MCP 爆火背后：是技术革命，还是精心包装的“新瓶旧酒”？

2024 年末，MCP（Model Context Protocol）火了。各种技术文章蜂拥而至："MCP 革命性突破！"、"AI 工具调用的未来！"、"不懂 MCP 就out了！"

但当你真正去了解时，会发现很多文章要么是概念科普（讲了半天不知道怎么用），要么是愿景描绘（听起来很美好但落不了地）。

这篇文章就是来破局的。 我们不讲故事，只讲本质：MCP 到底是什么？它解决了什么问题？和 Function Call 有什么关系？该不该用？

一、MCP 到底是什么？

1.1 一句话说清楚

MCP（Model Context Protocol，模型上下文协议） 是一套标准化的协议，用来规范 AI 应用如何调用外部工具和数据源。

听起来还是有点抽象？我们换个说法：

想象你在开发一个 AI 助手，需要接入：

📍 地图服务：查地址、规划路线
🌤️ 天气查询：实时天气、天气预报
📊 数据库：查用户数据、订单信息
📧 邮件服务：发送通知

没有 MCP 之前：每个服务都有自己的接口格式

A 服务用 JSON-RPC
B 服务用 REST API
C 服务用 gRPC
D 服务要自定义协议

你得分别研究每个 API 文档，写不同的适配代码，维护多套调用逻辑。团队协作时还要反复对齐接口格式。

有了 MCP 之后：大家约定统一的"接口标准"

工具提供方按 MCP 协议暴露能力（MCP Server）
AI 应用按 MCP 协议调用工具（MCP Client）
格式、认证、错误处理都有统一规范

类比理解：MCP 之于 AI 工具调用，就像 USB 之于数据传输。

没有 USB 前：每个设备都有自己的接口（各种圆口、方口、扁口），乱七八糟
有了 USB 后：一个标准走天下，插上就能用

1.2 MCP 解决的核心问题

我们用一个实际场景说明：

场景：你在做一个智能客服系统，需要：

查询用户订单状态（调用内部订单系统 API）
查询物流信息（调用顺丰/京东物流 API）
查询商品库存（调用库存系统 API）
发送客服消息（调用企业微信 API）

问题 1：接口格式不统一

// 订单系统的接口
{
  "action": "query_order",
  "params": {"order_id": "12345"}
}

// 物流系统的接口
{
  "method": "trackShipment",
  "arguments": {"tracking_no": "SF123456"}
}

// 库存系统的接口
POST /api/inventory/check
Body: {"sku": "PROD-001", "warehouse": "BJ"}

每个接口都不一样，你得写大量的适配代码。

问题 2：AI 不知道该调用哪个工具

AI 收到用户问题"我的订单什么时候到？"，需要判断：

这个问题需要调用什么工具？
需要哪些参数？
参数从用户的话里怎么提取？

没有统一规范，每个开发者都自己定义，导致：

工具描述格式不一致
参数定义方式不一致
AI 难以准确判断

问题 3：团队协作困难

前端开发者：后端接口怎么调？参数格式是什么？
后端开发者：AI 会传什么参数过来？怎么处理？
AI 工程师：工具列表怎么维护？提示词怎么写？

缺乏标准，沟通成本巨大。

MCP 的解决方案：

// 统一的 MCP 工具定义格式
{
  "name": "query_order",
  "description": "查询订单状态",
  "inputSchema": {
    "type": "object",
    "properties": {
      "order_id": {
        "type": "string",
        "description": "订单ID"
      }
    }
  }
}

所有工具都按这个格式定义，AI 能统一处理，开发者能快速集成。

💡 Tip：MCP 不是银弹，它只是把"调用外部工具"这件事标准化了。原有的问题（AI 判断不准、参数提取错误）并没有消失。

1.3 破除三个常见误解

误解 1："MCP 是一种新的 AI 技术"

很多文章会说"MCP 提升了 AI 的工具调用能力"，这是不准确的。

真相：MCP 底层用的还是传统的 Function Call（工具调用）。

看一段 MCP 客户端的核心代码：

// MCP 客户端决定使用哪个工具
const response = await openai.chat.completions.create({
  model: "gpt-4",
  messages: messages,
  tools: this.tools  // ← 这就是传统的 Function Call 参数！
});

