模型上下文協定的解讀
由 Anthropic 於 2024 年 11 月推出，MCP 是一種開放標準，經過精心設計，旨在優化 AI 模型與外部工具、資料儲存庫以及各種資源之間的互動。
Anthropic 將 MCP 設想為 LLM 的通用連接器，類似於 USB-C 在硬體連接方面帶來的標準化。這讓開發者可以透過統一的協定，將任何工具或資料來源與他們的 AI 應用程式無縫整合。MCP 秉持與語言無關的理念，並提供 Python、TypeScript、Java、Kotlin 和 C# 等語言的軟體開發套件 (SDK)，消除了對客製化、一次性整合的需求。
MCP 透過兩個主要元件運作：伺服器，用於公開工具、資源和提示；以及用戶端，用於促進 AI 模型與這些伺服器之間的連接。通訊透過基於 HTTP 的 JSON-RPC 進行，可容納同步和非同步工作流程。安全是首要考量，透過明確的權限和本地優先設計來確保隱私。MCP 已獲得主要 AI 平台的支援，並且正在促進生態系統的快速成長，使其成為構建穩健、感知上下文的 AI 代理的基礎技術。
LangChain、OpenAI Agent SDK、Google Agent Developer Kit 和 Microsoft Copilot Studio 等框架和平台原生支援 MCP。
深入探討 MCP 伺服器和用戶端
代理工作流程取決於兩個關鍵要素才能自主運作：最新資料和對現有系統的存取。資料作為上下文提供給 LLM，以提供事實資訊，進而協助 LLM 做出明智的決策。一旦做出採取行動的決定，就需要對系統進行程式化存取，通常以 API 的形式公開，這些 API 會成為可用的工具。
值得注意的是，MCP 伺服器和用戶端可以獨立於任何 LLM 運作。當用戶端與 LLM 整合時，它將成為代理工作流程的基石。
在 MCP 架構中，伺服器抽象化了對資料和工具的存取。例如，資料庫可以作為資源整合到 MCP 伺服器中。用戶端擁有對此資源的唯讀存取權，用於資料檢索。資源也支援參數，以套用篩選器或限制與用戶端共用的資料。例如，員工薪資資訊是資源的理想候選者。
除了資源之外，MCP 伺服器還公開了工具，這些工具使客戶端能夠執行超出僅僅檢索資料的動作。雖然資源提供唯讀存取權，但工具促進了 API 的調用，這些 API 可以操作資料或執行動作。調用 Stripe API 來完成付款交易就是一個很好的工具範例。
除了資源和工具之外，MCP 伺服器還可以充當預定義提示的儲存庫。用戶端可以檢索這些提示並將其傳送到 LLM，從而確保提示的一致且標準化的儲存庫。
可以查詢 MCPservers 以取得它們公開的資源、工具和提示的清單，從而提供基本的探索機制。總而言之，MCP 伺服器可以向用戶端公開資源、工具和提示，而用戶端的動作則由開發者自行決定。
MCP 用戶端駐留在主機應用程式中，例如聊天機器人或代理。主機應用程式的範例包括 Claude Desktop 和 Cursor AI。開發者可以建構代理應用程式，其中多個用戶端與一個或多個 MCP 伺服器互動。
可以在不與 LLM 互動的情況下建立 MCP 用戶端。但是，用戶端可以充當 LLM 存取 MCP 伺服器的強大管道。
在典型的工作流程中，主機應用程式（例如聊天機器人或代理）連接到 MCP 伺服器，檢索可用的資源和工具，並以適合的格式將其呈現給 LLM。
根據提示，LLM 可以恢復到主機以透過 MCP 用戶端存取資源或調用工具。大多數代理框架（例如 OpenAI Agents SDK 和 Google ADK）都抽象化了此功能，從而使 LLM 和主機應用程式之間的往返變得無縫。
深入研究 MCP 伺服器和用戶端之間的通訊
通訊協定是 MCP 架構的基本層面。MCP 伺服器支援兩種傳輸協定：STDIO 和伺服器傳送事件 (SSE)。
STDIO 傳輸協定
當使用 STDIO 作為傳輸協定時，MCP 用戶端會直接調用 MCP 伺服器並提供必要的參數。然後，它會捕獲伺服器的輸出（該輸出會寫入控制台），並將其傳輸到主機應用程式。
在此情境中，用戶端和伺服器共用相同的程序。伺服器只是執行命令並立即退出。每次用戶端調用伺服器時，此過程都會重複。本質上，用戶端和伺服器在程序中運作，而不涉及任何遠端呼叫或遠端程序呼叫 (RPC)。當用戶端和伺服器駐留在同一台機器上時，此方法最適合，從而消除了長時間執行的程序造成的延遲。因此，當使用 STDIO 傳輸時，MCP 伺服器和用戶端會維持 1:1 的連線。
伺服器傳送事件 (SSE) 傳輸協定
MCP 支援的第二種傳輸協定是伺服器傳送事件 (SSE)。它使伺服器能夠透過單個持久 HTTP 連線將即時更新推送給用戶端。一旦用戶端啟動連線，伺服器就會在事件發生時串流資料，從而無需重複輪詢。此方法對於諸如即時新聞摘要或通知之類的應用程式尤其有效，在這些應用程式中，更新主要從伺服器流向用戶端。
與 REST 相比，SSE 提供更低的延遲和更高的效率，因為 REST 需要用戶端重複輪詢伺服器以獲取新資料，從而增加了開銷和延遲。SSE 還提供自動重新連線，並與大多數防火牆無縫整合，使其對於即時情境更為穩健。
