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 2026-05-27-通过codex解析Agent工作流程：
- 本文给出 MCP 最通俗的定义：连接 AI 与外部工具、数据和服务的”通用接口协议”，让 AI 能安全、标准化地使用外部资源，真正实现能力扩展和自动化执行
- MCP 的五步工作流程被清晰拆解：AI 发起请求 → 通过 MCP 标准化封装发送 → MCP 路由到合适的工具服务或数据源 → 外部资源处理完毕结果统一返回 → AI 验收并结合上下文继续执行
- 在 Codex 平台中，MCP 被用于接入 Basic Memory 实现跨对话长期记忆：单窗口有 Token 上下文限制，多窗口之间记忆完全隔离，通过 MCP 配置 Basic Memory 后每次聊天自动记笔记，跨窗口跨项目都能用——这是 MCP 在”记忆持久化”场景的经典落地案例
来自 2026-06-06-woshipm-agent-task-decomposition：
- 本文给出 MCP 最具传播力的比喻：“MCP 有点像 AI 世界里的 USB-C”——过去不同模型、不同工具、不同系统之间需要单独适配，每换一个平台就要重写一套连接方式，MCP 想解决的就是这种重复集成问题
- 在 Agentic Workflow 的语境下，MCP 被定位为接入真实工具的标准接口——没有 MCP，Agent 只能停留在”给建议”；接上 MCP 之后，Agent 才有机会真正调用企业微信、OA、ERP、发票识别、知识库等系统完成任务
- MCP 的重要性不在于单个工具调用，而在于它是 Agentic Workflow 从”会写”升级为”能执行”的关键基础设施——与 Skill（单一任务执行能力）、任务拆解（流程编排方法论）共同构成 Agentic Workflow 的三层基础
来自 2026-06-09-woshipm-weather-mcp-comparison：
- 本文通过阿里云百炼平台三款天气 MCP 服务（天气通、万维易源、墨迹天气）的深度评测，验证了 MCP 工具生态的竞争已从”接口封装”升级为”数据深度 + 场景理解”——同为天气 MCP，POI 定位精度、预报周期上限、token 消耗成本三项指标差距巨大
- MCP 工具的定价策略沿袭云计算早期圈地逻辑：天气通”1 分钱 100 万次”、墨迹天气 1 万次 10.79 元 vs 天气通 4.7 元——目标是抢占开发者心智，一旦 Agent 工作流依赖形成，迁移成本和生态锁定将带来定价权
- 天气 MCP 评测证明：AI Agent 的决策质量直接取决于底层 MCP 工具的数据能力——“用户不在乎城市天气，只在乎这个坐标点、这个时间段的真实气象状态”，这正是 MCP 从标准化协议走向垂直深耕的信号
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 Call | MCP |
|---|---|---|
| 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