个人知识库

MCP 模型上下文协议

24分钟阅读

MCP 模型上下文协议

Model Context Protocol，AI 与外部工具/数据的标准化交互协议

简介

MCP（Model Context Protocol）是模型上下文协议，为 AI 与外部工具和数据的交互提供了标准化方式。它使得不同系统之间的工具调用和数据交换变得统一和可互操作。

核心价值

1. 标准化服务接口

  • 统一的工具调用格式
  • 统一的数据交换协议
  • 统一的错误处理机制
  • 统一的认证方式

2. 增强 AI 功能

  • 让 AI 调用外部工具
  • 让 AI 访问外部数据
  • 扩展 AI 能力边界
  • 实现复杂功能组合

3. 生态互操作性

  • 不同系统之间可互操作
  • 工具可复用可共享
  • 降低集成成本
  • 促进生态发展

两大核心技能

1. 接入别人的 MCP 服务

  • 发现可用的 MCP 服务
  • 理解服务接口定义
  • 集成到自己的项目中
  • 调用服务增强功能

2. 开发自己的 MCP 服务

  • 设计服务接口
  • 实现服务逻辑
  • 发布服务供他人使用
  • 维护和更新服务

不同素材中的观点

来自 2026-04-29-yupi-ai-guide-core-concepts：

  • Model Context Protocol，模型上下文协议
  • AI 与外部工具/数据的标准化交互，增强 AI 功能
  • 16 个核心概念之一

来自 2026-04-29-yupi-ai-guide-programming-tech：

  • 是 AI 编程开发的四大核心业务领域之一
  • 提供给 AI 的标准化服务
  • 让 AI 调用外部工具和数据，增强功能
  • Spring AI 框架原生支持 MCP

来自 2026-05-10-codex-canva-operations-assets：

  • Canva 提供远程 MCP server，是 MCP 在设计工具领域的重要落地案例
  • 通过 Canva MCP，AI 助手可调用设计生成、设计编辑、素材/品牌管理、设计库检索、导出、评论协作等能力
  • 在运营素材自动化流水线中，Codex 通过 MCP 调用 Canva 实现从选题到设计的全链路自动化（读取选题→生成素材brief→调用品牌模板→批量改图→导出→审核流程）
  • 这使 Codex 从”写代码/生成图片”的角色扩展为”工作流编排引擎”

来自 2026-05-13-ai-agent-productivity-20x：

  • MCP 的核心价值被概括为把多工具协作的集成成本标准化：Agent 继续使用统一的语言，Gmail、Notion、Slack、Stripe、Google Calendar 等工具保留各自接口，MCP 负责双向翻译
  • 在实际工作流里，MCP 不是单点工具调用，而是把总结收件箱、提取会议纪要、创建付款链接、在 Notion 建项目、起草跟进邮件等动作串成一个连续任务
  • 文章强调 MCP 让用户不必手动切换多个标签页，本质上降低的是跨 SaaS 编排的摩擦，而不是单个 API 接入的门槛
  • 当 MCP 与 Agent、Skill、上下文文件组合后，AI 的角色会从”会调用一个工具”升级为”能在多个业务系统之间跑完整流程”

来自 2026-05-18-ai-agent-week-into-day：

  • MCP由Anthropic开发，作为AI与各类工具之间的”通用翻译器”，彻底解决了多工具集成的碎片化问题：Agent使用统一交互语言，各类工具保留原有接口，MCP负责中间的双向翻译和适配
  • 主流Agent框架（Cowork、Codex、Manus、Perplexity等）均已内置MCP支持，提供”连接器”或”技能”菜单，用户只需登录授权即可一键完成工具连接，无需任何开发工作
  • MCP连接后可实现跨工具的无缝工作流编排：一个指令即可触发Agent在多个工具中执行连续操作，无需用户在不同应用间切换，典型案例包括：
    • 总结收件箱 → 从Granola提取会议笔记 → 创建Stripe付款链接 → 在Notion中设置项目 → 起草后续跟进邮件
    • 检查日历 → 总结当日会议 → 从Notion提取项目状态 → 在Slack发送团队更新 → 创建跟进任务
  • MCP的真正价值不在于单个工具调用，而在于成为所有工具的统一协调层，让信息和行动在不同平台间自由流动，消除了传统工作流中的上下文切换成本

来自 2026-06-22-woshipm-ai-product-connection-density：

  • MCP 被视为提升 AI 产品”连接密度”的底层基础设施之一——底层接好 MCP 和各类协议，让用户的业务能顺畅跑起来
  • 从连接密度视角看，MCP 的价值不只是”标准化接入”，而是让 AI 产品能在每个业务场景上沉淀更深层的上下文、规则和执行能力
  • 文章指出，客户不需要知道底下接的是哪家模型，他们只在意”这个问题你帮我解决了没有”——MCP 的意义在于让这个目标变得可能