MCP 只是在 Function Call 外面包了一层标准化协议，没有改变 AI 的判断能力。

Function Call 原有的问题依然存在：

❌ 工具选择不准确（工具太多时容易选错）
❌ 参数提取错误（复杂参数容易提取不准）
❌ 多意图识别困难（一个问题涉及多个工具）

结论：MCP 是协议标准化，不是技术突破。

误解 2："用了 MCP 就不用自己写工具调用代码了"

很多人以为 MCP 是什么"开箱即用"的解决方案，装上就能用。

真相：MCP 的工作流程和你自己实现 Function Call 几乎一模一样。

对比一下：

实现步骤	自己写 Function Call	使用 MCP
1️⃣ 定义工具	写工具描述 + 参数定义	MCP Server 定义工具（还是要写）
2️⃣ AI 决策	调用 AI 的 Function Call	MCP Client 调用 AI（还是 Function Call）
3️⃣ 执行工具	后端接收参数，调用真实 API	MCP Server 执行并返回（还是要实现）
4️⃣ 生成回复	把结果给 AI 生成回复	MCP Client 把结果给 AI（逻辑一样）

本质上是一样的。

那 MCP 的价值在哪？答案是：生态标准化。

当大家都按同一套规则来：

✅ 工具能跨项目复用
✅ 团队协作有统一规范
✅ 第三方工具能方便集成
✅ 降低学习和沟通成本

但如果你只是一个人开发，或者工具都是自己的内部 API，MCP 的价值就没那么大。

💡 Tip：把 MCP 理解成"工具调用的接口标准"，就像 RESTful API 是 Web 服务的接口标准一样。

误解 3："MCP 服务都是免费的"

看到各种 MCP Server（高德地图、百度地图、天气服务），有人以为调用是免费的。

真相：API 调用成本最终还是要有人承担。

以高德地图 MCP 为例：

你通过 Cursor 调用高德地图 MCP
高德的 MCP Server 收到请求后，会调用高德自己的地图 API
这些 API 调用是计费的（按调用次数或配额）

有些大厂的 MCP 服务是免费的，但那是因为：

前期投入，吸引开发者
调用量有限制（超过就收费）
培养生态、获取数据、占领市场

天下没有免费的午餐，只是谁付费、怎么付费的问题。

如果你用 MCP 接入收费服务，要注意：

⚠️ 了解计费规则（按次数？按流量？按时长？）
⚠️ 设置调用限额（防止意外超支）
⚠️ 监控使用量（定期检查账单）
⚠️ 考虑缓存策略（减少重复调用）

1.4 MCP 的真正价值：生态话语权

既然 MCP 没有技术创新，为什么 Anthropic（Claude 的母公司）要大力推？

答案是：争夺 AI 工具生态的话语权。

类比：USB 标准的故事

还记得 USB 标准是怎么来的吗？

1990 年代：

键盘用 PS/2 接口
鼠标用串口
打印机用并口
扫描仪用 SCSI 接口
每个设备都不一样，乱七八糟

1996 年：

Intel、微软、IBM 等巨头联合推出 USB 标准
一个接口统一所有设备
谁制定标准，谁就掌握话语权

今天：

USB 成为事实标准
USB-IF（USB 标准化组织）掌握生态控制权
新技术（Type-C、USB4）都要通过他们认证

MCP 想做的就是 AI 领域的 USB

Anthropic 推 MCP 的真实意图：

制定规则：让大家按自己定的协议开发
占领生态：所有工具提供商、AI 应用都接入 MCP
话语权：在未来的标准委员会中占据关键位置

如果 MCP 真的成为行业共识：

所有模型的工具调用格式可能被统一
Anthropic 在标准委员会的位置举足轻重
能影响整个 AI 工具生态的走向

对开发者来说，MCP 的价值在于：

✅ 快速接入现成服务：不用研究 API 文档，装个 MCP Server 就行
✅ 团队协作规范：统一配置格式，方便版本控制
✅ 参与生态建设：早期参与者能占先机
✅ 降低集成成本：一次开发，到处运行

