大模型的“智能插座”

高手論技

編者按：在人工智能越來(lái)越融入生活的今天，你是否好奇人工智能如何與外部系統(tǒng)“對(duì)話”，精準(zhǔn)獲取信息并完成任務(wù)？Anthropic于2024年推出的MCP協(xié)議將給你答案。本系列文章將分兩部分解析MCP協(xié)議，本期重點(diǎn)介紹MCP協(xié)議的起源和工作原理，下一期將聚焦于MCP協(xié)議的具體實(shí)現(xiàn)方法。通過(guò)這兩期的文章，讀者將能夠了解MCP協(xié)議，并掌握其在實(shí)際應(yīng)用中的具體操作方法。

關(guān)鍵詞：大模型；MCP協(xié)議；人工智能

中圖分類號(hào)：G434文獻(xiàn)標(biāo)識(shí)碼：A論文編號(hào)：1674—2117（2025）13-0074-07

近年來(lái)，大模型技術(shù)成為推動(dòng)行業(yè)進(jìn)步的核心力量，從GPT的誕生開啟預(yù)訓(xùn)練模型的新時(shí)代，到ChatGPT引發(fā)全球范圍內(nèi)的廣泛關(guān)注與應(yīng)用熱潮，再到DeepSeek等推理模型能力的不斷提升，人工智能（AI）正深刻影響著人們的生活、工作和學(xué)習(xí)方式。同時(shí)，隨著應(yīng)用的深入，大模型的局限性也逐漸顯現(xiàn)，促使業(yè)界不斷探索新的技術(shù)路徑和解決方案，MCP協(xié)議便是其中的重要突破之一。

大模型的快速迭代

自2018年OpenAI推出首款GPT模型 GPT-1以來(lái)，AI在語(yǔ)言領(lǐng)域的發(fā)展便開啟了新的篇章。GPT-1基于Transformer架構(gòu)，通過(guò)在海量文本數(shù)據(jù)上進(jìn)行無(wú)監(jiān)督預(yù)訓(xùn)練，在一定程度上達(dá)到了理解語(yǔ)言知識(shí)以及語(yǔ)義層面的效果，而后隨著該系列模型不斷演進(jìn)迭代，從GPT-2到GPT-3，模型參數(shù)量也在不斷提高，模型性能得到了極大程度的提升，特別是GPT-3幾乎能覆蓋絕大多數(shù)自然語(yǔ)言處理的文本生成任務(wù)，并能在如文本生成、問(wèn)答、翻譯等任務(wù)中生成連貫、通順、具邏輯性的語(yǔ)句，促使更多的AI應(yīng)用于自然語(yǔ)言處理方面。2022年底，基于GPT-3.5版優(yōu)化微調(diào)而來(lái)的ChatGPT火爆全球，它可以根據(jù)對(duì)話場(chǎng)景展開工作，能夠自如地與人類對(duì)話，無(wú)論是旅游攻略問(wèn)詢，還是知識(shí)性了解等，都可以得到準(zhǔn)確又實(shí)用的答案。

隨著GPT和ChatGPT的成功，全球科研機(jī)構(gòu)和企業(yè)紛紛涌入大模型研發(fā)賽道。我國(guó)的深度求索公司在2024年12月26日推出的DeepSeekV3在對(duì)話式AI及通用任務(wù)處理上表現(xiàn)優(yōu)異；2025年1月20日推出的DeepSeekR1則在推理能力上一騎絕塵，在編程、數(shù)學(xué)等深度思考任務(wù)中超越OpenAI的ol模型。該系列模型不僅性能卓越，還在成本效益和開源策略上獨(dú)樹一幟。DeepSeek憑借創(chuàng)新架構(gòu)設(shè)計(jì)和訓(xùn)練方法，大幅降低模型訓(xùn)練成本，同時(shí)采取開源策略，讓眾多開發(fā)者和研究人員得以基于其模型進(jìn)行二次開發(fā)、創(chuàng)新應(yīng)用，有力推動(dòng)了AI技術(shù)的廣泛傳播與發(fā)展。

