跳到主要内容

智能动态

什么是 MCP（Model Context Protocol）

MCP（Model Context Protocol）是连接 AI 应用与外部系统的开源标准协议，基于 JSON-RPC 2.0，由 Anthropic 于 2024 年开源。本文厘清 MCP 的定义、架构（Host-Client-Server）、三种核心能力（Tools/Resources/Prompts）、安全机制、企业应用场景，以及与 Function Calling 和 RAG 的关系。

蓝联创新

LangChat 企业 AI 应用平台

帮助企业构建、发布、运营 AI 应用——让 AI 成为可持续运营的业务能力。

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 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。
  • 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。

三种核心能力

MCP Server 可以向 AI 应用提供三种能力：

  1. 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。
  2. 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。
  3. 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。

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 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

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

与 LangChat 平台的关联

以下为产品映射，非行业通用定义。

LangChat 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。

证据来源

评论