模型上下文协议（MCP）这玩意儿，最近在AI圈里讨论度很高。简单来说，它是一个开放式协议，能让大语言模型应用（LLM）跟外部的数据源和工具无缝对接。不管你在开发基于AI的IDE，改进聊天界面，还是设计定制化的AI工作流程，MCP都为连接LLM和它所需的背景信息，提供了一个标准化的方案。

如何看待MCP

结合网上的信息和自己的一些试用体验，可以做个阶段性的总结。

1. 本质定位

说白了，MCP的本质就是大模型调用外部服务的一种方式。它跟咱们熟知的Function Calling在理念上是一致的，目标都是扩展大模型的能力——通过对接外部服务和数据，让它的回答更强大、更接地气。不过呢，目前它还没有达到那种“变革性”的影响力，还处在发展阶段，所以不要期待一上来就能翻天覆地。

2. 技术特点对比

MCP 与 Function Calling 的主要区别

• 调用方式： MCP走的是RPC请求，而Function Calling则是传统的HTTP API请求。
• 接入复杂度： MCP需要实现RPC服务，配置相对复杂一些；而Function Calling只需要写个API接口，配置起来要简单得多。

3. 核心挑战

目前MCP最大的难点，其实不在技术本身，而在于大模型的意图识别。想象一下，用户随便问一个问题，L模型怎么知道该匹配哪个外部服务？怎么知道要去调用哪个工具？这确实是个难题。目前的做法是让用户配一个配置文件，然后让Claude自己去识别和调用。这算是个折中方案，但也说明这条路还没完全跑通。

4. MCP的创新价值

虽然面临挑战，但MCP的价值在于它定义了一套标准且完善的协议规范。这就像给大模型生态建了个统一的“交通规则”，对整个生态的协同发展有重要的指导意义。可以类比一下VS Code的LSP协议，它对编程领域的影响是根基性的。MCP试图在AI工具领域扮演类似的角色，这本身就是一件很有意义的事。

5. 发展前景分析

那么，MCP能否成为行业标准？这主要取决于两个因素：第一，第三方的服务和工具接入的数量够不够多；第二，主流的大模型和应用是否愿意支持它。目前来看，它只支持桌面版的Claude，网页版还不行。不过，它的应用场景确实很丰富，未来发展潜力还是相当大的。

6. 技术实现要点

服务端（MCP Server）：

• 通过描述信息定义自己能提供什么服务
• 设置好请求的处理逻辑
• 启动本地监听服务，等待调用

客户端接入：

• 提供一个配置界面，让用户设置
• 实现服务发现，获取服务的能力
• 完成意图识别，并调用对应的服务
• 最后是RAG（Rpc-call-Augmented Generation）处理，把工具返回的结果用起来

本地试用MCP

下载并配置Claude客户端

先从官方渠道下载Claude Desktop客户端。

这里以Bra ve Search服务为例。首先需要去注册一个Bra ve Search API账号，并申请一个API key，这个过程中需要绑定支付方式（用中行的VISA卡可以成功）。

接下来，找到Claude Desktop的配置文件所在位置：

• macOS：~/Library/Application Support/Claude/claude_desktop_config.json
• Windows：%APPDATA%\Claude\claude_desktop_config.json （%APPDATA%一般是指 C:\Users\\AppData\Roaming）

或者在客户端设置里，找到 Developer - Edit Config，直接打开配置文件。

然后修改配置，添加如下内容：

{
    "mcpServers": {
        "bra ve-search": {
            "command": "npx",
            "args": ["-y", "@modelcontextprotocol/server-bra ve-search"],
            "env": {
                "BRA VE_API_KEY": "YOUR_API_KEY"
            }
        }
    }
}

保存后重启Claude客户端。你会看到界面上多了两个图标（一个？和一个？）。

在设置里的 Developer - Edit Config 中，也可以看到刚刚添加的 bra ve-search 配置。

当然，这里只是举例。Github的MCP Servers仓库里有更多现成的服务，你可以根据自己的需求去添加。

MCP官方仓库Servers一览

官方维护的服务器列表如下，方便你快速了解有哪些能力可以用：