大模型的局限與突破

盡管大模型在語(yǔ)言文字處理甚至邏輯推理方面取得了顯著成就，但它們?nèi)匀淮嬖谝欢ǖ木窒扌?。首先，大模型的知識(shí)更新存在滯后性，其訓(xùn)練數(shù)據(jù)是基于過(guò)去某個(gè)時(shí)間點(diǎn)之前的信息，對(duì)最新的事件、知識(shí)和技術(shù)無(wú)法及時(shí)更新。其次，大模型生成的內(nèi)容可能存在準(zhǔn)確性和可靠性問(wèn)題，尤其是在涉及專業(yè)領(lǐng)域知識(shí)時(shí)，容易出現(xiàn)錯(cuò)誤或誤導(dǎo)性的回答。更大的難題是大模型在面對(duì)需要與外部世界進(jìn)行交互和操作的任務(wù)時(shí)顯得無(wú)能為力，如控制外圍設(shè)備、調(diào)用特定軟件的功能等。為了解決這些局限性，RAG（Retrieval-AugmentedGeneration，檢索增強(qiáng)生成）和FunctionCalling（函數(shù)調(diào)用）應(yīng)運(yùn)而生。

RAG有效地解決了大模型知識(shí)更新不及時(shí)和生成內(nèi)容準(zhǔn)確性的問(wèn)題。傳統(tǒng)的大模型主要依賴預(yù)訓(xùn)練數(shù)據(jù)中的知識(shí)，而RAG通過(guò)引入外部知識(shí)檢索機(jī)制，在生成內(nèi)容時(shí)能夠?qū)崟r(shí)從網(wǎng)頁(yè)或數(shù)據(jù)庫(kù)中不斷抓取新知識(shí)，并帶到模型的生成任務(wù)中去，其工作原理如圖1所示（圖片來(lái)源于Daily Dose of Data Science）。例如，可以直接抓取相關(guān)的網(wǎng)站或數(shù)據(jù)庫(kù)，并將其中的內(nèi)容加入到自己的回答中，或者針對(duì)某個(gè)領(lǐng)域，調(diào)用該領(lǐng)域相應(yīng)的專業(yè)資料，然后再向模型提問(wèn)，就能回答出更加專業(yè)準(zhǔn)確的答案。RAG有著諸多優(yōu)點(diǎn)，但也有劣勢(shì)。首先，由于在模型生成的過(guò)程中需要對(duì)外部知識(shí)進(jìn)行檢索，因而需要付出大量的計(jì)算代價(jià)以及時(shí)間，這會(huì)延長(zhǎng)模型做出回應(yīng)的時(shí)間。其次，最終獲得的知識(shí)信息由檢索質(zhì)量決定，在檢索過(guò)程中如果信息是錯(cuò)誤的或者偏離問(wèn)題太遠(yuǎn)，最終生成的答案也會(huì)隨之發(fā)生偏差。RAG雖然對(duì)復(fù)雜語(yǔ)義理解和推理任務(wù)具有一定作用，但仍需依靠大模型自身的能力，在面對(duì)深度理解及綜合分析類問(wèn)題時(shí)效果有限。

Function Calling可以讓大模型進(jìn)入真實(shí)世界，實(shí)現(xiàn)由文字理解到文字產(chǎn)生，最后到行為輸出的躍遷。其讓大模型可以調(diào)用外部世界的函數(shù)或者工具去做一些事情，如調(diào)用第三方的API來(lái)獲取信息、連接外部世界的設(shè)備去做一些簡(jiǎn)單的事情、執(zhí)行如使用某種APP程序等更為復(fù)雜的功能。Function Calling在幫助大模型打破語(yǔ)言處理上的桎梏的同時(shí)，也能讓它實(shí)現(xiàn)更好的應(yīng)用。例如，在數(shù)據(jù)分析領(lǐng)域，通過(guò)調(diào)用相關(guān)的函數(shù)來(lái)實(shí)現(xiàn)對(duì)數(shù)據(jù)的清洗、抽取或者其他操作，并在這些相關(guān)工作都完成之后生成一個(gè)相關(guān)的報(bào)表，這樣就可以更好地實(shí)現(xiàn)功能的發(fā)揮。其具體的工作原理如圖2所示（圖片來(lái)源于DailyDose ofData Science）。但同時(shí)它也產(chǎn)生了一些新的問(wèn)題：一方面要建立模型的調(diào)用接口以及規(guī)則，保證大模型可以了解并調(diào)用正確的函數(shù)（這對(duì)模型開發(fā)與維護(hù)是不小的負(fù)擔(dān)）；另一方面，如何保證模型可以在調(diào)用的過(guò)程中避免或應(yīng)對(duì)出現(xiàn)的錯(cuò)誤等。除了模型要對(duì)具體的指定的函數(shù)或者動(dòng)作進(jìn)行相應(yīng)的權(quán)限校驗(yàn)，保證能調(diào)用到的是已授權(quán)的之外，也涉及一些安全問(wèn)題。

