使用MCP进行AI集成的6大理由

还在手动集成 LLM？快用 MCP！它像 AI 的 USB-C，标准化 AI 访问 API 和内部系统的方式。通过 MCP，LLM 能实时连接你的堆栈，灵活切换 AI 供应商，并无缝融入现有治理模型，为 AI 原生开发体验赋能。Konnect 已支持 MCP！

译自：6 Reasons You’ll Want To Use MCP for AI Integration^[1]

作者：Ross Kukulinski

在过去的一年中，大型语言模型 (LLM) 已经从研究新事物转变为业务关键型工具。但是，将这些模型集成到生产工作流程中，尤其是在将它们与 API 和内部系统一起使用时，仍然非常困难。大多数开发人员仍然在手动连接脆弱的函数调用，将粘合代码拼接在一起或依赖实验性插件。缺少的是一种一致的、标准化的方式来将 LLM 连接到驱动现代应用程序的工具、数据和基础设施^[2]。

这就是 模型上下文协议 (MCP)^[3] 的用武之地。

MCP 是一种轻量级的开放协议，旨在标准化应用程序向 AI 代理和 LLM 提供上下文的方式。可以将其视为 AI 的 USB-C：一种将智能代理插入其需要理解和交互的服务和系统的通用方法。无论您是连接到本地数据源还是远程 API，MCP 都能以一种干净、安全和灵活的方式让 AI 与现实世界集成，而无需每次都编写定制的连接器。

MCP 通用架构。（来源：Kong，基于 模型上下文协议图^[4]。）

让我们探讨一下为什么 MCP 正在迅速成为^[5] 在 AI、API 和基础设施交叉领域工作的团队的必备工具的六个原因。

1. 如果 LLM 无法看到您的堆栈，它们就毫无用处

LLM 在推理、总结和生成方面非常强大，但它们无法对它们不知道存在的系统采取行动。除非有人明确地连接这些点，通常是通过脆弱的一次性代码或过时的 API 定义，否则大多数企业基础设施对 AI 代理仍然是不可见的。

MCP 引入了一种标准的客户端-服务器模型，其中 AI 代理（或其开发人员环境）查询称为 MCP 服务器的结构化接口。这些服务器通过可发现的、经过授权的接口公开 API、服务甚至控制平面数据。这意味着您的代理最终可以看到您的内部工具、API 和服务，并在上下文中对它们进行推理。

2. 它为非结构化生态系统带来结构

当 AI 代理可以以编程方式与服务交互时，它们的工作效果最佳，但通常，这些服务没有文档记录、不一致或缺乏智能消费所需的元数据。虽然像 OpenAPI 这样的标准为描述 API 提供了坚实的基础，但它们通常是静态的，并且没有提供 AI 代理开箱即用所需的完整语义或运行时上下文。

MCP 通过定义服务应如何向 AI 描述自己来构建此基础 - 不仅具有结构，还具有意图。它使开发人员能够以模型可以理解、查询和操作的方式指定 API 操作的目的、参数和结果。

这是从文档到交互的关键飞跃。

3. 它支持实时代理工作流程

在 MCP 之前，大多数 LLM 代理集成都需要轮询、脚本或中间 API 才能触发简单的操作。这对于一次性任务来说可能还可以，但是当您需要可扩展的多代理工作流程时，尤其是在实时环境中，它会崩溃。

使用 MCP，代理维护与其依赖的服务的活动客户端-服务器连接。这意味着 IDE 或终端中的 AI 助手可以立即查询遥测数据、查找策略配置或调用微服务，而无需重新编译或手动重新配置集成。

这种实时连接为真正自主的代理打开了大门，这些代理可以监视、响应和适应实时基础设施。

4. MCP 为您提供灵活性，而无需锁定

MCP 最容易被忽视的优点之一是它在设计上与 AI 供应商无关。因此，它不会将您锁定到特定的 LLM 提供商、AI 工具链或云供应商。实际上，MCP 正在被多个 LLM 客户端采用，并且与跨生态系统的工具兼容，包括 IDE、脚本环境和像 AutoGen 这样的代理框架。

由于其模块化架构，您可以混合和匹配 AI 系统，并随着时间的推移更换供应商，而不会破坏您的集成。这在当今快速变化的 AI 格局中尤其有价值，在这种格局中，互操作性正变得比单独的性能更重要。

5. 它使 AI 成为您治理模型的一部分

将基础设施暴露给 LLM 提出了一个关键问题：如何保护它？
借助 MCP，数据访问不再是插入工具的副作用，而是协议的一部分。每个 MCP 服务器都可以精确定义其公开的内容以及使用的凭据。这意味着 AI 代理继承了您已在系统中使用的相同权限模型。

因此，您可以像对待人类用户一样严格地授予 AI 访问权限，甚至可以将其限制于特定服务、团队或部署环境。这使得构建安全、可审计的工作流程成为可能，从而避免 AI 成为合规性负担。

6. 它让您为 AI 原生开发者体验做好准备

软件开发的未来是 AI 原生的。IDE 正在变成副驾驶。终端正在被自然语言取代。开发人员已经在要求 LLM 搭建代码、调试日志和启动服务。

MCP 为这些环境提供了它们所缺少的环节：对它们应该管理的 инфраструктура 进行实时、结构化的访问。无论是发现 API、检查使用模式还是触发部署，MCP 都使 инфраструктура 可供 AI 访问，并因此可供使用它的人类访问。

最后的想法

MCP 不仅仅是堆栈中的另一层^[6]，它是 AI 和现代软件系统之间的新型连接组织。通过提供一致、开放和安全的方式将服务公开给智能代理，MCP 有助于释放 LLM 在生产中的全部潜力。
虽然团队可以构建自己的 MCP 服务器来公开 API、可观测性数据或策略配置，但一些平台已经提供了开箱即用的 MCP 支持，这使得入门和利用比以往任何时候都更容易。

Kong 已在我们的 API 生命周期管理平台 Konnect 中添加了对 MCP 的支持^[7]，使组织能够将其整个 API 系统记录公开给 AI 代理，从服务发现到流量分析和策略配置。

AI 原生时代即将到来。而 MCP 可能正是保持一切和每个人连接的标准。

引用链接

[1] 6 Reasons You’ll Want To Use MCP for AI Integration:https://thenewstack.io/six-reasons-youll-want-to-use-mcp-for-ai-integration/
[2]数据和基础设施:https://thenewstack.io/the-architects-guide-to-the-modern-data-stack/
[3]模型上下文协议 (MCP):https://thenewstack.io/model-context-protocol-bridges-llms-to-the-apps-they-need/
[4]模型上下文协议图:https://modelcontextprotocol.io/introduction
[5]MCP 正在迅速成为:https://thenewstack.io/mcp-the-missing-link-between-ai-Agents-and-apis/
[6]MCP 不仅仅是堆栈中的另一层:https://thenewstack.io/building-your-first-model-context-protocol-server/
[7]Konnect 中添加了对 MCP 的支持:https://konghq.com/blog/product-releases/mcp-server