持两种传输方式：

Stdio（标准输入输出）：用于本地 Server，Host 通过子进程的 stdin/stdout 与 Server 通信。适合需要访问本地文件系统或本地工具的场景。延迟低，适合开发工具和桌面应用。
Streamable HTTP：用于远程 Server，基于 HTTP + SSE（Server-Sent Events）。适合需要跨网络访问的服务，如云端数据库或 SaaS API。支持身份认证和加密传输。

三种核心能力

MCP Server 可以向 AI 应用提供三种能力：

Tools（工具）：AI 模型可以主动调用的函数，如查询数据库、发送消息、操作文件、调用第三方 API。工具是 model-controlled 的——模型根据对话上下文自主决定是否调用。每个工具包含名称、描述、输入参数的 JSON Schema 定义，模型据此判断何时以及如何调用。
Resources（资源）：AI 模型可以读取的结构化数据，如文件内容、数据库记录、配置信息。资源由 application-controlled，即由应用决定何时将哪些资源提供给模型。资源以 URI 形式标识，支持列表浏览和按需读取。
Prompts（提示模板）：预定义的交互模板和工作流，标准化常见的 AI 交互模式。Prompts 由 user-controlled，用户可以主动选择和触发。

其中 Tools 是企业应用最核心的能力——它让 AI 从"只能对话"变为"能执行操作"。

MCP 架构组件详解

Host 层职责：管理 MCP Client 的生命周期（创建、连接、断开）；将多个 Server 的能力聚合后呈现给 AI 模型；执行工具调用结果的安全审核（human-in-the-loop）；管理用户会话和上下文窗口。

Client 层职责：维护与单个 Server 的 1:1 连接；处理协议握手和能力协商；转发工具调用请求和响应；管理连接状态和重连逻辑。

Server 层职责：实现具体的业务逻辑（数据库查询、API 调用、文件操作）；定义和暴露 Tools、Resources、Prompts；处理身份认证和权限控制；返回结构化的执行结果。

MCP 解决的核心问题

在 MCP 出现之前，让 AI 应用连接外部系统需要为每个应用单独开发集成。如果想让 Claude、ChatGPT、Gemini 都能查询你的数据库，需要开发三套不同的集成代码。MCP 通过标准化协议解决了这个 N×M 集成问题：

对 AI 应用：只需支持 MCP 协议，即可接入所有 MCP Server 的能力
对系统提供方：只需开发一个 MCP Server，即可被所有支持 MCP 的 AI 应用使用
对企业用户：可以在不同 AI 工具间无缝切换，不用担心集成锁定

安全机制

MCP 规范在安全方面有明确要求：

工具调用应保持人在回路（human-in-the-loop），用户有权拒绝 AI 的工具调用请求
Server 应实现 scope-based 权限控制，限制不同 token 的访问范围
传输层使用 HTTPS 加密，身份认证使用 Bearer token
工具描述和元数据应准确反映其行为，避免误导 AI 模型
Server 应对资源访问实施基于角色的访问控制（RBAC）

MCP 与 Function Calling 的深度对比

MCP 和 Function Calling 是企业构建 AI 应用时最常讨论的两个概念，它们的关系是互补而非替代：

定位：Function Calling 是 LLM 的原生能力——模型理解和生成函数调用；MCP 是标准化协议——定义工具如何被发现、描述和执行
解决问题：Function Calling 解决"模型如何知道可以调用什么"；MCP 解决"系统如何统一暴露能力给所有 AI 应用"
标准化范围：Function Calling 各厂商实现不同（OpenAI/Anthropic/Google 格式各异）；MCP 是跨厂商的统一协议标准
耦合度：Function Calling 工具定义与 AI 应用紧耦合；MCP 工具定义与 AI 应用解耦（一次开发，处处可用）
生态成熟度：Function Calling 各厂商各自定义，无统一生态；MCP 有开源标准 + SDK + 社区 Server 生态

实际协作方式：在 MCP 架构中，Host 应用通过 MCP 协议从 Server 发现可用工具，然后将这些工具转换为模型可理解的 Function Calling 格式（如 JSON Schema 定义），模型通过 Function Calling 能力决定调用哪个工具，Host 再通过 MCP 协议将调用请求转发给对应的 Server 执行。整个过程是：MCP 负责工具的发现和传输，Function Calling 负责工具的选择和参数生成。

企业级 MCP 部署实践

部署架构选择

企业在部署 MCP 时，通常有两种架构选择：

本地部署（Stdio 模式）：适合开发工具、桌面应用、数据敏感场景。优势是低延迟、数据不出本机、部署简单。限制是无法跨机器共享、无法支持 Web 应用。典型场景：开发者使用 VS Code + 本地 MCP Server 访问项目文件和数据库。

远程部署（Streamable HTTP 模式）：适合企业级生产环境、多用户共享、SaaS 集成。优势是可集中管理、支持多用户、支持负载均衡。限制是需要处理网络延迟、身份认证和安全传输。典型场景：企业部署统一的 MCP Server 网关，所有 AI 应用通过 HTTPS 连接。