開啟大模型新征程

隨著大模型應(yīng)用領(lǐng)域的不斷擴(kuò)大，對(duì)高效、安全、通用的模型間通信及交互的協(xié)議需求也在逐漸增加。為了滿足大模型與外界系統(tǒng)有效交流、大模型協(xié)同工作，以及對(duì)整個(gè)資源進(jìn)行統(tǒng)一管理的要求，Anthropic公司于2024年11月25日發(fā)布了MCP協(xié)議（ModelContextProtocol模型上下文協(xié)議），以保證大模型更好地參與到多種任務(wù)場(chǎng)景之中，實(shí)現(xiàn)更有效率的工作。

MCP協(xié)議通過(guò)標(biāo)準(zhǔn)化的JSON消息格式和通用通信協(xié)議（如JSON-RPC、HTTP、WebSocket等），封裝多種不同的協(xié)議，從而實(shí)現(xiàn)與各種外部工具和數(shù)據(jù)源的交互。這種封裝方式使得開發(fā)者可以更加專注于AI模型的開發(fā)，而無(wú)需過(guò)度關(guān)注不同工具之間的集成問(wèn)題。只需實(shí)現(xiàn)與MCP協(xié)議兼容的客戶端，即可與不同類型的服務(wù)器無(wú)縫連接。與RAG和Function Calling相比，MCP協(xié)議提供了統(tǒng)一的接口，解決了不同數(shù)據(jù)源和工具之間的兼容性問(wèn)題，降低了集成成本，使AI模型能夠輕松接入多種服務(wù)，減少了開發(fā)和維護(hù)的工作量。此外，MCP協(xié)議的雙向通信機(jī)制支持更復(fù)雜和智能的交互，為未來(lái)智能應(yīng)用提供了廣泛的可能性。同時(shí)，它支持多種數(shù)據(jù)傳輸機(jī)制和傳輸層協(xié)議，具有良好的擴(kuò)展性，能夠適應(yīng)不同的應(yīng)用需求。

器（Client-Server）架構(gòu)，工作流程如圖3所示，主要包括以下三個(gè)核心組件：

主機(jī)（Host）：Host是用戶與AI系統(tǒng)進(jìn)行交互的入口，負(fù)責(zé)接收用戶的輸入、展示系統(tǒng)的輸出，并協(xié)調(diào)整個(gè)交互流程。它可以是一個(gè)應(yīng)用程序、網(wǎng)頁(yè)界面或嵌入式系統(tǒng)等。

客戶端（Client）：Client運(yùn)行在Host內(nèi)部，負(fù)責(zé)與外部的Server進(jìn)行通信。它根據(jù)Host的指令，向Server發(fā)送請(qǐng)求，并接收Server返回的響應(yīng)。

服務(wù)器（Server）：Server提供各種外部工具、資源和服務(wù)，供Client調(diào)用。它可以是一個(gè)應(yīng)用程序接口（API）、數(shù)據(jù)庫(kù)、傳感器設(shè)備或其他智能系統(tǒng)等。

在工作過(guò)程中，Host首先接收用戶的請(qǐng)求，然后將其傳遞給Client。Client根據(jù)請(qǐng)求的內(nèi)容和預(yù)定義的規(guī)則，構(gòu)造一個(gè)符合MCP協(xié)議的消

