MCP：人工智能時代的HTTP？探索AI通信新標準

??每周跟蹤AI熱點新聞動向和震撼發展想要探索生成式人工智能的前沿進展嗎？訂閱我們的簡報，深入解析最新的技術突破、實際應用案例和未來的趨勢。與全球數同行一同，從行業內部的深度分析和實用指南中受益。不要錯過這個機會，成為AI領域的領跑者。點擊訂閱，與未來同行！訂閱：https://rengongzhineng.io/

早期互聯網發展的階段，人們或許還記得那片混亂景象——各種不同的協議和訪問方式交錯存在。直到HTTP（超文本傳輸協議）的出現，這一局面才得以改變。HTTP不僅僅是一個技術協議，更是標準化了客戶端（瀏覽器）與服務器之間的通信方式，解鎖了如今人們所熟悉的互聯互通的網絡世界。HTTP為信息自由流動提供了共同的語言。

時至今日，在人工智能革命迅猛發展的背景下，人們正在與越來越強大的大型語言模型（LLMs）和AI代理進行交互。然而，這種交互體驗往往顯得割裂。模型常常面臨幻覺、難以無縫整合實時信息與工具，以及在用戶授權下執行有用操作的困境。每一次請求，似乎仍然是孤立地被處理。

因此，一個關鍵問題浮現：人類是否正處于需要一種新基礎協議層來支撐AI交互的關口？像模型上下文協議（Model Context Protocol，簡稱MCP）這樣的協議，是否有可能成為AI時代中如同HTTP之于互聯網時代那般基礎的存在？

什么是模型上下文協議（MCP）？

模型上下文協議（MCP）是一個開放協議，旨在標準化應用程序向大型語言模型提供上下文的方式，以及AI助手如何連接到存儲數據的系統，例如內容庫、商業工具和開發環境。可以將其類比為AI應用程序的“USB-C接口”，為AI模型提供一種標準化的方式，連接到各種數據源和工具。其核心目標是讓LLMs和AI系統能夠訪問必要的上下文信息，從而生成更優質、更相關的響應。

MCP旨在解決模型與數據源孤立的問題。在過去，每接入一個新數據源，往往需要量身定制的集成工作；而通過MCP，一個統一、開放的標準將取而代之。

從技術上看，MCP促進了LLM應用程序（稱為主機，例如AI聊天界面或集成開發環境）與外部數據源和工具服務器之間的無縫整合。主機應用中包含維護與這些服務器連接的客戶端。通信則通過使用JSON-RPC 2.0消息的有狀態連接來完成。

MCP為以下方面提供了標準化框架：

共享上下文信息：向語言模型或用戶提供相關的數據資源。
暴露工具和功能：允許AI模型執行由服務器提供的功能或工具，前提是用戶明確同意以確保安全。
構建可組合工作流：使用模板化的消息（提示詞）來創建集成的工作流。

本質上，MCP希望用一種更簡單、可靠且可擴展的方式，取代當前支離破碎的集成方式，為AI系統提供安全的雙向數據訪問與功能操作。

HTTP類比：賦能革命

HTTP的偉大之處不僅僅在于其技術規范，更在于其作為創新催化劑的角色。通過創造一種簡單、標準化的方式來請求和接收網絡資源，HTTP催生了整個網絡生態系統。它為互聯網的建設鋪設了軌道。

MCP在AI領域被賦予了類似的潛力。正如語言服務器協議（LSP）標準化了編程語言在開發工具中的集成方式，MCP試圖標準化上下文和工具在AI應用生態系統中的整合方式。通過標準化上下文管理與通信，MCP有望：

解鎖有狀態且強大的AI：推動AI應用超越簡單的問答，發展為能夠持久、上下文感知、有效利用外部數據和工具的助手與應用。
促進互操作性：為不同AI模型、平臺和工具之間的上下文與能力通信創造共同基礎，增強切換LLM提供商的靈活性。
加速開發進程：為開發者提供標準化的構建模塊和越來越多的預制集成，而不必一遍遍發明定制解決方案。