企业部署最佳实践

统一 MCP 网关：在企业内部部署一个统一的 MCP Server 网关，聚合后端多个业务系统（CRM、ERP、OA、知识库），对外暴露统一的工具集。这样 AI 应用只需连接一个入口，降低管理复杂度。
分层权限控制：基于角色和部门实施差异化的工具访问权限。例如，财务部门的 AI 应用可以访问财务系统的 MCP 工具，而客服部门只能访问客服相关工具。
审计日志：所有 MCP 工具调用应记录完整的审计日志——谁调用了什么工具、传入了什么参数、返回了什么结果。这对于合规检查和问题排查至关重要。
渐进式上线：先从只读工具（查询类）开始，验证 MCP 的稳定性和准确性后，再逐步开放写操作类工具（创建、更新、删除）。
版本管理：MCP Server 的工具定义应有版本管理。当工具参数或行为变更时，通过版本号通知下游 AI 应用，避免因静默变更导致工具调用失败。

MCP 生态现状与趋势

当前生态格局

截至 2026 年中，MCP 生态呈现多层次发展：

AI 应用侧（Host）：Claude Desktop / Cursor / VS Code / Zed 等已原生支持；OpenAI 已宣布支持 MCP 协议；开源框架 LangChain、LlamaIndex 等提供 MCP 集成。

Server 生态：官方维护的参考 Server 包括 Filesystem、GitHub、Slack、PostgreSQL、Sentry、Google Drive 等；社区贡献覆盖 Notion、Jira、Linear、Figma、AWS、Azure 等主流平台；国内生态已出现钉钉、飞书、企业微信等国内 SaaS 的 MCP Server。

SDK 与工具链：官方 SDK 支持 Python、TypeScript、Java、Rust、Go；开发者工具包括 MCP Inspector（调试工具）、MCP CLI（命令行管理）；企业管理平台有多个开源和商业的 MCP Server 管理面板。

未来趋势

MCP 成为 AI 应用的"HTTP"：正如 HTTP 成为 Web 应用的统一协议，MCP 正在成为 AI 应用连接外部系统的标准协议。不兼容 MCP 的 AI 应用和系统将面临生态隔离。
MCP Server 市场化：随着生态成熟，将出现专业的 MCP Server 提供商——他们为特定行业或场景构建高质量的 MCP Server，作为 AI 时代的"API 供应商"。
安全标准升级：围绕 MCP 的安全标准（身份认证、数据脱敏、调用限流）将进一步完善，可能出现面向 MCP 的专门安全产品。
与 Agent 框架深度融合：Agent 框架（如 LangGraph、CrewAI）将 MCP 作为默认的工具发现和调用层，开发者无需手写工具集成代码。

企业应用场景

在企业环境中，MCP 的典型应用包括：

企业知识库访问：通过 MCP Server 暴露文档检索能力，让 AI 应用可以查询企业内部知识
业务系统操作：通过 MCP Tools 封装 CRM、ERP、OA 等系统的操作接口，让 AI 可以执行审批、创建工单等动作
数据分析：通过 MCP Server 暴露数据库查询能力，让 AI 可以实时检索经营数据
多系统协同：一个 AI 应用同时连接多个 MCP Server，整合来自不同系统的信息
CI/CD 集成：开发团队通过 MCP Server 连接 GitHub、Jenkins、Sentry，让 AI 辅助代码审查和故障排查
客户服务：客服 AI 通过 MCP Server 连接工单系统、CRM 和产品知识库，一站式处理客户咨询

与 LnkChat 平台的关联

LnkChat 企业 AI 应用平台已集成 MCP Server，提供文章管理、案例管理、产品管理、线索管理等 CMS 操作工具。这意味着 AI 应用可以通过标准 MCP 协议直接操作网站内容，无需开发定制化的 API 集成。

在商业地产场景中，这种标准化的上下文交换方式可以显著降低 AI 应用的集成成本：物业管理系统的 MCP Server 可以同时服务客服 AI、数据分析 AI 和流程自动化 AI，无需为每个 AI 应用单独对接。

与相关概念的关系

MCP vs Function Calling：Function Calling 是大语言模型的能力——模型理解自然语言指令并生成结构化的函数调用请求。MCP 是传输和协议层——标准化这些函数调用的发现、描述和执行方式。两者是互补关系：Function Calling 让模型知道"可以调用什么"，MCP 让系统知道"如何统一暴露这些能力"。

MCP vs RAG：RAG 是一种 AI 架构模式，专注于从知识库检索文档作为生成上下文。MCP 是协议层的标准化工作，不限于检索——它还涵盖工具调用、资源访问和提示模板。MCP Server 可以作为 RAG 系统的数据源连接器。

MCP vs LangChain：LangChain 是一个开发框架，提供了构建 AI 应用的工具链。MCP 是一个协议标准，定义了 AI 应用与外部系统的交互方式。LangChain 可以（并且已经）集成了 MCP 协议支持，将 MCP Server 作为其工具来源之一。

证据来源

MCP 官方文档：modelcontextprotocol.io — 协议定义、架构说明和开发指南
MCP 规范文档：spec.modelcontextprotocol.io — 协议规范的权威定义
MCP GitHub：github.com/modelcontextprotocol — SDK、参考实现和开发工具
Anthropic 官方博客（2024-11-25）— MCP 发布公告和设计理念
OpenAI 兼容声明（2025-03）— OpenAI 宣布支持 MCP 协议

人机边界

MCP 让 AI 应用能够：

统一发现和调用来自不同系统的工具与资源
以标准方式与任意支持 MCP 的外部系统交互
在用户授权下执行业务操作

仍然需要人工的：

MCP Server 的开发、部署和维护
工具调用的安全审核（human-in-the-loop）
权限策略的制定和管理
工具行为的合规性审查
Server 的运维监控和性能优化