MCP

基本介紹

官方地址：

• https://modelcontextprotocol.io/introduction
  “MCP 是一種開放協議，旨在標準化應用程序向大型語言模型（LLM）提供上下文的方式。可以把 MCP 想象成 AI 應用程序的 USB-C 接口。就像 USB-C 提供了一種標準化的方式，讓你的設備能夠連接各種外設和配件一樣，MCP 也提供了一種標準化的方式，讓 AI 模型能夠連接不同的數據源和工具。”

● MCP 主機（MCP Hosts）：像 Claude Desktop、IDE 或 AI 工具等程序，它們希望通過 MCP 訪問數據。
● MCP 客戶端（MCP Clients）：維護與服務器 1:1 連接的協議客戶端。
● MCP 服務器（MCP Servers）：輕量級程序，它們通過標準化的模型上下文協議（Model Context Protocol）公開特定的功能。
● 本地數據源（Local Data Sources）：你的計算機上的文件、數據庫和服務，MCP 服務器可以安全地訪問這些數據。
● 遠程服務（Remote Services）：通過互聯網可用的外部系統（例如 API），MCP 服務器可以與其連接。

https://www.anthropic.com/news/model-context-protocol

社區也在積極推進：

• https://github.com/modelcontextprotocol

為什么

官方給的選擇理由：
MCP 幫助您在 LLM 之上構建智能體和復雜的工作流。LLM 經常需要與數據和工具集成，而 MCP 提供：
● 越來越多的預構建集成，您的 LLM 可以直接接入
● 在不同的 LLM 提供商和供應商之間靈活切換的能力
● 在您的基礎設施內保護數據的最佳實踐

對比FC

MCP 本質上是 通過 JSON 的標準，將工具的能力、參數等描述清楚，在和大模型對話的時候，傳遞到上下文中。
而 Function Call 是需要 LLM 支持的，比如在 DeepSeek-R1 中，開源版本不支持 Function Call 的，所以此時我們實現的功能就會受到限制。
Function Call 主要用于擴展模型的功能，使其能執行任務，而 Model Context Protocol (MCP) 主要用于維持對話上下文，增強模型的個性化和記憶能力。
兩者互補，使得 AI 既能高效執行任務，又能保持對話連貫性。

這里呢，我生成了一個表格來進行對比：

應用場景

● 智能代碼編輯器 (IDE)： 與文件系統、版本控制、包管理器和文檔集成，以實現更豐富的上下文感知和代碼建議 。
● 智能助手和生產力工具： 使 AI 助手能夠訪問日歷、電子郵件、文檔和其他個人或企業數據，以執行諸如安排日程、總結信息和管理工作流程等任務 。
● 增強的數據分析平臺： 允許 AI 自主發現并與多個數據庫、數據可視化工具和模擬進行交互，以進行復雜的數據分析 。 提到 AI2SQL 是使用 MCP 進行 AI 驅動數據查詢的一個例子。
● 用于特定任務的自定義 AI 代理： 構建專門的 AI 代理，可以利用特定的工具和數據源來自動化客戶支持、財務和運營等領域的任務 。

我怎么看

接觸了這么多 LLM、Agent，很多時候大模型只是充當一個銜接的能力，本質還是要提供出API，才可以對大模型的能力進行擴展，來實現和業務的結合。
經常會出現：AI 集成問題（M 個模型 x N 個工具需要 M*N 個集成）
但實際在做東西的時候，我發現對應的開放出這些API來是非常困難的，每個平臺都不一樣，各自的接口也都不一樣，所以 MCP 可以幫助我更輕松的把這些東西銜接起來。
有點像：OpenAI 的 API 定義了一個結構，大家后續出的API都是按照這個結構來的，這樣的話，大家在 Python 編碼的時候，只需要修改 base_url 和 api_key 就好了，剩下的入參和回參都是一樣的。

安裝UV

uv 是一個現代化的 Python 軟件包管理器，旨在取代 pip、venv 和 virtualenv。

執行直接安裝：

curl -LsSf https://astral.sh/uv/install.sh | sh

官方示例

Data and file systems

● Filesystem - Secure file operations with configurable access controls
● PostgreSQL - Read-only database access with schema inspection capabilities
● SQLite - Database interaction and business intelligence features
● Google Drive - File access and search capabilities for Google Drive

Development tools

● Git - Tools to read, search, and manipulate Git repositories
● GitHub - Repository management, file operations, and GitHub API integration
● GitLab - GitLab API integration enabling project management
● Sentry - Retrieving and analyzing issues from Sentry.io

Web and browser automation

● Brave Search - Web and local search using Brave’s Search API
● Fetch - Web content fetching and conversion optimized for LLM usage
● Puppeteer - Browser automation and web scraping capabilities

Productivity and communication

● Slack - Channel management and messaging capabilities
● Google Maps - Location services, directions, and place details
● Memory - Knowledge graph-based persistent memory system

AI and specialized tools

● EverArt - AI image generation using various models
● Sequential Thinking - Dynamic problem-solving through thought sequences
● AWS KB Retrieval - Retrieval from AWS Knowledge Base using Bedrock Agent Runtime