正如HTTP讓信息在互聯網上得以普及，MCP有潛力通過更可持續的架構，推動復雜、集成化AI系統的普及與發展。

核心區別：起源與聚焦點

盡管潛在影響相似，MCP與HTTP之間存在明顯差異：

起源與目的：HTTP起源于鏈接與檢索靜態超文本文檔的需求；而MCP源于現代AI復雜需求，專注于讓LLM應用無縫整合外部數據源與工具，獲取所需上下文信息。
信息類型與交互模式：HTTP主要傳輸定義明確的資源（如HTML、JSON、圖片），采用無狀態的請求-響應模式；而MCP管理動態、演變的上下文信息，包括數據資源、可執行工具及工作流提示，并通過JSON-RPC 2.0建立有狀態的雙向連接。
架構設計：HTTP使用主要用于資源檢索的客戶端-服務器模型；而MCP采用特定的主機（LLM應用）、客戶端（主機內連接器）和服務器（提供上下文與工具）架構。
發展路徑：HTTP通過學術界及IETF等機構發展而來；而MCP由Anthropic發起并開源，并正以開放標準的形式由多個組織協作開發，靈感部分來自LSP等協議。

另一種類比：圖書館

還可以用圖書館來打比方：

HTTP就像使用老式氣動傳送管系統：

用戶填寫一張請求單，注明所需的特定書籍或文件（類似URL）。
把請求單放入傳送管（發起HTTP請求）。
圖書館管理員在某處找到并僅將請求的物品送回（HTTP響應）。
若需要另一本書或其他服務，則必須再次填寫并提交新請求。

而MCP則像通過現代標準化幫助臺系統與圖書館管理員互動：

用戶帶著研究目標來到幫助臺（AI應用或“主機”）。
管理員通過標準化的計算機接口（MCP）訪問所有圖書館資源與工具。
通過這一系統，他們可以：
- 搜索主目錄、專業數據庫與數字檔案（訪問資源/上下文）；
- 操作打印機、掃描儀、縮微膠片閱讀器，甚至請求館際互借（使用工具）；
- 訪問在線期刊和外部學術門戶（連接不同服務器）；
- 記錄研究主題，基于持續的需求推薦相關材料（維護上下文）；
- 引導完成整個研究過程（提示/工作流）。

關鍵在于，標準化的系統（MCP）讓管理員（AI主機）可以無縫協調多種信息資源和工具，幫助用戶完成整體目標，而不僅僅是單次信息檢索。

為什么MCP對開發者至關重要？

向上下文感知型AI轉變，直接影響著開發者能夠構建的內容。擁抱MCP意味著：

更豐富的用戶體驗：構建能夠使用外部工具和數據執行復雜任務的AI代理，打造真正互動的體驗。
提升效率與靈活性：接入預構建的集成，避免重復造輪子，且更容易切換LLM提供商。
安全性最佳實踐：采用最佳安全實踐訪問數據，確保MCP規范強調的數據安全與用戶同意原則得到落實。
開啟新型應用范式：實現生成式AI與實時數據、外部系統無縫融合的新型應用。

在Google Cloud上借助MCP構建未來

隨著這些新協議和模式的出現，擁有一個強大靈活的平臺變得尤為重要。Google Cloud為構建和部署下一代上下文感知AI應用提供了所需的工具與基礎設施：

智能模型與平臺：Vertex AI是Google Cloud的端到端AI平臺，不僅支持訓練、微調與部署強大的基礎模型，還提供Vertex AI Agents等工具，具備理解上下文、語言細節與編排復雜任務的能力——這些能力對于利用MCP理念至關重要。同時，Vertex AI提供Gemini、Imagen、Veo2和Lyria等一方基礎模型，以及如Claude、Llama、Gemma等豐富的第三方與開源模型庫。
可擴展、有狀態部署：在服務器端管理上下文或作為MCP中介，需要能夠高效處理狀態和擴展的基礎設施。Google Kubernetes Engine（GKE）支持StatefulSets，非常適合需要持久身份和存儲的負載，如用戶會話與上下文數據庫管理。
無縫數據與工具整合：MCP依賴于將模型連接到外部系統。Google Cloud提供了全面的數據庫（如Cloud SQL、Spanner、Firestore）、消息服務（如Pub/Sub）及API管理工具，使整合這些關鍵組件變得輕松高效。

未來展望

MCP是否會成為新的HTTP？或許不能以字面意義理解為直接取代，但從潛在影響層面來看，二者的相似之處令人印象深刻。

AI領域對標準化上下文管理的需求已經非常明顯。MCP作為一種通用、開放標準，有望取代當前碎片化的集成方式。無論未來是MCP本身，還是由一系列相關協議組成的體系，這一基礎通信層對于突破當前AI的局限性至關重要。對于希望打造真正互動、集成且智能的下一代應用程序的開發者而言，理解并為這一變革做好準備，將成為不可或缺的一步。