MCP（模型上下文协议）是一个开放标准，旨在解决AI模型与外部世界连接时“各自为政”的碎片化问题，可以理解为AI领域的“USB-C”接口。

它的核心目标是：为AI大模型（如Claude、GPT）访问外部数据源（如数据库、文件）和调用工具（如发送邮件、查询API）提供一套统一的、标准化的通信协议。有了MCP，AI应用开发者不再需要为每个数据源或工具编写定制化的集成代码。

核心架构：三个角色

MCP采用客户端-服务器架构，主要包含三个核心组件，它们协同工作：

关键功能：三大核心能力

一个MCP服务器可以向客户端提供以下三种核心能力：

1. 资源 (Resources)：向AI提供上下文和数据的数据源。任何数据都可以通过URI（统一资源标识符）来寻址，比如一个本地文件(file:///...)、数据库记录或网页内容。

2. 工具 (Tools)：供AI模型执行的函数。这是MCP最强大的能力，让AI不仅能获取信息，还能采取行动，如“发送一封邮件”、“创建一个工单”。

3. 提示模板 (Prompts)：为用户设计的可复用工作流和消息模板。这可以帮助用户更有效地与AI交互，完成特定任务。

工作流程示例

以“帮我查一下北京今天的天气”为例，完整的MCP交互流程如下：

1. 请求与发现：用户在MCP主机（如一个聊天界面）中提问。MCP客户端收到请求后，查询已连接的MCP服务器，发现一个名为get_weather的可用工具。

2. 协议转换与调用：MCP客户端将AI的意图转换为一个符合JSON-RPC 2.0标准格式的call_tool请求消息，并发送给对应的MCP服务器。

3. 执行与返回：MCP服务器接收到请求，调用真正的天气API获取数据，然后将结果封装成标准响应，返回给MCP客户端。

4. 注入上下文：客户端将返回的天气信息注入到AI模型的上下文中。AI现在“知道”了天气情况，最终生成“北京今天天气晴朗，气温25°C”这样的自然语言回复给用户。

为什么重要：MCP与RAG的区别

MCP常与RAG（检索增强生成）被一起讨论，但它们解决问题的层面不同。

• RAG：是一种技术策略，专注于在AI生成答案前，从一个知识库中“查找”相关信息，以增强回答的准确性。它主要解决的是“让AI知道更多”的问题。

• MCP：是一个通信协议，它提供了一种“标准化的方式”让AI去发现、请求和使用任何外部工具或数据，无论是为了“知道”还是“行动”。它的范围更广，目标是构建一个可互操作的AI工具生态系统。

安全与治理

由于MCP允许AI执行代码和访问数据，安全是设计的重中之重。核心原则包括用户明确同意与控制、工具安全（执行工具前需用户授权）以及对AI自主行为的严格约束，例如在“采样”功能中，用户需批准所有AI发起的LLM请求。

在实际的企业应用中，除了协议本身，还会引入MCP注册表（一个可发现和信任服务器的目录）和允许列表（一个决定哪些服务器可用的管理策略）来确保安全可控地使用MCP