MCP调研及实践
MCP理论和实验
定义与核心架构
MCP是由Anthropic提出的开放协议，旨在为大模型提供标准化接口，实现与外部工具如API、数据库、文件系统等的安全、高效连接。其核心特点包括：
-
架构：采用客户端-服务器模型：
- 主机（Client）：用户使用的AI应用，如Claude Desktop，发起请求。
- 服务器（Server）：轻量级服务，连接具体数据源，如天气API、数据库。
- 协议层：基于JSON-RPC/gRPC通信，支持实时双向交互。
-
功能：
- 工具调用：封装外部能力，如读取文件、调用API。
- 资源访问：安全读取类文件数据，如PDF解析。
- 权限管控：内置安全机制，隔离敏感数据。
MCP使用过程
- 用户输入query到MCP 客户端，可以是cherrystudio 、claude desktop 也可以是开发者编写的client；
- 配置MCP工具库，工具库以Server的形式给出；
- 调用LLM或者规则逻辑，目的是识别出用户的意图和对应的参数；
- 返回工具库识别结果；
- MCP工具库确认
- 工具执行请求，传入工具名称、参数
- 执行工具；
- 返回工具执行结果；
- 将工具执行结果返回给客户端；
- 将工具执行结果和用户query等送入LLM，执行下一步操作。
MCP定位
从技术角度看，MCP 遵循客户端-服务器架构，其中主机应用可以连接到多个服务器，即一对多。更形象的描述，MCP 可以看作是 AI 应用程序的 “USB-C端口”。就像 USB-C 为连接设备与各种外设提供了标准化方式，MCP为 AI 模型连接不同数据源和工具提供了标准化方法。这样可以解耦客户端与服务端，开发人员只需要专注于按照MCP标准添加服务工具，或者维护客户端以满足用户需求，而不需要将大部分时间和工作精力集中在调用逻辑开发、接口开发等，也无需重复部署客户端，大大降低了开发量。
与传统API的优势
传统 API ：
- 如果 API 最初需要两个参数(例如天气服务的位置和日期)，用户集成应用程序会发送带有这些确切参数的请求。
- 如果后来添加第三个必需参数(例如温度单位，如摄氏度或华氏度)，API的合约就会改变。
- 这意味着所有 API 用户必须更新代码以包含新参数。如果不更新，请求可能失败、返回错误或提供不完整结果。
MCP 的设计解决了这个问题：
- MCP 引入了与传统 API 截然不同的动态灵活方法。
- 当客户端(如 Claude 桌面版)连接到 MCP 服务器(如您的天气服务)时，它发送初始请求以了解服务器的能力。
- 服务器响应其可用工具、资源、提示和参数的详细信息。例如，如果您的天气 API 最初支持位置和日期，服务器会将这些作为其功能的一部分进行通信。
-
如果您稍后添加unit参数，MCP 服务器可以在下一次交换期间动态更新其功能描述。客户端不需要硬编码或预定义参数—只需查询服务器的当前功能并相应地适应。
-
这样，客户端可以及时调整其行为，使用更新的功能(例如在请求中包含unit)，无需重写或重新部署代码。
和RAG、Agent的区别和联系
RAG
RAG通过检索外部知识库增强大模型生成能力，解决幻觉和知识过时问题：
- 流程：
- 检索：用数据库（如Milvus、Elasticsearch）匹配用户查询与知识库文档。
- 生成：LLM结合检索结果生成答案。
- 优势：数据驱动、低成本部署。
- 局限：依赖知识库质量，无法处理动态任务。
- 典型应用场景：
- 企业知识库问答（如腾讯乐享整合内部文档）。
- 法律/医疗咨询（引用权威资料）。
Agent
Agent是具备自主决策能力的AI系统，通过多步骤规划解决复杂问题：
- 流程：
- 规划：拆解任务（如ReAct框架的"思考-行动-观察"循环）。
- 执行：调用工具（API、数据库）。
- 反馈：动态调整策略。
- 优势：处理跨域任务（如客服全流程自动化）。
- 局限：开发复杂度高，资源消耗大。
- 典型应用场景：
- 自动化工作流（如数据分析+报告生成）。
- 动态环境交互（如特斯拉自动驾驶决策）。
三者核心区别
| 维度 | MCP | RAG | Agent |
|---|---|---|---|
| 核心目标 | 标准化工具/数据连接接口 | 通过检索增强生成准确性 | 自主执行多步骤任务 |
| 技术焦点 | 协议规范（如JSON-RPC） | 语义检索+生成模型融合 | 规划决策+工具调用链 |
| 交互模式 | 被动响应请求 | 被动生成答案 | 主动规划与动态调整 |
| 依赖关系 | 工具生态兼容性 | 知识库质量与覆盖度 | 推理能力与工具链完整性 |
| 典型场景 | 实时API调用、跨系统集成 | 静态知识问答（如FAQ） | 复杂流程自动化（如订单处理） |
关键差异详解
- 功能定位：
- MCP 是"连接器"，提供标准化桥梁（如AI界的USB-C接口）
- RAG 是"知识增强器"，解决LLM幻觉问题
- Agent 是"执行者"，模拟人类决策闭环
- 技术路径：
- MCP 需部署服务器（如文件系统MCP服务）
- RAG 依赖检索技术（如LangChain向量化、字词检索）
- Agent 需任务规划引擎（如LangGraph图结构）
- 协作关系：
- Agent可调用MCP：例如用MCP工具读取数据库，再用Agent决策
- Agent集成RAG：先检索知识库，再执行工具调用（如投资分析：RAG查市场报告 → Agent调用风险评估API）
技术选型建议
- 选MCP：需安全连接企业系统（如CRM/ERP封装为MCP服务）
- 选RAG：构建知识密集型问答（如医疗文献检索）
- 选Agent：处理多步骤动态任务（如电商客服：订单查询→退款→通知）
- 混合架构：
- Agent+MCP：复杂任务中按需调用工具（如MCP-Zero架构）
- Agent+RAG：决策时增强实时知识（如法律Agent结合判例库）
MCP典型应用场景
- 实时数据集成，如股票行情查询。
- 跨系统操作，如通过MCP连接GitHub、CRM系统。
*：复杂任务中按需调用工具（如MCP-Zero架构）- Agent+RAG：决策时增强实时知识（如法律Agent结合判例库）
MCP典型应用场景
- 实时数据集成，如股票行情查询。
- 跨系统操作，如通过MCP连接GitHub、CRM系统。
- 企业级工具链标准化，降低重复开发成本。