AI初认识（MCP -AI与数据系统的桥梁）

ruru_15
5 阅读10分钟

在上一篇文章中，我们学习了Function Calling——它让大模型能够调用外部函数，连接真实世界。通过Function Calling，大模型可以调用计算器做精确运算、调用地图API查询地点、调用数据库获取实时信息。

然而，Function Calling存在一个根本性问题：碎片化。

每家模型厂商（OpenAI、Anthropic、Google）都有自己的函数调用格式。每接入一个新工具，开发者都需要为这个“模型-工具”组合编写特定的适配代码。如果有M个模型和N个工具，就需要开发 M×N 个连接器，维护成本极高。

这就是AI应用的“工具孤岛”困境。

MCP（模型上下文协议）  正是为了解决这个问题而诞生的。

一、MCP是什么？

MCP的相关信息：

项目具体信息
全称Model Context Protocol
中文名模型上下文协议
概念一个开放标准的通信协议，旨在为大语言模型提供标准化的方式连接各类数据源和工具
形象比喻就像为AI提供了通用的“USB-C接口”，任何支持MCP的模型都可以即插即用地调用任何支持MCP的工具
开发公司Anthropic（Claude大模型背后的公司）
发布时间2024年11月25日正式发布并开源

一句话理解

MCP = 让AI能力变得标准化、可插拔的基础设施协议

就像USB-C统一了各种外设的接口标准一样，MCP统一了AI模型与外部工具之间的通信标准。

二、为什么要用MCP？

2.1 没有MCP的问题：M×N的适配噩梦

在没有MCP的时代，假设你有：

  • 3个模型（GPT-4、Claude、Gemini）
  • 4个工具（天气API、数据库、文件系统、地图API）

你需要开发 3×4 = 12 个不同的适配器。每增加一个模型或工具，工作量线性增长。

2.2 有MCP的解决方案：M+N的优雅架构

有了MCP之后：

  • 每个模型只需适配MCP这一套标准（M次适配）
  • 每个工具也只需暴露MCP接口（N次适配）

总工作量 = M + N，从乘法变成了加法。

更重要的是：任何支持MCP的模型可以立即使用任何支持MCP的工具，无需额外开发。

2.3 核心价值

价值维度说明
减少重复开发同一个MCP服务器可在任何兼容客户端中复用
打破信息孤岛AI无缝访问本地和远程数据（文件、数据库、API）
提升AI能力形成“感知-决策-执行”闭环，完成复杂任务
开放生态任何人都可以创建和共享MCP服务器

三、MCP能解决什么样的问题？

3.1 大模型的固有缺陷（回顾）

还记得大模型的三大缺陷吗？

  1. 知识不全：无法覆盖所有垂直、非公开数据
  2. 信息滞后：训练数据有截止日期
  3. 缺乏真逻辑：依赖统计规律，精确计算不可靠

MCP正是解决这些缺陷的“钥匙”——它让大模型能够按需调用外部数据源和精确计算系统。

3.2 典型应用场景

场景说明示例
企业知识库让AI检索内部文档、工单、Wiki“查一下网卡故障的历史解决方案”
智能问数自然语言查询数据库“上季度销售额最高的产品是哪个？”
代码分析读取、理解、修改代码库“分析这个项目的依赖关系”
联网搜索获取实时信息“今天的头条新闻是什么？”
文件操作读写本地文件“把这份PDF总结成三点”
API调用调用第三方服务“帮我订一张明天去上海的机票”

四、MCP vs Function Calling：它们是什么关系？

这是很多人容易混淆的地方。我们来厘清一下。

维度Function CallingMCP
本质API调用机制通信协议标准
层级应用层调用方式基础设施层协议
标准化程度各厂商格式不同，互不兼容统一标准，即插即用
集成复杂度M×N（每对模型-工具需适配）M+N（一次适配，到处可用）
安全控制依赖各平台实现内置用户授权机制
生态开放性各厂商封闭生态开放标准，任何人都可贡献

它们不是替代关系，而是分工协作

  • Function Calling 是让模型“知道该调用什么工具”的智能决策层
  • MCP 是让工具调用“能够标准化互通”的基础设施层

可以这样理解：

Function Calling是“大脑”的决策机制，MCP是“神经系统”的通信标准。大脑决定要做什么，神经系统用统一的方式把指令传到各个器官。

在实际应用中，它们可以配合使用：

  • 模型通过Function Calling能力识别用户意图、决定调用哪个工具
  • 然后通过MCP协议将调用指令发送到对应的工具服务器

五、MCP的技术架构

5.1 核心组件

MCP采用客户端-服务器（Client-Server） 架构，包含三个核心角色：

组件职责示例
MCP Host发起请求的应用，用户交互入口Claude桌面版、Cursor、IDE
MCP Client集成在Host内部，管理与Server的连接负责请求标准化、响应处理
MCP Server提供具体功能的轻量级程序数据库服务器、文件服务器、天气API服务器

5.2 通信协议

MCP支持两种通信方式：

协议适用场景说明
Stdio本地服务调用进程间通信，低延迟
SSE远程服务调用HTTP + 服务端推送，适合分布式部署

5.3 架构总览图

image.png

六、实战案例：MCP在企业知识库中的应用

案例背景

某制造企业面临一个典型困境：大量故障其实不是第一次发生，但历史解决方案散落在工单系统、内部Wiki、PDF手册或工程师的个人笔记中，关键时刻难以快速召回。

解决方案：轻量级知识库MCP

openEuler团队推出的轻量级知识库MCP，核心能力如下：

能力说明
零外部依赖基于SQLite存储，无需部署重型向量数据库，内存<200MB
多格式导入支持PDF、DOCX、MD、TXT、PPTX、XLSX，甚至图片OCR
混合检索关键词检索(FTS5) + 语义向量检索，结果加权融合
可选联网增强本地知识不足时，自动调用GitHub API检索社区方案

