引言：为什么 MCP 值得关注？
自 2024 年 11 月 25 日 Anthropic 公开发布模型上下文协议（Model Context Protocol，简称 MCP）以来，这一协议迅速成为人工智能领域的热点话题，预示着 AI 智能体系统（Agentic Systems）发展的新方向。作为一名长期关注数据与 AI 技术的研究者，我对 MCP 的潜力充满期待。本文将深入探讨 MCP 的核心概念及其对未来 AI 智能体系统的重要意义。
以下是本文的主要内容框架：
- AI 智能体与智能体系统的基本概念回顾
- MCP 的定义与作用
- 通过 MCP 实现控制职责的分离
- MCP 如何推动 AI 智能体架构的演进
- MCP 的未来发展路线图
AI 智能体与智能体系统快速回顾
AI 智能体是一种以大语言模型（LLM）为核心推理引擎的应用程序，能够根据用户意图自主决定解决问题的步骤。其基本结构通常包括以下关键模块：
- 规划（Planning）：指智能体设计一系列行动步骤以实现用户目标的能力。规划策略多种多样，例如我曾在一篇文章中详细探讨过“反思（Reflection）”策略，展示如何从零开始构建规划能力。
- 记忆（Memory）：包括短期记忆和长期记忆，用于存储智能体推理所需的信息。这些信息通常通过系统提示（System Prompt）传递给 LLM。我在之前的文章中也探讨过不同类型的记忆机制。
- 工具（Tools）：智能体可以通过调用各种工具增强其推理能力。工具的定义非常广泛，可以是代码中的简单函数、向量数据库（VectorDB）、传统机器学习模型的 API，甚至是其他智能体。
需要注意的是，并非所有智能体系统都拥有完全的执行自主权。Anthropic 提出过“增强型 LLM（Augmented LLMs）”的概念，在这种模式下，LLM 仅控制工具和记忆，而规划逻辑则由代码预定义。
MCP 是什么？
MCP，即模型上下文协议，是 Anthropic 推出的一项开放协议，旨在标准化基于 LLM 的应用程序与外部环境的集成方式，从而为 LLM 提供上下文信息。具体而言，它规范了应用程序与外部环境交互的模式。
在 AI 智能体或增强型 LLM 链中，上下文信息可以通过多种形式提供：
- 外部数据：作为长期记忆的一部分，例如存储的历史数据或知识库。
- 工具：系统与环境交互的能力，例如调用 API 或执行特定功能。
- 动态提示（Dynamic Prompts）：可注入系统提示的动态信息，用于指导 LLM 推理。
以下是 MCP 的高层架构示意图：
MCP 架构包含以下核心组件：
1. MCP 主机（Host）：以 LLM 为核心的程序，通过 MCP 访问数据。
2. MCP 客户端（Client）：与服务器保持一对一连接的客户端。
3. MCP 服务器（Server）：通过标准化的 MCP 协议暴露特定能力的轻量级程序。
4. 本地数据源：MCP 服务器可安全访问的本地文件、数据库和服务。
5. 远程数据源：通过互联网（如 API）连接的外部系统。
#### 为什么要标准化？
当前智能体应用的开发流程较为混乱，主要体现在以下几个方面：
- 市场上存在众多智能体框架，尽管生态繁荣，但框架之间的细微差异往往未能带来足够价值，反而增加了开发者的代码适配成本。
- 与外部数据源的集成通常是临时性的，甚至在同一组织内也可能使用不同协议，不同公司之间更是如此。
- 工具的定义和实现方式在代码库中各不相同，连接工具到增强型 LLM 的方式也千差万别。
MCP 的目标是通过标准化，提升智能体应用的开发效率，增强系统安全性，并简化将相关数据引入上下文的流程。
MCP 如何实现控制职责的分离？
MCP 服务器通过三种核心元素实现了控制职责的分离：
- 提示（Prompts）：用户控制。在server端设计特定的提示模板，供用户在使用 LLM 应用时注入并进行交互，就像智能体的“耳朵”，让用户与智能体进行对话。
- 资源（Resources）：应用控制。资源是供 LLM 应用使用的任何数据（文本或二进制），由 AI 工程师在应用中定义使用方式，通常不涉及自动化或 LLM 的决策。
- 工具（Tools）：模型控制。如果赋予应用与环境交互的自主权，工具是实现这一功能的关键。MCP 服务器提供工具列表及其描述和参数，应用将列表传递给 LLM，由其决定调用哪些工具及调用方式。
MCP 如何推动 AI 智能体架构的演进？
为了阐释 MCP 对智能体架构的改进，我们以一个简单的智能体 RAG（Retrieval-Augmented Generation，检索增强生成，一种通过检索外部数据增强生成能力的技术）系统为例：
其工作流程通常包括以下步骤：
1. 用户查询分析：将用户查询传递给基于 LLM 的智能体进行分析，可能重写查询或拆分为多个子查询，并判断是否需要额外数据源。
2. 数据检索：若需额外数据，触发检索步骤。智能体 RAG 可能涉及多个智能体，决定调用哪些数据源，例如实时用户数据（如当前位置）、内部文档（如公司政策）或网络公开数据。
3. 答案生成：若无需额外数据，直接通过 LLM 生成答案或行动方案。
4. 答案评估：对生成的答案进行分析、总结和评估。若答案合格，则返回用户；若需改进，则重写查询并重复生成流程。
#### 引入 MCP 后架构如何变化？
通过引入 MCP 服务器处理所有与检索相关的数据源，LLM 可以自主选择相关数据源。这一方法带来以下优势：
- 解耦检索逻辑与智能体系统拓扑：检索组件可独立演进，支持新增工具、数据源，或对现有工具和数据源进行版本管理与回滚。
- 增强数据安全与访问控制：通过 MCP 服务器统一管理数据访问权限。
- 团队协作效率提升：不同团队可独立负责各自数据域，不干扰智能体拓扑的开发。
#### 大型企业中的架构演进
在大型企业中，不同团队通常负责特定的数据资产，例如 CRM 数据、财务数据或实时网页点击流数据。MCP 在这种场景下的价值尤为显著：
- 每个数据域可独立管理自己的 MCP 服务器。
- 所有 MCP 服务器遵循统一协议，显著降低 LLM 应用的集成成本。
- AI 工程师可以专注于智能体拓扑设计，而无需过多关注数据集成细节。
重要观点：MCP 的最大优势之一在于它在大规模项目中实现了系统的解耦。不同团队可以在各自领域独立工作，而不会干扰主智能体拓扑的开发进度。
MCP 的未来发展路线图
根据公开信息，MCP 未来 6 个月的发展重点包括：
- 云原生能力的强化：改进身份验证、授权和服务发现机制。
- 支持智能体系统的未来发展：
- 层次化智能体系统。
- 交互式工作流，提升“人在回路”交互体验。
- 结果流式传输。
总结：MCP 的前景与建议
虽然 MCP 目前还处于初步阶段，但其发展路线图令人振奋。有了 Anthropic 的支持，MCP 的前景一片光明。我建议你密切关注 MCP 项目，甚至可以考虑开始尝试应用，并通过 Anthropic 的官方网站获取更多信息和资源。未来，我将分享更多关于 MCP 的实践内容，敬请期待！