来自 2026-06-27-claude-code-ai-marketing-team：

  • MCP 在营销团队场景中的实际落地：社交媒体创意设计 Skill 通过 .mcp.json 文件连接 Nano Banana MCP 服务器（基于 Gemini API），实现 AI 图片生成
  • .mcp.json 配置方式：在项目根目录创建文件，声明 MCP 服务器名称、启动命令和 API Key，重启 IDE 后 Claude Code 即可发现并调用连接的 MCP 工具
  • 这是 MCP 作为”Skill 能力扩展层”的典型案例——Skill 本身负责流程编排，MCP 负责连接外部工具（图片生成、数据源等），两者配合实现完整的自动化工作流

来自 2026-07-05-woshipm-enterprise-knowledge-graph-6-lessons：

  • MCP 在企业级知识图谱场景中不只是工具连接协议，而是把图谱能力服务化的封装层：图检索、冲突校验、跨节点推理都可以通过 MCP 暴露给客服系统、智能 Agent、RAG 应用和运营工具
  • 这篇素材把 MCP 的价值从“连接外部工具”推进到“复用可信知识能力”——不同 Agent 可以调用同一套经过治理的图谱，而不是各自临时检索文档、各自生成答案
  • 对企业 AI 落地来说，MCP 封装后的图谱像一套可调用的业务操作系统：它能回答问题、做资格判断、检查规则冲突、辅助产品推荐，并支撑客服口径统一

来自 2026-07-05-juejin-context-engineering-harness：

  • MCP 被放进 Prompt → Context → Harness 的企业级落地链路中，承担“标准化技能加载”的角色：用户只给简易 Prompt，系统自动优化提示词、注入上下文，并加载 MCP 技能后再让模型生成。
  • 文章强调 MCP 解决的是“AI 生成好看但无法上线”的一部分问题：模型不只要会写文本，还要能调用工具、查询数据、接入业务系统，并在 Harness闭环工程 的安全围栏下运行。
  • 从这篇素材看，MCP 与 Loop Engineering 分工清晰：MCP 负责把外部能力标准化接入，Loop 负责生成后的格式/业务校验与重试，二者共同构成可生产化的 LLM 应用闭环。

来自 2026-07-05-juejin-claude-code-tool-calling：

  • 这篇素材从 Claude Code 运行时角度补充了 MCP 工具进入 Agent harness 后的“执行生命周期”：MCP 工具与内置工具一样要经过 tool_use 解析、分批调度、权限检查、Hook、执行、结果映射和 PostToolUse 处理。
  • MCP 工具的输出在 PostToolUse 阶段更特殊：Hook 可以改写 MCP 工具输出，因此 MCP 的 tool_result 会推迟到 PostToolUse 后再加入消息，这说明 MCP 不只是外部协议，还必须嵌入宿主 harness 的安全与审计链路。
  • Deferred Tools 主要为 MCP 工具爆炸式增长服务：MCP server 越多，完整工具 schema 越容易挤占上下文；Claude Code 通过客户端过滤、SearchExtraToolsTool 搜索和下一轮加载完整定义，把 MCP 工具从“一次性全量暴露”改成“按需发现”。
  • 对企业/团队 Agent 来说，MCP 解决“外部能力如何标准化接入”，Deferred Tools 解决“外部能力太多时如何不压垮上下文”，两者共同决定工具生态能否规模化。

来自 2026-07-17-woshipm-course-consulting-assistant-3-iterations：

  • 课程咨询助手用 MCP Server 连接报名系统做只读状态查询（身份确认后查审核进度），明确不开放改手机号、取消报名、调班次等写权限——MCP 在交付场景首先是“安全接业务”的接口，而不是能力堆砌入口。
  • PM 接入 MCP/工具时固定四问：用户是否有权调用；工具可读写什么；调用失败如何提示；哪些结果必须人确认。接系统后产品设计扩展到权限、失败态、日志与责任边界。
  • 与知识库分工：实时状态不能靠 RAG 猜，必须走业务查询；材料解析走 Skill/OCR，正式审核结论仍不交给自动写操作。

来自 2026-07-19-juejin-ai-skills-specialized-employee：

  • 概念层三角：MCP = AI 的「USB 接口」（标准化接外部工具/数据），Memory = 长期记忆，Skills = 技能包；完整工作流是 Memory 给上下文 → Skills 给方法论 → MCP 给工具能力。
  • 与 Skill 的边界：Skill 的 allowed-tools 可预授权 WebFetch 等，但真正「接数据库/API/文件系统」的标准化层仍归 MCP；Skill 写「怎么做」，MCP 写「能碰什么」。
  • AI 日报 Skill 案例通过 WebFetch 抓资讯源，说明办公自动化流水线常同时依赖 Skill 编排与可工具化抓取——MCP 生态成熟后同类抓取/写回可换成标准 Server。

