模型上下文协议工具集成

MCP - 历史

模型上下文协议简史：

问题：2023年的“连接器混乱”

在MCP（可能是指某种中间件或平台组件）之前，连接工具与代理（或智能体）通常使用大型语言模型（LLM）路由来实现。这种方法存在的问题是，随着API和工具的变化，工具的可扩展性和可维护性会受到影响，从而破坏代理的工作流程；此外，切换到不同的大型语言模型提供商也会中断工作流程。

要将人工智能代理连接到像Jira、Notion或公司内部数据库这样的工具，就需要构建一个定制的、一次性集成方案。这导致了一个混乱且脆弱的“连接器混乱”系统。他们意识到，自己花费在构建和维护这些特定连接器上的时间，比提升核心AI能力的时间还要多。

解决方案：Anthorpic（注：此处“Anthorpic”可能为特定品牌或项目名，若无具体上下文，可保持原样或根据实际情况调整）2024年11月：

2024年末，Anthropic发布了模型上下文协议，以规范代理工作流中工具的使用方式。通过采用这一标准，工具可以大规模地被添加到代理工作流中，同时保持良好的可维护性。

MCP已成为在代理工作流程中添加工具的黄金标准。它之所以成为调用工具的首选方式，而非直接调用工具，主要基于一个原因： 标准化直接工具调用就像是为每部手机配备一个不同的专有充电器，而MCP（多工具协议/中间件组件等，具体含义根据上下文确定）则像是拥有一个像USB-C那样的通用标准。

这种标准化提供了几个关键优势，使得构建和扩展人工智能应用变得更加容易。

“专有充电器”问题 🔌

直接工具调用，如OpenAI的函数调用或Anthropic的工具使用，是特定于该提供商的。如果你为OpenAI的模型构建了一套工具，那么你定义这些工具的方式以及模型响应的方式都是OpenAI独有的。如果你想切换到另一个模型提供商，你就必须重写你的工具处理逻辑。这造成了 供应商锁定（或供应商绑定）。

MCP通过创建一个开放、通用的协议来解决这一问题，该协议将人工智能模型与其所使用的工具分离开来。

互操作性与可移植性 🔄

使用MCP（机器控制协议），您只需构建一次工具，然后通过标准的MCP服务器将其暴露出来。任何“支持”MCP的人工智能模型或代理都可以直接使用这些工具，无需进行任何修改。

• 轻松切换模型： 您可以将AI的“大脑”从使用Claude模型切换到Gemini模型，而无需重建任何工具。新模型只需指向同一个MCP服务器即可。
• 工具生态系统： 它支持创建一个通用的生态系统。任何人都可以开发一个符合MCP（机器控制协议）标准的工具（例如，用于Notion或Jira），并且该工具将立即与任何符合MCP标准的AI应用程序兼容工作。

为工具开发者提供的简洁性

当你使用直接调用方法构建工具时，你必须遵守该AI提供商API的特定要求（例如，按照特定的JSON模式定义函数）。

使用MCP，工具开发者们可以 解耦的 来自AI模型。他们无需知道或关心哪个大型语言模型（LLM）将使用他们的工具。他们只需创建一个暴露函数的标准MCP服务器。这使得开发者的任务大大简化，并使他们能够专注于构建工具的核心逻辑，而不是处理与各种AI模型的兼容性问题。

增强的安全性与控制力🛡️

将您的工具置于专用的MCP服务器后方，即可创建一个安全且受控的网关。

• 集中式权限管理： MCP服务器能够在一个集中的地方处理身份验证、授权和登录。您可以定义哪些AI代理被允许使用哪些工具。
• 明确界限： 它在（可能不可预测的）人工智能模型与您敏感的内部系统及API之间建立了一个清晰、可审计的界限。

摘要：MCP与直接工具调用的对比

这看起来是怎样的：

可以将其视为一种结构化、可预测的对话。我将向你展示一个简化版的、高层次的示例，说明在我们之前使用的计算器示例中，这些消息是什么样子的。这一切都是在Python库的“内部”发生的。

对话：客户端与服务器

以下是通过像WebSockets这样的传输方式进行的逐步消息交换过程。

客户“你好，你能做什么？”

服务器“以下是我的能力。”

客户“好的，请用你的‘添加’工具处理这些数字。”

服务器“这是结果。”

让我们看看在MCP标准中它是怎样的。

步骤1：客户询问可用工具（需求发现）

AI客户端连接并发送一个 发现请求 了解服务器的功能。

{
  "type": "discovery_request",
  "id": "req-abc-123"
}

步骤2：服务器以其工具作出响应

服务器回复了一个 发现响应这就像一个可用工具的菜单。它描述了每个工具的功能、作用以及所需的参数（参数名）。这个“模式”对于人工智能理解如何正确使用工具至关重要。

{
  "type": "discovery_response",
  "id": "req-abc-123",
  "tools": [
    {
      "name": "add",
      "description": "Adds two numbers and returns the result.",
      "parameters": {
        "type": "object",
        "properties": {
          "a": { "type": "integer", "description": "The first number." },
          "b": { "type": "integer", "description": "The second number." }
        },
        "required": ["a", "b"]
      }
    }
  ]
}

第三步：客户端调用特定工具

看过菜单后，AI决定使用 add 工具。它发送一个 工具调用请求 并附上它想要使用的具体参数。

{
  "type": "tool_call_request",
  "id": "req-xyz-789",
  "tool_name": "add",
  "parameters": {
    "a": 10,
    "b": 32
  }
}

步骤4：服务器执行工具并返回结果

服务器接收到请求后，执行其内部的Python函数 add(10, 32)（某人）得到结果，并发送回一个 工具调用响应 包含答案。

{
  "type": "tool_call_response",
  "id": "req-xyz-789",
  "result": 42
}

这种结构化的、来回交互的通信方式是协议的核心。通过标准化这些消息格式，任何遵循这些规则的客户端和服务器都能有效地进行通信，而无需了解彼此内部代码的具体细节。