MCP 协议详解

发表于 分类于

MCP（Model Context Protocol）是 Anthropic 在 2024 年底发布的开源协议，目标是为 LLM 和外部工具/数据源之间建立统一的连接标准。它的核心理念类似 USB-C——不是创造新的外设，而是提供一个通用接口，让任何 LLM 客户端都能连接任何 MCP 服务端。

一、为什么需要 MCP

在 MCP 之前，每个 LLM 应用都要为不同的数据源编写定制的连接代码：

1
2
3
Claude → 自定义插件 → Google Drive
ChatGPT → 自定义插件 → Google Drive
Llama → 自定义适配器 → Google Drive

N 个 LLM × M 个数据源 = N×M 个集成。MCP 的目标是将 N×M 降为 N+M：

1
2
3
Claude → MCP 客户端 → MCP 协议 ← MCP 服务端 ← Google Drive
ChatGPT → MCP 客户端 → MCP 协议 ← MCP 服务端 ← GitHub
Llama → MCP 客户端 → MCP 协议 ← MCP 服务端 ← Slack

二、协议架构

MCP 采用客户端-服务端架构，基于 JSON-RPC 2.0 通信：

1
2
3
4
5
6
7
8
┌─────────────────┐         ┌─────────────────┐
│   MCP 客户端     │ ←JSON→  │   MCP 服务端     │
│  (LLM 应用)      │  RPC    │  (数据源连接器)  │
│                  │         │                  │
│  - 发起请求      │         │  - 暴露资源       │
│  - 调用工具      │         │  - 执行工具       │
│  - 读取资源      │         │  - 提供 Prompt    │
└─────────────────┘         └─────────────────┘

三种核心能力

能力 作用 示例
Tools LLM 可调用的工具函数 search_files, send_email, run_query
Resources 暴露给 LLM 的数据资源 file://documents/report.pdf, postgres://db/users
Prompts 预定义的 Prompt 模板 “请总结以下文档”, “分析这个数据库表”

生命周期

1
2
3
4
5
1. 初始化：客户端和服务端协商协议版本和能力
2. 发现：客户端请求 tools/resources/prompts 列表
3. 调用：LLM 通过客户端调用服务端提供的工具
4. 返回：服务端返回结果
5. 关闭：连接断开

三、MCP vs API vs RAG vs Agent

概念 是什么 谁用
API 固定的 HTTP/gRPC 接口 开发者手动调用
RAG 检索增强生成 LLM 通过检索器获取知识
MCP LLM 连接外部世界的协议标准 LLM 通过 MCP 调用工具和数据
Agent 自主决策 + 工具调用的系统 最终用户与 Agent 交互

关系：Agent 使用 RAG 获取知识，通过 MCP 协议调用外部工具和 API——三者是协作关系而非竞争关系。

四、简单示例

MCP 服务端（暴露 SQLite 数据库）：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
from mcp.server import Server, StdioServerTransport
from mcp.types import Tool, TextContent
import sqlite3

app = Server("sqlite-server")

@app.list_tools()
async def list_tools() -> list[Tool]:
    return [
        Tool(name="query", description="执行 SQL 查询", 
             inputSchema={"type": "object", "properties": {"sql": {"type": "string"}}})
    ]

@app.call_tool()
async def call_tool(name: str, args: dict) -> list[TextContent]:
    if name == "query":
        conn = sqlite3.connect("data.db")
        result = conn.execute(args["sql"]).fetchall()
        return [TextContent(type="text", text=str(result))]
    raise ValueError(f"Unknown tool: {name}")

if __name__ == "__main__":
    StdioServerTransport().run(app)

MCP 客户端（LLM 侧）：

1
2
3
4
5
6
7
8
9
10
from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client

async with stdio_client(StdioServerParameters(command="python", args=["sqlite_server.py"])) as (read, write):
    async with ClientSession(read, write) as session:
        await session.initialize()
        tools = await session.list_tools()
        # 将 tools 的 schema 传给 LLM
        # LLM 决定调用 query 工具
        result = await session.call_tool("query", {"sql": "SELECT * FROM users LIMIT 5"})

五、生产级实践

Composio 等平台已将 MCP 封装为生产可用的 Agent 连接器：

1
2
3
4
5
from composio_langgraph import ComposioToolSet

toolset = ComposioToolSet()
tools = toolset.get_tools(apps=[App.GITHUB, App.SLACK, App.JIRA])
# Agent 现在可以操作 GitHub PR、发 Slack 消息、创建 JIRA 工单

安全考虑：

  • Agent 不能无限制地调用工具——需要用户预先授权（User Consent）
  • 敏感操作（发送邮件、付款）必须走 Human-in-the-Loop 确认
  • 每个 Tool 需要声明它需要的权限，客户端展示给用户审批

六、小结

MCP 的价值在于标准化——让 LLM 应用从”每个数据源写一个定制连接器”变成”实现一次 MCP，连接所有”。对开发者来说，这意味着更多时间花在 Agent 逻辑上，而非集成胶水代码上。