MCP 利用 SSE 而不是 WebSocket 進行遠端通訊，主要是因為 SSE 為僅需要伺服器到用戶端串流的情境提供更簡單、更穩健的解決方案。SSE 在標準 HTTP 上運作，簡化了與防火牆和受限網路的整合。它還使伺服器能夠將即時更新推送給用戶端，而無需管理全雙工 WebSocket 連線的複雜性。
在 MCP 中，用戶端到伺服器的通訊透過 HTTP POST 請求進行管理，而 SSE 處理從伺服器到用戶端的串流更新，這與 AI 工具和資源通知的典型互動模式一致。與雙向且通常更複雜的 WebSocket 協定相比，此方法降低了開銷，簡化了實作，並提高了與現有基礎架構的相容性。
JSON-RPC：線路協定
雖然 SSE 充當通訊技術，但 JSON-RPC 是 MCP 使用的線路協定。JSON-RPC 是一種輕量級、無狀態的協定，專為遠端程序呼叫而設計，使其非常適合 AI 工作流程中所需的快速、動態交換。
在 MCP 中，每個互動（例如調用工具、提取資料或列出可用功能）都編碼為 JSON-RPC 訊息，其中包括方法名稱、參數和用於追蹤回應的識別碼。此方法使 MCP 用戶端和伺服器可以無縫通訊，而與其底層實作語言無關，並確保所有請求、回應和通知都遵循可預測、可互通的格式。透過建構在 JSON-RPC 之上，MCP 簡化了整合，支援錯誤處理，並使開發者能夠建立靈活、可組合的代理工作流程，這些工作流程可以與各種外部工具和資源互動。
與 STDIO 傳輸協定不同，SSE 可以支援由單個 MCP 伺服器同時服務的多個用戶端。當 MCP 伺服器遠端託管在平台即服務 (PaaS) 和無伺服器執行階段等環境中時，這尤其有利。
MCP 的主要優勢
標準化整合： MCP 提供統一的協定，用於將各種工具和資料來源整合到 AI 應用程式中，從而消除了對自訂整合的需求。
與語言無關： MCP 與語言無關的方法，以及適用於多種語言的 SDK，簡化了跨不同平台的開發。
增強的安全性： MCP 透過明確的權限和本地優先設計來優先考慮安全性，從而確保資料隱私和保護。
即時更新： SSE 支援可實現從伺服器到用戶端的即時更新，從而促進高效的資料流並減少延遲。
可擴展性： MCP 的 SSE 實作允許單個伺服器同時為多個用戶端提供服務，從而增強了可擴展性和資源利用率。
簡化的開發： 使用 JSON-RPC 作為線路協定簡化了整合，支援錯誤處理，並實現了靈活的工作流程組合。
生態系統成長： 主要 AI 平台對 MCP 的採用正在推動生態系統的快速成長，使其成為 AI 開發的基礎技術。
MCP 的實際應用
聊天機器人： MCP 使聊天機器人能夠存取外部知識庫、資料庫和 API，以提供更明智和相關的回應。
AI 代理： MCP 使 AI 代理能夠與外部系統互動、自動化任務並做出資料驅動的決策。
資料整合： MCP 簡化了將各種資料來源整合到 AI 應用程式中的過程，從而實現了全面的分析和見解。
工具編排： MCP 促進了 AI 工作流程中各種工具和服務的編排，從而優化了效能和效率。
即時應用程式： MCP 的 SSE 支援可實現即時資料串流，適用於金融分析、詐欺偵測和預測性維護等應用程式。
實作 MCP：逐步指南
安裝 MCP SDK： 首先，為您偏好的程式設計語言（例如，Python、TypeScript）安裝 MCP SDK。
定義資源和工具： 確定您的 MCP 伺服器將向用戶端公開的資源和工具。
實作伺服器邏輯： 開發伺服器端邏輯以處理用戶端對資源和工具的請求。
設定安全性： 實作適當的安全性措施（例如，身份驗證和授權）以保護您的資料和服務。
建立 MCP 用戶端： 開發 MCP 用戶端以連接到伺服器並存取公開的資源和工具。
與 LLM 整合： 將 MCP 用戶端與您的 LLM 整合，以實現對外部知識和功能的存取。
測試和部署： 徹底測試您的 MCP 實作並將其部署到您的生產環境中。
MCP 的未來趨勢
增強的安全性： 目前的開發重點是增強 MCP 的安全性功能，以解決新出現的威脅並確保資料隱私。
改進的可擴展性： 目前正在努力進一步改進 MCP 的可擴展性和效能，以支援日益複雜的 AI 應用程式。
擴展的生態系統： 預計 MCP 生態系統將繼續成長，越來越多的工具、資源和平台採用該協定。
與新興技術整合： MCP 正在進行調整，以與聯合學習和分散式 AI 等新興技術整合。
標準化工作： 目前的標準化工作旨在鞏固 MCP 作為 AI 整合的行業標準。
透過了解 MCP 的原理、架構和實作，開發者可以釋放 AI 的全部潛力，並建構利用外部知識、工具和服務的創新應用程式。隨著 AI 環境的不斷發展，MCP 將在塑造智慧系統的未來方面發揮越來越重要的作用。開發者必須採用此協定並利用其功能來建立更強大、感知上下文且用途廣泛的 AI 解決方案。隨著社群的成長和新用例的出現，MCP 有望成為推動人工智慧領域發展的關鍵技術。