来自 2026-07-19-juejin-claude-meeting-minutes-one-command：

  • 会议纪要 Skill 默认做纯文本提取即可；若公司项目、人员、预算已有结构化存储，可在 Skill 后处理中调用 MCP 服务查询补充，把「口水话里没有但系统里有」的字段补全，而不强迫模型编造。

  • 边界清晰：纪要真实性原则是「宁缺毋滥」；MCP 适合补权威主数据，不适合用生成幻觉填空。与课程咨询助手「状态走 MCP、结论不乱写」同属「工具补事实、人/规则守真实」路径。

  • 2026-07-20-youtube-shopify-ai-toolkit-headless-store：Shopify 把 Dev MCP server 作为 AI Toolkit 的第三安装路径——本地运行 MCP，把 Claude Code 接到 Shopify developer resources（文档/API schema 等），视频称无需认证。与 plugin/individual skills 并列后，MCP 在这里的角色是「偏好协议化连接时的官方开发资源入口」，而 store management 的写操作仍依赖自定义 app 的 scopes 与 client credentials。说明大型电商平台已把 MCP 当成 AI coding tools 的标准接入面之一，但生产写权限仍走传统 OAuth/app 边界。

  • 2026-07-20-vocus-ai-agent-google-sheets-mcp：办公场景的 MCP 落地补全——Google Sheets MCP 用 uvx mcp-google-sheets@latest + GOOGLE_APPLICATION_CREDENTIALS 把试算表封成标准工具；同一对话可挂 Atlassian MCP，走 read_sheet → create_jira_issue → update_sheet 而不生成 Python。文章把 MCP 价值概括为解耦（系统操作封装、AI 做决策/排程），并强调 config 只放凭据路径、不写 token，与课程咨询助手「状态走 MCP」同属「工具补事实/写回系统」路径，但对象从业务报名系统换成协作表格。

  • 2026-07-21-youtube-xiangyu-claude-code-video-app（翔宇工作流 · Claude Code 2h+ 实战）：把 MCP 放进 Claude Code 五大组件 的「能力型 / 选择性」一格——与 CLAUDE.md（建议性）和 Hooks（强制性）对照：模型不一定知道自己有某 MCP，需要场景提示才调用。实操上给新手精选清单：Brave（网络检索）、Context7（查库/SDK 上下文）、Chrome（浏览器操作）、Firecrawl（整页抓取）、EXA（code/SDK context，可选）；传输分 HTTP（如 Notion，--transport http --scope user）与 STDIO（需 Token）；scope 分 user / project（project 会在根目录生成 mcp.json）。建议在用户记忆里写清每个 MCP 的使用场景以省上下文；/context 里 MCP 常占约 10% 窗口，故不宜无脑堆服务器。与「强制触发」的 Hooks（如 UserPromptSubmit 注入北京时间、PostToolUse 累计 30 次 Edit/Write 自动 push）分工：要一定发生用 Hooks，要按需联网/查库用 MCP。

  • 2026-07-23-woshipm-vibe-coding-system-pitfalls（东哥说AI · 联调收尾）：从反面强化「按需」——网上吹「接一堆 MCP 自动干这干那」不可信；每个 MCP 吃 Token、占上下文，全接上反而让 AI 搞不清项目架构。正确做法：用 LangChain 才接 LangChain MCP、做任务管理才接 Linear MCP，并用 Rules 按文件类型触发（改 .py 才加载对应 MCP，改前端不加载）。与翔宇「精选清单 + 场景写进记忆」同向，更强调任务门控 + 文件类型门控双闸门。

  • 2026-07-23-woshipm-mcp-rules-40-tasks（东哥说AI · 任务闭环实装）：把「做任务管理才接 Linear MCP」落到完整路径——Trae v1.3.0+ 配 Linear 官方 MCP（约 42 tools），自然语言建项目/任务，并把 Plan 的阶段 1…N（约 40 条）批量同步为 Todo；再叠加 IDE Rules 语义触发，使「开始做…」自动 In Progress（+建分支）、完成后 Done。分工被说成人话：MCP 是 AI IDE 与外部平台的中间人/桥，Rules 才把点动收成闭环。与联调篇「按需」一致，补上正向 Happy Path 与三态状态机（Todo / In Progress / Done）。

  • 2026-07-23-woshipm-ai-backend-test-first-debug（东哥 · 后端测试先行）：给出 MCP 的另一种「按需」用法——在写集成代码前接 docs-langchain MCP，用 ask 模式只问不写，查 LangChain 如何接千问、如何做 NL2SQL、有哪些现成组件。价值是降低过时 API 幻觉；仍强调文档结论必须经最小测试验证字段。与 Linear 任务 MCP、联调篇「不要全挂」共同构成：查规范 / 管任务 / 控规模 三类 MCP 场景。

