MCP的概念

狒狒 2026-5-13 AI 1 次

MCP = Model Context Protocol（模型上下文协议），Anthropic 在 2024 年 11 月开源的协议，解决一个具体问题：怎么让 LLM 标准化地接外部数据和工具。

解决的问题

在 MCP 之前，每个 AI 应用想接 GitHub、数据库、Slack 都得单独写集成代码——OpenAI、Claude、Cursor 各写一套，互不通用。这就是著名的 "M×N 问题"：M 个 AI 客户端 × N 个数据源 = M×N 套胶水代码。

MCP 把它变成 M+N：

M×N（之前）              M+N（MCP 之后）
                       
Claude ──┐               Claude ─┐
Cursor ──┼─→ 每个都要    Cursor ─┼─→ MCP ─┬─→ GitHub
Codex  ──┘  各写胶水     Codex  ─┘        ├─→ Postgres
   ↓                                       ├─→ Slack
GitHub, DB, Slack...                       └─→ ...

类比的话：MCP 之于 AI = USB-C 之于硬件。一个口，所有设备能插。

架构

客户端-服务器模型：

┌────────────────┐         JSON-RPC         ┌─────────────────┐
│   MCP Client   │ ←──────────────────────→ │   MCP Server    │
│ (Claude Code,  │       (stdio / HTTP)     │ (GitHub, DB,    │
│  Cursor, etc.) │                          │  filesystem...) │
└────────────────┘                          └─────────────────┘
       ↑                                            ↑
   AI 这一侧                                  数据/工具这一侧

MCP Client：LLM 应用——Claude Code、Claude Desktop、Cursor、Zed 等
MCP Server：包装某个数据源/服务的小程序——通常是一个 Node 或 Python 进程

两边用 JSON-RPC 2.0 通信，传输层走 stdio（本地子进程）或 HTTP/SSE（远程）。

服务器暴露的三类能力

MCP server 可以提供三种东西给 client：

1. Tools      → LLM 可调用的函数        例: github_create_issue(title, body)
2. Resources  → LLM 可读取的数据        例: file://README.md, db://users/123
3. Prompts    → 预设的提示词模板         例: /code-review 触发 review prompt

Tools 最常用——本质就是给 LLM 多一组可调函数。比如装了 GitHub MCP server 后，Claude 能直接 create_pull_request(...)，背后是服务器进程帮它调真实 GitHub API。

在 Claude Code 里怎么配

.mcp.json 或 settings.json 的 mcpServers 段：

json

{ "mcpServers": { "github": { "command": "npx", "args": ["-y", "@modelcontextprotocol/server-github"], "env": { "GITHUB_TOKEN": "ghp_..." } }, "postgres": { "command": "uvx", "args": ["mcp-server-postgres", "postgresql://localhost/mydb"] }, "harness-mcp": { "command": "npx", "args": ["-y", "harness-mcp-v2"], "env": { "HARNESS_API_KEY": "..." } } } }

启动 Claude Code 时它会把这些服务器拉起来，工具自动出现在 LLM 的工具列表里。

常见 MCP server

官方和社区有几百个了，挑常用的：

类别	代表
代码托管	GitHub, GitLab
数据库	Postgres, SQLite, MongoDB, Redis
协作	Slack, Discord, Linear, Jira, Notion
存储	Google Drive, Dropbox, S3
搜索/浏览	Brave Search, Fetch, Puppeteer
本地	Filesystem, Git, Memory
垂直平台	Harness, Stripe, Cloudflare, Sentry

可以在 modelcontextprotocol.io 或 Anthropic 的 servers 仓库找完整目录。

几个常见困惑

MCP vs 普通 tool use？ 普通工具调用是在 LLM 应用代码里硬编码函数。MCP 是把工具拆成独立进程，可热插拔、跨应用共享。架构差异，不是替代关系——底层还是工具调用。

MCP vs Skill？ Skill 是写给 LLM 看的 markdown 工作流（软的或半软的）。MCP 是真实的代码进程提供新工具（硬的）。一个 skill 经常会用到 MCP 提供的工具——比如 harness-skills 项目里的 skill 调用 harness-mcp 暴露的 API。

MCP vs Agent？ Agent 是会决策的 LLM 实例。MCP server 是被动的工具提供者——它不"思考"，只响应调用。Agent 用 MCP 工具干活。