但也要认清：

⚠️ MCP 还在早期，规范可能变化
⚠️ 生态不够成熟，可用工具有限
⚠️ 不是所有场景都适合用 MCP
⚠️ 核心业务逻辑建议自己掌控

二、MCP 的工作原理

理解了 MCP 是什么，我们来看它具体是怎么工作的。

2.1 核心工作流程

MCP 的工作流程分为三步，我们用一个实际例子说明：

场景：用户在 Cursor 中问 AI："北京天安门的经纬度是多少？"

第 1 步：用户提问
┌─────────────────────┐
│   用户               │
│  "北京天安门的经纬   │
│   度是多少？"        │
└──────────┬──────────┘
           │
           ▼

第 2 步：MCP 客户端询问 AI
┌─────────────────────┐
│  MCP 客户端          │
│  (Cursor)           │
│                      │
│  把问题和可用工具    │
│  列表发给 AI：       │
│  - 地理编码工具      │
│  - 路径规划工具      │
│  - 天气查询工具      │
└──────────┬──────────┘
           │
           ▼

第 3 步：AI 决策
┌─────────────────────┐
│  AI 模型             │
│  (GPT-4/Claude)     │
│                      │
│  分析后决定：        │
│  ✓ 使用「地理编码」  │
│    工具              │
│  ✓ 参数：            │
│    address=         │
│    "北京天安门"      │
└──────────┬──────────┘
           │
           ▼

第 4 步：MCP 服务端执行
┌─────────────────────┐
│  MCP 服务端          │
│  (高德地图 API)     │
│                      │
│  收到请求后：        │
│  1. 调用高德地图API  │
│  2. 获取坐标数据     │
│  3. 返回结果：       │
│     116.397428,     │
│     39.90923        │
└──────────┬──────────┘
           │
           ▼

第 5 步：AI 生成友好回复
┌─────────────────────┐
│  用户看到的回复：    │
│                      │
│  "北京天安门的经纬   │
│   度是：             │
│   经度：116.397428  │
│   纬度：39.90923"   │
└─────────────────────┘

关键点：

MCP 客户端负责和 AI 模型通信（这部分用的是 Function Call）
MCP 服务端负责真正执行工具逻辑（调用真实的 API）
中间的数据传输按照 MCP 协议标准进行

💡 Tip：MCP 没有改变 AI 的决策过程，只是规范了"工具列表 → AI 决策 → 工具执行"这个流程的数据格式。

2.2 MCP 的三个核心概念

MCP 定义了三种能力类型，理解它们只需记住：给什么、做什么、怎么做。

📦 Resources（资源）—— 给 AI "看"的东西

简单说：只读的数据源，AI 可以读取但不能修改。

常见例子：

文件内容（代码、文档、配置）
数据库记录（用户数据、订单信息）
API 响应（第三方服务返回的数据）

使用场景："分析一下这个文件有什么问题" → AI 读取文件内容（Resource）→ 分析并给出建议

🛠️ Tools（工具）—— AI 能"做"的事情

简单说：可执行的函数，AI 调用后会产生实际效果。

常见例子：

查询地理坐标、规划路线
发送邮件、创建日历事件
读写数据库、执行系统命令

使用场景："帮我查北京的天气" → AI 调用天气查询工具（Tool）→ 返回实时天气数据

💬 Prompts（提示词模板）—— 标准化的工作流

简单说：预定义的对话模板，用户一键触发常见任务。

常见例子：

"代码审查"：自动分析性能、安全、可读性
"生成文档"：根据代码自动生成 README
"Bug 诊断"：系统化排查问题

使用场景：用户选择"代码审查"模板 → 自动填充代码 → AI 按模板执行审查流程

一句话区分：

概念	一句话说明	最常见用途
Resources	AI 读取的数据	读取文件、查询数据库
Tools	AI 执行的操作	调用外部 API（最常用）
Prompts	用户触发的模板	标准化工作流

