通俗解读MCP和Agent原理，包你看完秒懂！

通俗解读MCP和Agent原理，包你看完秒懂！

什么是MCP？

模型上下文协议（Model Context Protocol，简称 MCP）：是一个由Anthropic推出的开放协议，它标准化了应用程序如何向大模型提供上下文。

可以将MCP想象成AI应用程序的USB-C接口：USB-C提供了一种标准化的方式来连接你的设备到各种外设和配件，MCP提供了一种标准化的方式来连接AI模型到不同的数据源和工具。这些数据源和工具，包括数据库（例如 PostgreSQL）、API（例如 GitHub）、文件系统（例如 Google Drive）、电子邮件等。

MCP 如何工作？

MCP 的核心思想：客户端-服务器模型 (Client-Server Model)

- AI助手/模型（MCP客户端）请求信息或行动。

- MCP服务器从相关来源(数据库、文档文件夹或在线服务)获取信息并发送回来。

- AI使用这些信息给你提供更好、更准确的回答。

MCP 的三个关键组件:

- MCP主机（Host） ：就是运行 AI 应用 (比如 Claude) 的环境，运行 MCP 客户端。

- MCP客户端（Client）：运行在 AI 模型内部，负责用 MCP 协议与 MCP 服务器通信。

  - 示例： 如果 Claude 想从 PostgreSQL 数据库中获取销售数据，MCP 客户端会将请求格式化，并将其发送给 MCP 服务器。

- MCP服务器(Server) ：连接 AI 模型和外部系统之间的中介，充当“桥梁”和“翻译”。 它接收来自 MCP 客户端的请求，理解 AI 的意图，然后去外部资源获取数据或执行操作，再把结果返回给 AI 模型。

  - 针对每种外部资源 (比如 PostgreSQL，Google Drive，各种API)，都会有一个对应的 MCP 服务器，不同的服务器处理不同类型的外部资源。

  - 示例： 如果 Claude 需要从 PostgreSQL 获取数据，PostgreSQL 的 MCP 服务器会接收来自 MCP 客户端的请求，与数据库通信，获取数据，然后将其发送回 Claude。

MCP 的五个基本要素 (Core Building Blocks / Primitives) （比较技术，可以不细看）:

- 客户端侧 (Client-side):

  - 1. Roots (安全文件访问):  允许受控访问文件和文档。

  - 2. Sampling (抽样/任务辅助): （“Sampling”）： 能够请求AI协助完成特定任务，如生成数据库查询。

- 服务器侧 (Server-side):

  - 3. Prompts (提示/指令):  指导AI回应的指令。

  - 4. Resources (资源/数据对象): AI 可以引用的数据对象，例如数据库中的表格或 Google Drive 中的文件。

  - 5. Tools (工具/功能):  这些是 AI 可以执行的操作，例如运行数据库查询或调用 API 获取信息。

为什么大家都在讨论 MCP？

- 简化集成：

  - 在MCP之前，如果想让AI Agent访问你的文件、日历或在线工具，必须为每个新连接定制代码。

  - MCP 定义了一套标准的“协议”（Protocol），图二的例子很直观，这就像是一个：“万能适配器”。

  - 开发者不需要为每个新工具构建自定义集成，只需要部署相应的MCP服务器。

2、提升 AI 能力: 有了 MCP，AI 模型可以方便地访问和利用外部世界的各种信息和工具，极大地扩展了其能力边界。 例如：

- 智能助手: 可以访问你的日历、邮件，帮你安排日程、处理邮件。

- 数据分析: 可以直接分析数据库、云盘中的数据，提供更深入的洞察。

- 自动化工作流: 可以调用各种 API 和工具，自动化完成更复杂的工作流程。

3、推动 AI 应用的普及: MCP 的出现，降低了开发强大 AI 应用的难度和成本。

4、开源：MCP 是开源的，意味着任何人都可以使用它、贡献代码或基于它进行开发。

对于Agent而言：Claude + MCP Client + Mcp Servers = Agent

- Claude：提供核心智能和推理能力

- MCP客户端：让Claude能够格式化请求并与外部世界通信的接口

- MCP服务器：连接各种外部工具、数据源和服务的中介组件

没有 MCP，Claude 只是一个强大的语言模型，被限制在它自己的内部知识中。

MCP 是解锁 Claude 潜力，使其成为真正 Agent 的关键 —— 一个不仅能理解和生成文本，还能与世界互动、访问信息并执行操作来解决问题和实现目标的 AI。

可以使用到MCP的场景举例：

1. 个人AI助手 — 帮助管理日历、总结电子邮件和查找文件

2. BI — 提取公司数据以获得更好的洞察和报告

3. 软件开发 — 通过获取代码片段和文档帮助程序员

4. 客户支持 — 让LLM访问过去的对话、订单和支持文章，以提供更好的回答

讲到这里，认真的同学就会问，MCP客户端（Client）是模型内部的，那么MCP服务器(Server) 是谁做的呢？

MCP服务器(Server)通常由多种机构和开发者创建，主要包括：

1. 工具和服务提供商：如Google、Slack或PostgreSQL等服务的开发者或维护者可以为自己的产品创建MCP服务器，使其能与AI模型集成。比如Cloudflare就做了自己的MCP Server。

2. 第三方开发者：独立开发者和公司可以为常用工具和服务创建MCP服务器，特别是那些原始服务提供商尚未开发MCP集成的产品。

3. 开源社区贡献者：由于MCP是一个开放标准，开源社区的成员可以为各种工具和数据源构建MCP服务器实现。社群朋友说，现在开源社区已经有网友做了AWS的MCP