MCP協(xié)議采用客戶端-服務(wù)息，發(fā)送給相應(yīng)的Server。Server在接收到消息后，解析其中的指令和參數(shù)，執(zhí)行相應(yīng)的操作，并將結(jié)果以

MCP協(xié)議規(guī)定的格式返回給Client。Client在收到響應(yīng)后，將其傳遞回Host，Host再將最終的結(jié)果展示給用戶。整個(gè)過(guò)程遵循JSON-RPC2.0協(xié)議，確保了信息傳遞的準(zhǔn)確性和可靠性。

案例模擬—天氣查詢與出行建議

1.MCP客戶端-服務(wù)器架構(gòu)工作流程

初始化階段：Host在啟動(dòng)時(shí)，會(huì)創(chuàng)建一個(gè)Client實(shí)例，Client會(huì)主動(dòng)去連接Server，雙方進(jìn)行初始化握手。這個(gè)過(guò)程主要是確認(rèn)雙方的版本號(hào)是否匹配。

能力交換階段：Client會(huì)向Server請(qǐng)求提供能力列表，包括可用的工具、資源和提示。Server在收到請(qǐng)求后，會(huì)返回一個(gè)能力列表，描述每個(gè)工具和資源的功能。這一步相當(dāng)于雙方互相了解對(duì)方能提供什么服務(wù)。

請(qǐng)求/響應(yīng)階段：Host在接收到用戶的請(qǐng)求后，會(huì)根據(jù)請(qǐng)求內(nèi)容判斷是否需要調(diào)用外部工具。如果需要，Host會(huì)指示Client向?qū)?yīng)的Server發(fā)送請(qǐng)求。Server在接收到請(qǐng)求后，會(huì)執(zhí)行相應(yīng)的操作，如調(diào)用某個(gè)API，然后把結(jié)果返回給Client。Client再把結(jié)果傳遞給Host，Host最后生成最終的響應(yīng)返回給用戶。

通知階段：在某些情況下，Server可能還需要向Client發(fā)送一些通知，如資源更新通知、進(jìn)度通知等。Client在收到通知后，會(huì)更新本地的狀態(tài)，并觸發(fā)一些回調(diào)函數(shù)

通信細(xì)節(jié)：Client和Server之間的所有通信都遵循JSON-RPC 2.0協(xié)議，通過(guò)標(biāo)準(zhǔn)輸入輸出流（stdio）字段。

或服務(wù)器推送事件（SSE）進(jìn)行傳輸。每個(gè)請(qǐng)求和響應(yīng)都封裝成一個(gè)JSON對(duì)象，包含方法名、參數(shù)、ID等

安全和權(quán)限：在Sampling原語(yǔ)中，Server在請(qǐng)求AI模型進(jìn)行推理時(shí)，需要用戶明確授權(quán)。協(xié)議限制了Server對(duì)提示內(nèi)容的可見范圍，以保護(hù)用戶隱私。

全流程如第76頁(yè)圖4所示。Host相當(dāng)于一個(gè)協(xié)調(diào)者，負(fù)責(zé)接收用戶請(qǐng)求并生成最終響應(yīng)；Client相當(dāng)于一個(gè)中間人，負(fù)責(zé)與Server建立連接并協(xié)調(diào)消息傳遞；Server相當(dāng)于一個(gè)資源庫(kù)，提供各種工具和資源供Client調(diào)用。三者通過(guò)JSON-RPC協(xié)議進(jìn)行標(biāo)準(zhǔn)化通信，實(shí)現(xiàn)了大模型與外部系統(tǒng)的高效交互。

2.系統(tǒng)架構(gòu)與角色定義

Host：用戶意圖的解析與調(diào)度中心、系統(tǒng)的“大腦”，負(fù)責(zé)接收用戶輸入、解析意圖、調(diào)度工具并生成最終響應(yīng)，通常是大模型運(yùn)行的服務(wù)端。

Client：負(fù)責(zé)實(shí)現(xiàn)MCP協(xié)議的底層通信邏輯，通常是嵌入在Host中的軟件模塊（如Python庫(kù)、設(shè)備驅(qū)動(dòng)），將Host的調(diào)度指令轉(zhuǎn)化為符合JSON-RPC規(guī)范的通信消息與各設(shè)備Server通信。

