Manus 是大模型 AI Agent + MCP， 那什么是模型上下文协议 (MCP)?

这就需要一种方法把各种工具和助手整合到一起。MCP就是这样一种方案，它让AI能够更好地理解上下文，记住之前的对话，并且在需要的时候调用不同的工具。

设想一下，倘若你的手机、电脑与耳机仅需一根USB-C线便能实现无缝对接，生活将变得何等便捷？而今，这一理念正被移植到人工智能的领域——MCP（Model Context Protocol，模型上下文协议）正是承载这一愿景的使者。

简单说，MCP就像是AI的"大脑中枢"，帮助它协调各种能力，让原本只会单打独斗的模型变成了能处理复杂任务的协作团队。今天这篇文章给朋友们介绍这个最近特别火的技术：MCP。

什么是模型上下文协议

MCP（模型上下文协议）是一种大模型时代出现的开放协议，旨在标准化应用程序向大型语言模型 (LLMs) 提供上下文（数据）的方式。

模型上下文协议（MCP）是 Anthropic 推出的开放标准，旨在通过统一的客户端-服务器架构解决 LLM 应用与数据源连接的难题。它支持通过同一协议访问本地资源（如数据库、文件）和远程资源（如 Slack、GitHub API），无需定制集成。

MCP 可公开工具和交互模板，且内置安全性，确保资源由服务器完全掌控。

目前 MCP 支持本地运行，未来将引入企业级认证的远程支持，实现团队间的安全共享。通过桌面应用（Anthropic 提供），开发者可在短时间内集成 MCP，快速将大模型 Claude 连接上多种数据源，推动 AI 集成的标准化发展。

MCP架构

MCP 遵循客户端-服务器架构（client-server），其中包含以下几个核心概念：

MCP 主机（MCP Hosts）：发起请求的 LLM 应用程序（例如 Claude Desktop、IDE 或 AI 工具）。

MCP 客户端（MCP Clients）：在主机程序内部，与 MCP server 保持 1:1 的连接。

MCP 服务器（MCP Servers）：为 MCP client 提供上下文、工具和 prompt 信息。

本地资源（Local Resources）：本地计算机中可供 MCP server 安全访问的资源（例如文件、数据库）。

远程资源（Remote Resources）：MCP server 可以连接到的远程资源（例如通过 API）。

如下图：

MCP client

MCP client 充当 LLM 和 MCP server 之间的桥梁，MCP client 的工作流程如下：

• MCP client 首先从 MCP server 获取可用的工具列表。

• 将用户的查询连同工具描述通过 function calling 一起发送给 LLM。

• LLM 决定是否需要使用工具以及使用哪些工具。

• 如果需要使用工具，MCP client 会通过 MCP server 执行相应的工具调用。

• 工具调用的结果会被发送回 LLM。

• LLM 基于所有信息生成自然语言响应。

• 最后将响应展示给用户。

我们可以在 Example Clients 找到当前支持 MCP 协议的客户端程序。

目前使用 Claude Desktop 作为 MCP client

下载地址：https://claude.ai/download 。

MCP Server

MCP server 是 MCP 架构中的关键组件，它可以提供 3 种主要类型的功能：

1、资源（Resources）：类似文件的数据，可以被客户端读取，如 API 响应或文件内容。

2、工具（Tools）：可以被 LLM 调用的函数（需要用户批准）。

3、提示（Prompts）：预先编写的模板，帮助用户完成特定任务。

这些功能使 MCP server 能够为 AI 应用提供丰富的上下文信息和操作能力，从而增强 LLM 的实用性和灵活性。

在 MCP Servers Repository 和 Awesome MCP Servers 这两个 repo 中有许多由社区实现的 MCP server。

例如，这是一个 PostgreSQL MCP Server 工具，可以让大模型能够基于 PostgreSQL 中的数据来回答问题。

比如下面的问题，大模型 Claude 一开始是不知道数据库中的表结构的，因此先发送请求分别确定 orders 表和 users 表中相应的字段，然后再对两张表进行 join 查询。