实际效果

运维人员只需自然语言提问：

“在知识库中查询网卡故障怎么办？”

系统会自动：

  1. 解析故障现象
  2. 检索本地历史知识库匹配相似案例
  3. 生成包含“典型表现、解决方案、验证步骤”的结构化报告

核心价值

让宝贵的历史故障经验从“沉睡在归档文件夹”变成“可随时召回的智能记忆” ，大幅缩短平均修复时间(MTTR)。

七、实战案例：智能问数——自然语言查数据库

场景背景

企业内部有大量结构化数据（销售数据、学生成绩、生产报表），但非技术人员无法写SQL查询，IT部门疲于应付各种临时取数需求。

解决方案架构

用户输入：“每个班级学生占比图”
        │
        ▼
┌─────────────────────────────────────────┐
│  大模型理解意图，自动生成SQL              │
│  “SELECT class, COUNT(*) FROM students  │
│   GROUP BY class”                       │
└─────────────────────────────────────────┘
        │
        ▼
┌─────────────────────────────────────────┐
│  MySQL MCP Server 执行查询               │
│  返回数据：[{class:“一班”, count:32}, ...]│
└─────────────────────────────────────────┘
        │
        ▼
┌─────────────────────────────────────────┐
│  QuickChart MCP Server 生成图表          │
│  返回图表URL + 数据分析解读               │
└─────────────────────────────────────────┘

典型交互示例

用户提问系统行为
“每个年级有多少名学生？”自动生成GROUP BY SQL → 查库 → 返回统计结果
“成绩排名前10的学生”自动生成ORDER BY LIMIT SQL → 返回名单
“哪个老师教的学生最多？”识别关联查询 → 生成JOIN语句 → 返回结果

关键配置

在AI对话节点中配置MCP Server，并在提示词中明确角色定位：

“你是一位专业的数据分析专家，精通MySQL，能够熟练运用mcp-mysql工具进行SQL验证和查询。”

八、MCP的使用流程

8.1 整体流程

一个典型的MCP使用流程如下：

步骤1：用户发起请求
   │
   ▼
用户在支持MCP的客户端中用自然语言提出任务
例如：“帮我查询一下明天北京的天气”
   │
   ▼
步骤2：客户端解析与调用
   │
   ▼
MCP Client将请求发送给大模型 → 模型识别意图 → 决定调用哪个MCP Server
   │
   ▼
步骤3：服务器执行并返回
   │
   ▼
MCP Server执行具体操作（调用天气API）→ 将结果返回Client
   │
   ▼
步骤4：生成最终回复
   │
   ▼
Client将结果返回大模型 → 模型组织成自然语言 → 回复用户

8.2 最小可运行示例

下面是一个最简单的MCP Server示例——获取天气信息：

python

# weather_server.py
from mcp.server.fastmcp import FastMCP

# 创建MCP服务器实例
mcp = FastMCP("WeatherDemo")

# 用@mcp.tool()装饰器暴露一个工具
@mcp.tool()
def get_weather(city: str, unit: str = "celsius") -> str:
    """获取指定城市的天气信息"""
    # 这里可以调用真实的天气API
    return f"{city}天气：晴，22度{unit[0].upper()}"

# 运行服务器
if __name__ == "__main__":
    mcp.run()

运行方式：

bash

# 启动MCP服务器
mcp run weather_server.py

# 或直接运行
python weather_server.py

配置到支持MCP的客户端（如Cursor、Claude桌面版）后，就可以用自然语言调用这个工具：

“帮我查一下上海的天气”

九、MCP生态现状

9.1 支持厂商

厂商/平台支持情况
Anthropic发起方，Claude桌面版原生支持
OpenAISam Altman亲自站台，逐步集成
腾讯云已宣布支持MCP
阿里云百炼已宣布支持MCP

9.2 应用场景扩展

行业应用
企业服务知识库、内部问答机器人
数据分析智能问数、报表自动生成
开发工具代码分析、文档生成
金融风控分析、财报解读
医疗影像分析、病历检索
生活服务地图查询、天气、机票预订

十、MCP的局限性与注意事项

任何技术都不是银弹。在使用MCP时，需要注意以下几点：

局限性说明
生态仍在建设期优质的MCP Server还不够丰富，需要社区共建
模型能力依赖需要大模型本身具备工具调用/Function Calling能力
本地部署门槛需要配置环境、管理多个Server进程
安全考量暴露外部工具时需考虑权限控制和数据安全
调试复杂度相比单一函数调用，分布式链路调试更复杂

适用场景建议

  • 适合使用MCP：需要集成多个外部工具、希望工具可复用的场景
  • 简单场景可暂缓：单一模型+单一工具的简单场景，直接用Function Calling更轻量

十一、总结

核心要点回顾

要点一句话总结
MCP是什么让AI连接万物的标准化通信协议，像USB-C一样即插即用
为什么需要解决M×N的工具适配问题，让AI生态从碎片走向统一
与FC的关系FC是决策机制，MCP是通信标准，两者分工协作
核心价值减少重复开发、打破信息孤岛、构建开放生态
当前状态2024年11月发布，生态快速发展中

一句话总结

MCP = 让大模型学会“用标准接口调用工具”——它统一了AI与外部世界的通信语言，让任何模型都能即插即用地使用任何工具。

avatar
文章
阅读
粉丝