Server： ① 天氣預(yù)報(bào)Server。僅提供weather.query工具（查詢指定城市、日期的天氣）。 ② 地圖服務(wù)Server。整合map.recommend（景點(diǎn)推薦）、map.route（路線規(guī)劃）、map.restaurant（餐廳推薦）三個(gè)工具集成。

（1）過(guò)程一：初始化與能力發(fā)現(xiàn)階段

① Host啟動(dòng)Client連接Server（如上頁(yè)圖5）。② 能力交換：Client獲取Server工具列表（如上頁(yè)圖6）。

3.關(guān)鍵技術(shù)細(xì)節(jié)說(shuō)明

（2）過(guò)程二：用戶請(qǐng)求處理，多輪工具調(diào)用流程

① 用戶輸入解析與首輪工具調(diào)用（如上頁(yè)圖7）。② 基于天氣結(jié)果調(diào)用景點(diǎn)推薦工具（如上頁(yè)圖8）。③ 調(diào)用路線規(guī)劃工具（以頤和園為例），如圖9所示。④ 調(diào)用餐廳推薦工具（頤和園周邊），如圖10所示。

（3）過(guò)程三：結(jié)果整合與最終響應(yīng)生成

① Host整合多輪工具調(diào)用結(jié)果（如圖11）。② Server向Client推送最終結(jié)果（如下頁(yè)圖12）。③ Host向用戶返回自然語(yǔ)言響應(yīng)（如下頁(yè)圖13）。

上下文管理機(jī)制：整個(gè)流程通過(guò)contextId：\"beijing-trip-001\"串聯(lián)所有工具調(diào)用，Host可追溯歷史交互記錄，如用戶后續(xù)詢問(wèn)“頤和園就餐環(huán)境如何”時(shí)，可直接通過(guò)contextId獲取餐廳推薦數(shù)據(jù)。

安全授權(quán)流程：首次調(diào)流式響應(yīng)支持復(fù)雜查詢（如多景點(diǎn)路線規(guī)劃），Server可通過(guò)SSE分階段推送結(jié)果（如圖15）。

用weather.query時(shí)攜帶authorization字段，用戶需通過(guò)生物識(shí)別或密碼完成授權(quán)，Server根據(jù)權(quán)限列表限制數(shù)據(jù)訪問(wèn)范圍（如僅允許獲取北京天氣，禁止訪問(wèn)其他城市）。

錯(cuò)誤處理示例：若路線規(guī)劃Server返回錯(cuò)誤（如\"起點(diǎn)不可達(dá)\"），Client會(huì)自動(dòng)重試并觸發(fā)備用方案（如圖14）。

Host在接收到錯(cuò)誤后，會(huì)調(diào)用備選路線規(guī)劃（如公交方案）或提示用戶確認(rèn)起點(diǎn)信息。

通過(guò)該案例可見，MCP協(xié)議通過(guò)標(biāo)準(zhǔn)化的能力描述、上下文管理和多輪交互機(jī)制，使大模型能夠高效協(xié)調(diào)多個(gè)外部工具，將自然語(yǔ)言請(qǐng)求轉(zhuǎn)化為完整的現(xiàn)實(shí)世界解決方案，顯著提升了AI系統(tǒng)的實(shí)用性和智能化水平。

結(jié)語(yǔ)

Anthropic公司推出的MCP協(xié)議擁有極強(qiáng)的兼容性以及擴(kuò)展性，可讓大模型進(jìn)行相互之間的交流以及同外界的交互，并可提供安全可靠的交流方式，大大增強(qiáng)了大模型的學(xué)習(xí)能力。相信隨著Deepseek等國(guó)產(chǎn)大模型的強(qiáng)勢(shì)崛起，我國(guó)人工智能領(lǐng)域的研究水平將會(huì)進(jìn)一步得到提升。但與此同時(shí)也要注意到人工智能領(lǐng)域所引發(fā)的相關(guān)倫理、安全等風(fēng)險(xiǎn)，并據(jù)此進(jìn)行把控，以使其朝著正確的方向發(fā)展。