AI 应用的"万能接口"：MCP

一、为什么需要 MCP

如果你做过 AI 应用开发，大概率遇到过这样的场景：想让大模型读取本地文件、查询数据库、调用某个第三方 API，于是不得不为每一个数据源单独写一套"胶水代码"——工具定义、鉴权逻辑、错误处理，每接入一个新系统就要重复一遍。

如果你同时维护多个 AI 应用（比如一个 IDE 插件、一个桌面助手、一个 Web 服务），情况会更糟：N 个应用 × M 个数据源，意味着 N×M 套集成代码。

MCP（Model Context Protocol，模型上下文协议） 正是为了解决这个问题而生。它由 Anthropic 提出并开源，目标是给"大模型如何连接外部数据和工具"这件事定义一套标准协议，就像 USB-C 统一了外设接口一样。

有了统一协议，数据源和工具的提供方只需要实现一次 MCP Server，任何支持 MCP 的应用都可以直接接入，不需要为每个应用单独适配。

二、MCP 的核心架构

MCP 采用经典的 Host - Client - Server 三层模型：

• Host（宿主应用）：用户实际使用的程序，例如 Claude CLI、某个 IDE 插件或自建的 Agent 应用。Host 负责与大模型交互，决定在什么时机调用哪个工具。
• MCP Client：内嵌在 Host 中的协议适配层，与某一个 MCP Server 维持 1:1 的连接，负责协议层面的消息收发和会话管理。
• MCP Server：真正对接具体数据源或工具的一方，向外暴露标准化的能力，主要包括三类：
  • Tools（工具）：模型可以主动调用的函数，比如"执行 SQL 查询""发送一条 Slack 消息"。
  • Resources（资源）：只读的上下文数据，比如一个文件内容、一段日志。
  • Prompts（提示模板）：预先定义好的、可复用的提示词模板。

传输层上，MCP 支持两种主流方式：本地场景常用 stdio（标准输入输出，进程间通信开销小），远程场景常用基于 HTTP 的 SSE（Server-Sent Events） 或可流式传输的 HTTP，方便跨网络访问部署在云端的 Server。

三、一个最小可用的 MCP Server 示例

以 Node.js 为例，下面是一个仅暴露"查询天气"这一个工具的极简 MCP Server：

import { McpServer } from "@modelcontextprotocol/sdk/server/mcp.js";
import { StdioServerTransport } from "@modelcontextprotocol/sdk/server/stdio.js";
import { z } from "zod";

const server = new McpServer({
  name: "weather-server",
  version: "1.0.0",
});

server.tool(
  "get_weather",
  "查询指定城市的当前天气",
  { city: z.string().describe("城市名称，例如：上海") },
  async ({ city }) => {
    // 这里替换为真实的天气 API 调用
    const weather = await fetchWeatherFromSomewhere(city);
    return {
      content: [{ type: "text", text: `${city} 当前天气：${weather}` }],
    };
  }
);

const transport = new StdioServerTransport();
await server.connect(transport);

任何支持 MCP 的 Host（比如 Claude CLI）只需在配置文件中注册这个 Server 的启动命令，就能让模型在对话中按需调用 get_weather 工具，而无需为每个 Host 单独适配。

四、典型应用场景

• 本地开发辅助：接入文件系统、Git、数据库的 MCP Server，让 AI 助手直接读写代码仓库、执行迁移脚本。
• 企业内部知识连接：把 Confluence、Jira、内部工单系统封装成 MCP Server，员工用自然语言就能跨系统检索和操作。
• 多 Agent 协作流水线：一个 Agent 通过 MCP 调用另一个专精工具（例如图像生成、财务计算），实现能力的组合而不是重复造轮子。
• 个人自动化工具箱：把日历、邮箱、笔记软件都接入 MCP，日常琐事交给 AI 助手统一调度。

五、使用 MCP 时值得注意的几点

1. 权限边界要明确：MCP Server 往往拥有对真实系统（文件、数据库、生产环境 API）的操作权限，务必做好最小权限原则和操作确认机制，避免模型"越权"执行破坏性操作。
2. 协议还在快速演进：MCP 规范仍在持续更新，鉴权方式（如 OAuth 集成）、流式传输细节等都可能变化，接入时建议关注官方规范版本号。
3. 不是所有场景都需要 MCP：如果只是一次性、单一场景的集成，直接写函数调用（function calling）可能比引入一整套协议更轻量。MCP 的价值在于"多方复用"，场景越简单，收益越小。

六、小结

MCP 把"AI 模型如何接入外部世界"这件事标准化了：Host 专注对话与决策，Client 负责协议通信，Server 专注暴露能力。这种解耦让工具和数据源的提供方与 AI 应用的开发方可以独立演进，正在成为构建复杂 Agent 系统的基础设施之一。