  • 2026-07-25-woshipm-github-stars-manager-ai-pm：补第四类场景——个人资产检索 MCP。GithubStarsManager 可开启 Streamable HTTP / SSE MCP，让 Claude Code、Cursor 直接查询用户「经 AI 加工后的星标库」（摘要、分类、语义索引），设置内一开关、无需另装。社区原诉求是 CLI，作者判断 MCP 更贴 Agent 场景。与 Linear（任务状态）、docs-langchain（规范问答）、Google Sheets（表格读写）并列：MCP 也可以是私有收藏/知识切片的检索面，而不仅是 SaaS 操作桥。

  • 2026-07-27-tiktok-codex-agent-skills（aronlq）：补第五类场景——商业数据 MCP 驱动垂直业务 Skill。达人精灵 MCP 提供 TikTok Shop 商品/店铺/视频/达人/字幕等结构化商用数据，成为四套 Agent Skill 的唯一数据输入。这个案例抓住了 MCP 最根本的价值：MCP 不是”又一个 API 适配器”，而是让 Agent 有真实世界的前业务数据作为输入——这在不借助 MCP 时是大模型产生数据幻觉的主要原因。与前四类（SaaS 操作、任务工作台、规范问答、个人资产）不同之处在于，垂直行业 MCP 是由第三方专业数据商提供的商业服务，有付费模式（点数）+ 专业文档，形成了一个独立的 MCP 生态形态。

快速开发工具

MCPify

  • 官网：http://mcpify.ai/
  • 一句话创建自己的 MCP 服务
  • 快速开发和部署
  • 自动生成接口文档

Spring AI 原生支持

  • Spring AI 框架已原生支持 MCP
  • 简化 MCP 服务开发
  • 与 Spring 生态无缝集成

实用信息

MCP vs Function Call

维度Function CallMCP
范围单模型内跨系统跨模型
标准化各厂商自定义统一标准协议
可复用性特定场景通用可复用
生态支持大模型厂商社区生态

应用场景

  • 企业内部工具标准化

  • AI 应用之间功能共享

  • 多智能体协作系统

  • 插件生态系统建设

  • 2026-08-11-gemini-spark-tutorial（数位时代 Gemini Spark 实测）：Gemini Spark 的 Connected Apps 功能已支援通过 MCP 协定串接 Dropbox、Notion 等第三方工具，标志着 MCP 从开发者/Agent 框架层面进入消费级 AI 产品的「外挂生态」——普通用户无需理解协议细节，只需在 Spark 介面授权即可让个人 AI Agent 存取非 Google 生态的工具。这使 MCP 的渗透从「专业用户工具链」扩展到「普通订阅用户的日常自动化」。

  • 2026-08-10-AI自动化工作流边界设计：从产品交付视角补充了 MCP 的 B 端价值——自编排 MCP 能将智能体、知识库、Skills、MCP 服务、文件、基础模型组织成可创建、可配置、可发布、可维护的项目能力。对交付伙伴来说，这意味着不用每接一个客户从零做起，而是可以沉淀模板，再根据客户资料、权限和业务流程做差异化配置。公网 B 端平台适合标准化客户交付；高校、政府、医院、国企等需数据不出域和权限审计的机构客户，则应采用私有化 AI 服务要素平台方案。这扩展了 MCP 的应用场景——从”工具连接协议”到”B 端交付平台的基础设施”。

相关页面

不同素材中的补充观点（世界观定位）

  • 2026-08-11-agent-worldview-llm-context-tool-agent：从 Agent 世界观框架明确了 MCP 的定位——Agent 解决的是”高手如何持续完成任务”，MCP 更偏向解决”法宝能力如何用统一方式接进系统”。两者分工清晰：MCP 提供统一的能力接入方式（数据库、GitHub、文件系统、浏览器），Agent Runtime 负责任务循环、上下文管理、状态、工具调度和完成条件。接入 MCP 不代表自动拥有了完整 Agent——还需有人负责任务循环、上下文、状态、工具调用和完成条件。

  • 2026-08-12-pennyscribe-codex-ai-product（大侠Luffy）：从产品设计视角验证了 MCP 作为”产品对 Agent 的标准接口”的商业化趋势——PennyScribe 提供 CLI、API 和 MCP 三种接口，将 MCP 作为产品的一个原生对外接口，而不仅仅是”企业内部工具连接”。这标志着 MCP 的应用场景正从”开发者私有工具的连接协议”扩展到”商业产品对 AI Agent 的标准服务面”——未来 SaaS 产品可能都需要提供 MCP 接口，就像过去需要提供 REST API 一样。

关系图谱

快速导航

反向链接