什麼是 MCP（模型上下文協定）

就在前幾個月，Anthropic 發布了一份關於 MCP（模型上下文協議）的文檔，它指出這是將 AI 工具/助手連接到具有即時數據（例如程式碼儲存庫、資料庫等）的系統新標準。

此番發布後，網路上的開發者與使用者開始對這個新版本議論紛紛。在X社群媒體平台和YouTube影片平台上，很多人都在談論這個MCP。所以，我想先等等，先了解它的功能。
它發布的時候，對每個人來說都是全新的東西，所以大家談論的只是Anthropic發布的信息或新聞。
但我不准備那樣做。
因此我一直在等待，先詳細了解 MCP 在實際專案中的用例，並為各位撰寫這篇部落格。
我將從以下幾個問題開始。
人工智慧模型、工具和代理實際上是如何相互交流的？隨著人工智慧領域的快速發展，它不再只是一個單一的大型模型來產生文字或回答問題。
現在，我們擁有由人工智慧代理、開發者工具、模型和插件組成的完整生態系統，它們有時會在同一個任務流程中協同工作。
那麼，所有這些智慧組件如何協調、通訊和共享上下文？
在這篇文章中，我將以簡單易懂的語言，分享我對 MCP（模型上下文協議）的理解和思考，以及它的重要性以及工作原理。
現在讓我們開始吧！
什麼是 MCP（模型上下文協定）？
根據該文件，MCP 是「模型上下文協議，它是一種開放標準，使開發人員能夠在其資料來源和 AI 驅動的工具之間建立安全的雙向連接。
它就像 AI 應用程式的 USB-C 連接埠」。
將 MCP 視為AI 模型和工具可用於協作的通用語言。
其格式簡單，MCP 是一種通訊協議，允許不同的 AI 用戶端（如模型、工具和代理）透過共享伺服器交換資訊、上下文和任務。
聽起來還很抽象嗎？
讓我們把它變得更貼切一些：
將 MCP 想像成 Slack，但不是在頻道中透過人類發送訊息，而是透過模型和工具來交換有關任務、上下文和功能的結構化訊息。
或像AI 代理的 HTTP，其中工具可以透過中央伺服器以一致的格式相互「交談」。
它為 AI 堆疊中的每個組件提供了一個共享空間來進行通訊和協調，而無需硬編碼整合。
為什麼我們需要 MCP？以前，連接不同的/多個工具或模型非常昂貴。
您需要編寫自訂黏合程式碼來：
1.轉換資料格式維護
2.對話狀態
3.決定何時應該使用哪個工具來回應

MCP 透過以下方式解決了這個問題：
模組化－您可以像樂高積木一樣插入和拔出工具/模型。
互通性－不同的服務可以「說同一種語言」。
可組合性－想要一個多智能體系統，其中一個模型產生程式碼，另一個模型進行除錯嗎？搞定。

讓我們建立一些範例：
想像一下你正在建立一個人工智慧編碼助理：
一個代理程式為提供的提示產生 Python 程式碼
第二個工具執行第一個工具產生的程式碼的結果並傳回輸出
第三個工具檢查執行程式碼的結果
如果需要改進
第四個工具將繼續提供建議

使用 MCP，它們都是連接到同一MCP 伺服器的用戶端——無需為它們建立自訂管道即可相互通訊。
MCP 的關鍵元件以下分別介紹它的關鍵元件，MCP的伺服器和客戶端。
A. MCP 伺服器
MCP 伺服器可作為中央“樞紐”或“路由器”，管理客戶端之間的所有通訊。它的職責如下：
協調客戶端之間的訊息
儲存共享上下文和對話歷史記錄
追蹤任務和回應

可以將其視為AI 團隊的路由器 + 記憶體。
它本身並不做什麼工作——它只是知道誰能做什麼，並讓每個人都保持一致。
B. MCP 用戶端MCP 用戶端是連接到 MCP 伺服器的任何模型、工具或代理。
每位客戶：
聲明其功能（例如，“我可以翻譯程式碼”，“我可以總結文件”）
監聽它可以執行的任務
將結果傳回伺服器

目前市面可用的 MCP 用戶端清單包括如下：
Cursor、Windsurf、Claude Desktop 與 VS Code。
MCP 用戶端的一些範例：
一個為提示輸入提供解釋的 GPT-4 模型
運行程式碼並返回輸出的工具
讀取和共享文件的檔案系統工具

客戶端不需要直接了解彼此－MCP 伺服器扮演媒人的角色。
MCP 如何運作？
（逐步說明）以下是梳理後的簡化流程：
MCP 用戶端連接到 MCP 伺服器並註冊其功能。
使用者或模型透過編寫提示（如「編寫 Python 函數」）來啟動任務。
MCP伺服器將此任務路由到適當的客戶端（例如，像 Claude-3-7-Sonet 這樣的程式碼編寫模型）。
MCP 用戶端接收來自 MCP 伺服器的回應，並將該回應儲存在共用上下文中。
另一個客戶端（例如，程式碼執行工具）看到此回應並做出相應的反應。這個循環繼續進行，所有客戶端都可以存取即時共享上下文。

MCP 的神奇之處在於整個流程無縫進行，共享情境確保每個客戶端在需要時都能獲得所需的資訊。
開發者為什麼要關心？即使你剛開始 AI 開發，MCP 也為我們提供了一些值得用的優勢：
建立模組化 AI 應用程式：混合搭配模型、工具和服務。
輕鬆連接外部工具：想要你的 LLM 存取檔案系統或運行程式碼嗎？將它們包裝為 MCP 用戶端。
更聰明的情境管理：當客戶擁有完整的任務歷史記錄和意圖可見性時，他們可以做出更好的決策。
️更少的自訂黏合程式碼：專注於工具的功能，而不是其整合方式。
無論您正在開發任何代理或副駕駛，還是任何實驗性 AI 系統，透過採用 MCP，您將在開發、跨專案的可重複使用性和更好的架構方面擁有更好的優勢。
結論我們來簡要回顧一下：MCP（模型上下文協議）是AI工具和模型的共享語言和通訊標準。
它允許客戶端（工具、模型、代理）透過MCP 伺服器進行通信，該伺服器管理上下文和任務路由。
它使得建構模組化、情境感知、多智能體人工智慧系統變得更加容易。 MCP 技術仍處於早期階段，但它代表了我們建構智慧軟體系統方式的根本性轉變。