MCP vs API：模型上下文协议入门

MCP（Model Context Protocal 模型上下文协议）是一个新的开放协议，旨在标准化应用程序如何为大型语言模型（LLMs）提供上下文。可以将 MCP 想象成 AI Agent 的 USB-C 接口：它为 AI 系统连接各种工具和数据源提供了统一的方法。

本文将逐步解析 MCP，清晰地说明其价值、架构以及它与传统 API 的区别。

就像 USB-C 接口简化了不同设备与计算机的连接方式一样，MCP 简化了 AI 模型与数据、工具和服务之间的交互方式。

一般来说，将 AI 系统连接到外部工具需要集成多个 API。而每个 API 集成都意味着需要单独的代码、文档、认证方式、错误处理和持续维护。

让我们做一个类比—— API 就像拥有自身特定钥匙才能打开的一扇扇门。因此：

• 开发者需要为每个服务或数据源编写自定义的 API 集成

• 每个 API 的集成都需要单独地维护和管理

MCP 最初是由 Anthropic 在 2024年11月25日 发起的项目，目的是让 AI 模型（如 Claude）更容易与工具和数据源交互。但现在它已不仅仅是 Anthropic 的项目，而是一个开放的协议，并且越来越多的公司和开发者正在加入其中。它正在演变为 AI 工具交互的新标准。

如想深入了解，可以在 modelcontextprotocol.io 找到 MCP 的官方规范和开发的情况。

MCP 和 API 的主要区别

1. 单一协议：MCP 作为标准化的"连接器"，集成一次就意味着能够访问多个工具和服务

2. 动态发现：MCP 允许 AI 模型动态发现和交互可用的工具，无需硬编码领域知识到每个集成中

3. 双向通信：MCP 支持持久且实时的双向通信机制（类似 WebSocket），AI 模型可以动态地检索信息并触发动作。

MCP 遵循简单的客户端-服务器架构：

• MCP 主机：需要访问外部数据或工具的应用程序（如 Claude Desktop 或 AI 原生 IDE）

• MCP 客户端：与 MCP 服务器维持专用的一对一连接

• MCP 服务器：通过 MCP 暴露特定功能的轻量级服务器

• 本地数据源：MCP 服务器安全访问的文件、数据库或服务

• 远程服务：MCP 服务器访问的基于互联网的 API 或服务

将 MCP 视为一座桥梁会更容易理解，即 MCP自身并不处理复杂的逻辑，它只是协调AI模型与工具之间的数据和指令流动。

在实际应用中，MCP客户端（例如 client.py中的Python脚本）与管理与特定工具（如Gmail、Slack或日历应用）的交互的 MCP 服务器进行通信。这种标准化消除了复杂性，使开发人员能够快速开启复杂的交互。

MCP 集成的高维步骤

1. 定义功能：清晰地概述 MCP 服务器将提供的功能

2. 实现 MCP 层：遵守标准化的 MCP 协议规范

3. 选择传输方式：在本地（标准输入输出）或远程（SSE/WebSocket）之间选择

4. 创建资源/工具：开发或连接你的 MCP 将提供的的具体数据源和服务

5. 设置客户端：在你的 MCP 服务器和客户端之间建立安全稳定的连接

   
   

MCP 的本质是提供了一种统一标准的方式，将 AI Agent 和模型与外部数据和工具集成。这不仅仅是另一个 API，它是一个强大的连接框架，使智能、动态和上下文丰富的 AI 应用成为可能。