随着AI Agent的持续火爆，Anthropic提出的MCP（Model Context Protocol，模型上下文协议）也随之成为行业焦点。市面上关于MCP的分析文章已不在少数，但由MCP servers原作者Mahesh Murag亲自讲解的深度内容却十分稀缺。今年2月底他在AI Engineer Summit上的这场分享，信息密度极高、逻辑严谨，值得深入研读。唯一遗憾的是现场观众提问较多，视频节奏略显分散。不过别担心，核心内容我们将逐一拆解。

一、MCP的动机与背景：让模型不再“孤岛”

一个核心判断：模型的能力，本质上取决于你为它提供了怎样的上下文。从早期Chatbot时代依靠人工手动输入上下文，发展到如今模型直接“伸手”连接数据源和工具，AI应用正变得更加强大且个性化。而MCP的目标，就是作为一个开放协议，让AI应用、Agent与各类工具、数据源之间实现真正意义上的“无缝集成”。

二、MCP长什么样？一个类比帮你理解

要理解MCP，不妨先看看两个熟悉的参照物。

类比API：API标准化了Web应用前后端的交互方式，使不同系统之间能够顺畅对话。

类比LSP（Language Server Protocol）：LSP标准化了IDE与编程语言特定工具之间的交互方式，让编辑器能够“理解”任何语言。

MCP的角色与此类似：它为AI应用、Agent与底层工具、数据源之间提供了一个标准化的交互接口。

具体而言，MCP定义了三个主要接口，这里有一个非常精辟的总结——它们分别由“用户”“模型”“应用”三方控制:

• Prompts（提示词模板）：由“用户”控制。本质上是预定义的模板，用于常见交互场景，比如文档问答、代码总结，用户可以根据需要主动调用。
• Tools（工具）：由“模型”控制。LLM在运行过程中可以自主决定何时调用这些工具——无论是检索数据、发送数据、更新数据库还是写入文件，都由模型动态判断。
• Resources（资源）：由“应用”控制。应用层掌握数据的使用方式，比如提供图片、文本文件、JSON数据等。值得注意的是，它支持静态和动态两种资源形式，并且Server可以主动通知Client资源有更新。

这三者的分工清晰，避免了混乱的权力边界。

三、MCP到底解决了什么问题？碎片化

这个问题其实非常现实：不同团队构建AI系统的方式千差万别，每个人都可能“重复造轮子”。碎片化严重阻碍了规模化发展。

MCP的愿景很直白——通过标准化AI开发，让应用开发者可以零成本连接到任何MCP Server。在服务器端，MCP对各种系统和工具进行封装，比如数据库、CRM系统、版本控制系统等，为LLM提供统一的访问接口。在客户端，像Cursor、Windsurf、Goose这类应用可以直接消费这些能力。

四、多方受益：不是零和游戏

MCP的价值不局限于某一方，而是惠及整个生态：

• 应用开发者：一旦应用兼容MCP，就能自动连接任何Server，无需额外编写适配代码。
• 工具/API提供者：构建一次MCP Server，就能被各种AI应用采用，边际成本极低。
• 最终用户：享受到更强大、上下文更丰富的AI应用体验。
• 企业：明确职责分工——数据基础设施团队负责维护MCP Server，应用团队专注于构建AI应用，开发效率显著提升。

五、采用情况：从社区到巨头都在上船

目前MCP的生态已经初具规模。在AI应用和IDE领域，包括GitHub、文档站等都在积极接入。Server端更是热闹，社区已经贡献了一千多个MCP Server，而像Cloudflare、Stripe这类大公司也推出了官方集成。开源社区的积极参与，为协议的快速迭代提供了强劲动力。

六、怎么构建一个MCP应用？

从架构上看，MCP应用分为两端：

• MCP Client（客户端）：负责调用Tool、查询Resource、填充Prompt。
• MCP Server（服务器端）：负责暴露Tool、Resource和Prompt，供Client使用。

这种Client-Server的架构让AI应用的构建变得模块化和可扩展。

七、MCP与Agent的关系：底层基础设施

很多人会问：MCP和Agent到底什么关系？简单说，MCP是Agent的基础协议。

所谓Augmented LLM（增强型LLM），就是LLM加上检索系统、工具和记忆的组合。而MCP为LLM与这些组件之间的交互提供了标准化的方式。Agent的核心逻辑是——Augmented LLM运行在一个循环中，不断执行任务、调用工具、分析结果。MCP的作用，就是让Agent具备可扩展性，能够在运行时动态发现新的能力。

八、mcp-agent框架：降低构建门槛

来自LasMile AI的mcp-agent框架，就是为了简化Agent构建过程而设计的。它提供了一套组件（Agent、Task），让开发者可以专注于Agent逻辑本身，通过声明式方式定义Agent的任务以及可用的Server和Tool。可以说，这是MCP生态走向工程化的重要一步。

九、Agent的协议能力：不只是“调用”

MCP赋予了Agent两个值得关注的高级能力：

• Sampling（推断请求）：MCP Server可以直接请求Client执行LLM推理调用，而无需Server自己集成LLM，这大大降低了Server的部署复杂度。
• Composability（可组合性）：任何应用或API都可以同时扮演MCP Client和MCP Server的角色，实现真正的“嵌套式”协作。

十、MCP路线图：下一站会去哪？

MCP的未来规划，主要集中在两个方向：

远程服务和认证

支持OAuth 2.0认证，Server负责处理认证流程。实现远程托管的Server，用户无需手动安装和配置。通过Session Token确保Client和Server的安全交互。这对于企业级部署来说，是必须跨过的一道坎。

注册表（Registry）

一个统一托管的元数据服务，用于发现和管理MCP Server。这解决了Server的“发现难”和“发布难”问题。支持版本控制、身份验证、安全验证等功能，同时还强调开发体验和文档。可以预见的是，一旦Registry成熟，MCP生态将进入真正的爆发期。

说到底，MCP试图为AI应用开发建立一套“通用的语言”。语言通了，生态才能真正活起来。如果你正在从事AI应用或Agent的开发，MCP应该已经进入你的视野了——如果还没有，现在关注，不算晚。