💡 Tip：实际使用中 Tools 占 90%，Resources 适合需要大量上下文的场景，Prompts 用于固定流程。

2.3 MCP 的传输方式

MCP 支持两种主流传输方式（还有第三种 Streamable HTTP，但较少用），理解它们只需记住：本地还是远程。

方式 1：STDIO —— 本地进程通信

简单说：Cursor 启动一个本地程序（如 Node.js 脚本），通过标准输入输出通信。

适用场景：

本地文件系统操作（读写文件、搜索代码）
本地数据库查询（SQLite、本地 MySQL）
开发和调试自己的 MCP Server

优点：快、安全、不需要网络
缺点：只能本地用，需要安装依赖

典型配置：

{
  "command": "node",
  "args": ["/path/to/mcp-server.js"]
}

方式 2：SSE —— 远程 HTTP 服务

简单说：Cursor 通过网络访问远程服务器（如高德地图的云端 API）。

适用场景：

第三方服务（地图、天气、翻译）
企业内部 API（统一部署的工具）
生产环境（多人共享同一个服务）

优点：免安装、可共享、易更新
缺点：需要网络，有延迟

典型配置：

{
  "url": "https://mcp.example.com/sse?key=your_key"
}

如何选择？

你的需求	推荐方式	典型例子
读写本地文件	STDIO	文件搜索、代码分析
查询本地数据库	STDIO	SQLite、本地 PostgreSQL
调用第三方 API	SSE	高德地图、天气服务
团队共享工具	SSE	企业内部 API、统一认证

💡 Tip：记住一句话：本地用 STDIO，远程用 SSE。

写在最后：看懂本质，少踩坑

读到这里，你应该已经明白：

MCP 不是什么黑科技，它就是把 Function Call 包了一层标准化协议。
MCP 不会让 AI 变聪明，该选错工具还是会选错，该提取错参数还是会提取错。
MCP 也不是免费午餐，API 调用成本该谁付还是谁付。

那为什么还要了解 MCP？

因为它代表了一个趋势：AI 工具生态的标准化。就像当年的 USB 标准，虽然技术上没什么创新，但统一了接口，让整个生态繁荣起来。

给你三个建议

1. 不要盲目追新

看到 MCP 火了就觉得必须用，这是最大的误区。如果你的项目：

工具就几个，都是自己的 API
一个人开发，不需要团队协作
对工具调用有深度定制需求

那自己实现 Function Call 可能更合适，掌控力更强，调试也更方便。

2. 也不要一棍子打死

如果你需要快速接入：

高德地图、百度地图这类现成服务
团队共享的标准化工具
开源社区提供的 MCP Server

那 MCP 能帮你省不少事，不用研究每个 API 的文档，装上就能用。

3. 混合策略最务实

核心业务逻辑自己掌控，通用能力用 MCP 快速接入。

比如你做一个智能客服：

查订单、查库存 → 自己实现（核心业务）
地图导航、天气查询 → 用 MCP（通用能力）
发邮件、发短信 → 用 MCP（标准化操作）

这样既能保证核心竞争力，又能享受生态红利。

最后一句话

MCP 是个好协议，但不要神化它。

技术永远是为业务服务的。理解它的本质，看清它的边界，在合适的场景用好它——这才是工程师该有的态度。

就像你不会因为 USB 出现了，就把所有设备都换成 USB 接口。有些场景该用雷电口还得用雷电口，有些场景干脆直接焊线更可靠。

工具是死的，人是活的。别让工具框住了思维。

参考资料

📖 官方文档

posted @ 2025-12-10 22:04 一旅人阅读(31) 评论(0) 收藏举报

刷新页面返回顶部

布布的技术小屋

MCP 爆火背后：是技术革命，还是精心包装的“新瓶旧酒”？

一、MCP 到底是什么？

1.1 一句话说清楚

1.2 MCP 解决的核心问题

问题 1：接口格式不统一

问题 2：AI 不知道该调用哪个工具

问题 3：团队协作困难

1.3 破除三个常见误解

误解 1："MCP 是一种新的 AI 技术"

误解 2："用了 MCP 就不用自己写工具调用代码了"

误解 3："MCP 服务都是免费的"

1.4 MCP 的真正价值：生态话语权

类比：USB 标准的故事

MCP 想做的就是 AI 领域的 USB

二、MCP 的工作原理

2.1 核心工作流程

2.2 MCP 的三个核心概念

📦 Resources（资源）—— 给 AI "看"的东西

🛠️ Tools（工具）—— AI 能"做"的事情

💬 Prompts（提示词模板）—— 标准化的工作流

2.3 MCP 的传输方式

方式 1：STDIO —— 本地进程通信

方式 2：SSE —— 远程 HTTP 服务

写在最后：看懂本质，少踩坑

给你三个建议

最后一句话

参考资料

公告