MCP 官网：https://modelcontextprotocol.io

MCP GitHub：https://github.com/modelcontextprotocol

本机 MCP 服务支持：通过 Claude 桌面应用快速实现本地化数据连接，应用安装地址：https://claude.ai/download。

开源服务代码库：包含 Google Drive、Slack、GitHub 等流行系统的预构建实现，便于直接部署和测试。

https://github.com/modelcontextprotocol/servers。

MCP 和 API

为什么选择MCP，而非传统API？

如果使用API让大模型与外部工具对接，开发者需要为每个API编写独立的代码，包括文档解析、认证方式、错误处理和后期维护，费时又费力。

MCP更像一把“万能钥匙”：

单一协议：接入MCP一次，就能连接多个工具和服务，不用为每个API单独操心。

动态发现：AI模型可以自动识别并与可用工具交互，无需提前硬编码。

双向通信：类似WebSocket，MCP支持实时、双向的数据流动，AI既能获取信息，也能触发行动。

双向通信的好处：  

拉取数据：AI可以查询服务器，比如检查你的日历安排。  

触发行动：AI可以直接操作，比如重新安排会议或发送邮件。

相比之下，传统API更像单向的“对话”，缺乏MCP这种灵活性和实时性。

MCP 对比 API 特性差异如下图：

MCP的重要性

1.实现模块化、可扩展的人工智能系统

人工智能面临的最大挑战之一是设计既灵活又可扩展的系统。MCP 有助于将单片人工智能架构分解为模块化组件。通过分离模型、上下文和协议，开发人员可以： 

• 在不破坏整个系统的情况下更换不同的 AI 模型。

• 动态地引入新的上下文（例如，使 NLP 模型适应新的语言或行业）。

• 为 AI 模型编排定义强大的协议。

2. 解决数据工程挑战

对于数据工程师来说，MCP 提供了一个有效处理数据管道的框架。  

• 模型：定义数据的结构和转换方式。

• 上下文：处理运行时参数、环境设置和版本控制。

• 协议：管理存储层、处理框架和机器学习工作流之间的数据移动。

3. 增强软件设计模式

MCP 符合众所周知的软件架构原则，例如：

• 模型-视图-控制器 (MVC)：MCP 通过引入Context作为动态影响模型的显式组件来扩展 MVC 的逻辑。  

• 事件驱动架构：MCP 支持基于事件流的实时上下文更新，使其适用于物联网、金融交易和推荐引擎。  

• 微服务通信： MCP 中的协议确保微服务驱动的应用程序中强大的通信。  

4. 构建自适应人工智能代理

在多智能体 AI 系统中，MCP 为智能体交互提供了一种结构化方法： 

• 模型：定义代理决策。

• 背景：跟踪环境变化。

• 协议：建立代理到代理以及代理到人类的通信。

MCP不只是一个简单的协议，不仅仅是一种架构模式，它还是设计 AI 驱动应用程序和分布式系统时一种强大的思维转变。通过有效地分离模型、上下文和协议，组织可以构建自适应、可扩展且可维护的软件解决方案。

它是AI和工具沟通的“新基础”，给AI提供了一个统一、标准的方法，让AI能灵活地连接外部的数据和工具。和以前需要手动设置的API不同，MCP更像是一个智能框架，让AI能更好地理解上下文，并且有更强的互动能力。

随着人工智能不断与企业系统融合，了解 MCP 对于希望确保其应用程序面向未来的开发人员、工程师和架构师来说至关重要。  

参考链接：

https://mp.weixin.qq.com/s/rcOi7e8F5qGVVF2noCk46Q

https://mp.weixin.qq.com/s/ASmcjW53HKokdYt1m-xyXA

https://www.linkedin.com/pulse/model-context-protocol-mcp-ai-software-development-piyush-ranjan-dxj0e/

往期热门文章推荐：

Manus 爆火出圈后｜25年什么样的 Agent 会脱颖而出：简单胜于复杂

不要盲目再使用DeepSeek R1和QWQ这些推理模型做RAG了

不只有Manus！免邀请码的 flowith 和三个开源项目：GWL、OpenHands、browser-use

一文看懂Manus：实测体验+开源复刻方案，无需等待邀请码

聊一聊五种智能体模式

心法利器[129] | deepseek-R1自测效果分析和选择建议