跳到主要内容

MCP 深度指南

"MCP 是 AI 应用的 USB-C 标准——一个通用的连接器，让工具和数据源能被任何模型使用。"

1. 问题定义：N×M 集成地狱​

现代 AI 应用需要连接到 N 个数据源（GitHub、数据库、API）和 M 个模型提供商（Claude、GPT、Gemini）。如果没有标准化协议，每个提供商 × 数据源组合都需要定制集成——总计 N × M 个连接器。

Model Context Protocol (MCP) 通过一个通用标准解决了这个问题：

  1. 数据源提供商构建 一个 MCP Server 来暴露其数据
  2. AI 应用实现 一个 MCP Client 来消费任何兼容 Server 的数据
  3. 结果：N + M 个连接器 而非 N × M 个

Anthropic 于 2024 年 11 月开源了 MCP 规范。截至 2025 年初，主要采用者包括 Claude Desktop、Cursor、Zed IDE、Sourcegraph 和 Replit。

这种 "一次编写，到处运行" 的理念将模型提供商与工具构建者解耦，创建了一个标准化生态系统，开发者构建一个 "Postgres MCP Server" 就能立即接入所有 MCP 兼容 AI 应用的用户群。

2. 架构拓扑与系统设计​

MCP 的架构不同于传统 RESTful API 范式，采用专为对话 AI 的有状态、会话式特性设计的 Client-Host-Server 拓扑。

2.1 MCP 三角：Host、Client 和 Server 的动态关系​

MCP 生态系统由三个不同角色定义，通常称为 "MCP 三角"：

组件角色职责与描述
MCP Host编排器用户面对的应用程序，LLM 运行其中（Claude Desktop、Cursor、Zed IDE）。管理 UI、上下文聚合、安全策略和决策。
MCP Client连接器Host 内部的协议实现。将 LLM 输出转换为 JSON-RPC 消息，管理与 Server 的 1:1 持久连接。
MCP Server提供者封装特定数据源的独立进程。暴露 Resources、Tools 和 Prompts；执行实际 API 调用。

2.2 传输层：通信与逻辑解耦​

MCP 是传输无关的——协议语义与传输层解耦。

Stdio（标准输入/输出）传输​

  • 机制：Host 将 Server 作为子进程启动；通过 stdin/stdout 通信
  • 优势：零配置、本地安全、极低延迟
  • 限制：Server 随 Host 会话结束而终止；难以在用户间共享

SSE（Server-Sent Events）/ HTTP 传输​

  • 机制：HTTP POST 用于客户端到服务端；SSE 用于服务端到客户端
  • 优势：可扩展（服务数千客户端）、持久化、与标准基础设施兼容
  • 安全：需要 OAuth/Bearer Token 和 TLS 加密

2.3 JSON-RPC 2.0：语言基础​

MCP 的传输协议基于 JSON-RPC 2.0，一个无状态、轻量的远程过程调用协议。

MCP 中的每次交互都封装在 JSON-RPC 消息中：

  • 请求：method、params 和唯一 id
  • 响应：result 或 error，带有匹配的 id
  • 通知：method 和 params，无 id（即发即弃）

3. 功能原语：能力剖析​

MCP 将 AI 交互标准化为三种主要能力类型，或称 "原语"：

3.1 Resources：被动上下文层​

Resources 代表 Server 暴露的**"只读"**知识。

  • 定义：提供上下文的被动数据
  • 标识：每个 resource 有唯一 URI（如 file:///logs/app.log、postgres://users/schema）
  • 动态发现：Server 可暴露 "Resource Templates"（如 git://{repo}/pull/{pr_number}）
  • 订阅：Client 可通过 notifications/resources/updated 订阅实时更新

3.2 Tools：智能体行动层​

Tools 是 Server 的可执行能力。

  • 定义：接受参数并返回结果的可执行函数
  • 结构：name、description 和 inputSchema（JSON Schema）
  • 执行：Host 暂停生成，Client 发送 tools/call 请求，Server 执行，结果返回给模型
  • 副作用：Tools 假定有副作用，通常触发 Human-in-the-Loop 确认

3.3 Prompts：模板层​

Prompts 允许 Server 导出**"最佳实践"**交互模板。

  • 定义：预配置模板，定义 LLM 应如何与 Server 数据交互
  • 用例：Git MCP Server 可能暴露 generate-commit-message prompt
  • 价值：标准化工作流并编码专家策略

