AI-MCP协议:下一代人工智能协作的通信基石?
AI-MCP协议:下一代人工智能协作的通信基石?
前段时间和同事聊起AI接入问题,同时也浅谈了一下最近风头正大的deepseek,以及紧接而来的manus。
在被同事安利了dify之后,发现AI在这几年的发展不了解还只停留在一问一答的智能体范畴中。原来随着2024年年底推出的MCP协议后,AI已经可以逐渐打破数据孤岛,帮我们实际的执行特定操作,而非给我们这个操作的答案。
不过因为自身并没有参与AI开发的工作,也不了解相关的技术和编程语言;
所以这一篇文章我的定义是一个AI爱好者对目前AI发展阶段的一个总结记录
背景
在这几年的AI发展中,传统 AI 系统在与外部数据源和工具集成时的弊端逐渐显现。
打个比方,以金融分析领域为例,一个全面的金融分析项目往往需要从本地数据库提取大量的历史交易数据,从云端 API 获取实时的市场行情信息,同时还要调用本地文件中的专业行业研究报告。
在目前来看,开发者不得不针对每个数据源和工具的独特接口规范、数据格式,分别编写复杂的集成代码。
然而不同数据源之间的接口差异巨大,协议、数据格式,在代码中特定的位置都需要顾及。
这不仅导致开发效率极为低下,而且后续的维护工作也困难重重。一旦某个数据源的接口发生变更,整个集成代码都可能需要进行大规模的修改,这无疑增加了项目的成本和风险。
正是在这样的背景下,Anthropic 提出的 AI - MCP(Model Context Protocol)协议犹如一道曙光,为解决这些难题提供了全新的思路和解决方案。

概念
这是什么
AI - MCP 即模型上下文协议,作为一种开放协议,它在 AI 应用开发中扮演着至关重要的 “通用适配器” 角色。
形象地说,它就像是一座搭建在 AI 模型与外部世界之间的桥梁,使得双方能够顺畅地进行信息交互。
通过这一协议,AI 模型能够突破自身的局限,与各种外部数据源和工具建立起紧密的联系,从而获取更丰富的信息,为用户提供更加全面和准确的服务。
以我们人类社会的比如来讲,就是"我"是一个AI,以前我需要和不同语言的人交流获取信息,现在这些人和我交流的时候都只说同一种语言了
有什么用
核心设计目标在于标准化 AI 与外部数据源、工具之间的交互流程。
在应用开发中,当用户向 AI 询问关于某公司产品的市场竞争力时,如果没有有效的协议支持,AI 可能只能基于自身有限的训练数据进行回答,结果往往不够全面和准确。
而 AI - MCP 协议的存在,使得 AI 能够拥有更多信息渠道,迅速整合产品详细数据、专业的行业报告文件以及市场调研等等API提供的最新数据;通过对这些多源信息的综合分析,AI 能够为用户提供一份全面、深入且精准的市场竞争力分析报告。
以更加拟人的方式:和人类一样多方面分析,自行通过不同渠道获取信息,实现更接近人类交互的思考逻辑。
优势
数据整合能力
MCP协议通过一套统一的规范,成功将分散在不同位置、具有不同格式的数据源,如本地文件、数据库、各类 API 等,有机地连接在一起。
以电商数据分析项目为例,在MCP前开发者要让 AI 模型同时获取本地存储的用户购买记录文件、云端的商品库存数据库以及第三方物流 API 的配送信息,需要花费大量的时间和精力编写不同的连接代码,且数据格式和接口的差异,数据整合的难度极大。
并且凭借数据的过程由开发人员的代码完成,AI模型测对于数据类似于孤岛,只能看到自己被允许看到的。
而借助 MCP 协议,开发者可以轻松地让 AI 模型同时主动调用这些分散的数据资源。
通过统一的数据访问接口,AI 模型能够快速、准确地获取所需数据,极大地提升了数据分析结果的全面性和准确性。
比如形象的说明如下图,在过去:
- 我们都是从软件、游览器、各类工具等人工复制内容到AI模型中,后从AI模型中复制出需要的答案用以反馈
如今有了MCP层这一统一的操作协议,则会变成:
- AI模型主动从各可见来源处获取数据信息,自动化了我们需要获得一个标准答案的 一复制,二问答,三复制...的过程,代替了原本人类需要手动做的数据整合动作
缩短AI项目开发周期
传统方式下,集成不同的工具和数据源时,开发者需要针对每个工具的特性和接口规范编写定制化的代码.
这无疑是一项工作量巨大且容易出错的任务。
但是MCP的出现,像大一统理论,统一了标准化的接口;
开发者只需通过 MCP 的 URI 标识,如MCP-server
{
"jsonrpc":"2.0",
"id":12,
"method":"tools/all",
"params":{
"name":"search"
}
}
就可以做到与以前对接各个API接口的通话
目前各个AI项目都已经不同程度的引入了MCP协议部分,因此这一协议必将成为各SDK的主流
强化安全与隐私保护
MCP 协议在这方面采取了一系列强有力的措施。
由于支持本地数据处理,对于一些敏感数据,如医疗记录、金融交易数据等,无需上传至云端,直接在本地进行处理,避免了数据在传输和云端存储时可能面临的泄露风险。
同时,在数据传输过程中,MCP 协议采用了传输层加密技术,确保数据在传输过程中的安全性。在访问权限控制方面,结合 OAuth 认证机制,严格限制对数据的访问权限,只有经过授权的用户和应用才能访问相应的数据。这种从数据传输到访问权限控制的全方位保障措施,充分满足了企业和用户对于数据保护的严格要求。
劣势
因为AI大模型的数据黑盒原则,越强大的功能越需要注意其真实性。
由于MCP对AI数据整合能力的大大增强,很容易出现信息假象,无法信任的场景
不过这也是运用人需要对自己使用AI这一行为有一定理解,简单的来讲就是对AI不可信任原则
总结
现在MCP已经有一些支持图像、视频等非文本的资源交互了,可见MCP的普及运用已经是必然的趋势
MCP其实是一个很简单很简单的概念,因此我也没有在这篇文章中做和其他相关科普文一样各种深奥的实现原理等等。
总结出来,MCP就是这么一段白话:
AI客户端接收到MCP的报文请求后,用命令行调用报文中的需求(比如使用curl命令,请求某个URL),然后将这个URL请求到的数据返回给AI客户端,AI客户端以此进行提问信息的凭借,再加以分析后续操作