3.4 Sampling：递归智能与服务端 RAG​

Sampling 是一种高级原语，控制方向反转——Server 请求 Host 使用 LLM 处理数据。

  • 场景：Server 遇到无法解析的代码；发送 sampling/createMessage 请求让 Host 的 LLM 进行摘要
  • 意义：实现 "Server 端 RAG" 而无需在 Server 中嵌入 LLM

4. 运行动态与交互模式​

4.1 初始化（握手）​

在任何上下文交换之前，Client 和 Server 必须建立契约：

  1. Initialize 请求（Client → Server）：protocolVersion、capabilities、clientInfo
  2. Initialize 响应（Server → Client）：protocolVersion、capabilities、serverInfo
  3. Initialized 通知（Client → Server）：确认，正常操作开始

4.2 发现与注册​

Host 通过以下命令"绘制领土"：

  • tools/list：获取可用函数和 schema
  • resources/list：获取可用数据上下文
  • prompts/list：获取可用模板

4.3 执行（循环）​

场景：用户问"查看东京天气并保存到日志文件。"

  1. LLM 推理需要 get_weather(city="Tokyo")
  2. Client 发送 tools/call 请求到 Weather MCP Server
  3. Server 执行逻辑（调用天气 API）
  4. Server 返回结果给 Client
  5. Host 将结果注入 LLM 上下文
  6. LLM 决定调用 File System MCP Server 的 write_file(...)
  7. 过程重复直到任务完成

5. 安全架构与企业治理​

5.1 传输安全：隔离 vs 加密​

特性Stdio（本地）SSE / HTTP（远程）
信任边界进程隔离网络边界
攻击面限于本地机器暴露于网络
缓解措施沙箱（Docker、microVM）TLS（HTTPS）、VPN/VPC

5.2 授权与 "Human-in-the-Loop"（HITL）​

Confused Deputy 问题 是智能体 AI 中最重大的风险。恶意 Prompt 注入可能欺骗 LLM 执行破坏性操作。

通过 HITL 缓解：

  • 审批对话框：Host 必须为敏感 Tools 展示 UI 确认
  • 细粒度授权：协议支持不同许可级别的 "Elicitation"
  • Sampling 治理：Host 作为 sampling/createMessage 请求的防火墙

5.3 认证框架​

  • HTTP Headers：标准 Authorization: Bearer <token> 用于 SSE/HTTP
  • OAuth 2.1：企业集成的首选标准
  • 连接初始化：Token 可在 initialize 握手期间传递

6. 实现策略与生态​

6.1 SDK 概览​

特性TypeScript SDKPython SDKJava SDK
主要用例Web 端 Host、Node.js Server数据科学、AI 工程企业后端系统
设计模式函数式/事件驱动（zod）装饰器模式（FastMCP）面向对象（Spring AI）
异步模型原生 PromiseasyncioReactive Streams（Project Reactor）
生态Vercel AI SDK、LangChain.jsLangChain、LlamaIndexSpring Boot 生态

6.2 开发体验：MCP Inspector 调试​

Anthropic 提供了 MCP Inspector，专用开发工具：

  • 交互式测试：UI 手动调用 Tools 并查看 Resources
  • 流量分析：实时显示所有 JSON-RPC 消息
  • Schema 验证：即时标记规范违规

6.3 生产部署最佳实践​

实践描述
无状态设计 Server 为无状态以支持水平扩展
优雅降级实现健壮的错误处理和结构化错误消息
可观测性使用 notifications/message 进行服务端日志记录

结论​

Model Context Protocol 代表了生成式 AI 行业的成熟点。它标志着从"野蛮西部"式的定制脆弱 API 集成向标准化、可互操作的工业基础设施的转变。

通过解决 N×M 连接性问题，MCP 大幅降低了构建智能体系统的成本和复杂度。协议架构——建立在 Host、Client 和 Server 之间安全、有状态的交互之上——为企业采用提供了必要的抽象层。

对于开发者和企业架构师，战略方向很明确：从构建专有 "AI Connector" 转向构建标准 "MCP Server" 是面向未来 AI 基础设施的正确路径。

核心要点

MCP 将自身定位为智能体 Web 的 TCP/IP 等价物——让组织能够在保持数据原地不动（隔离）的同时，使其对未来的推理引擎可用（连接）。