MCP出现的意义是什么？让 AI 智能体更模块化

AI 智能体现在能做的事情真的很厉害，可以思考、规划，还能执行各种复杂任务，而且代码量并不大。这让开发者看到了一个机会：把那些庞大复杂的代码库和 API 拆解成更实用的模块。

江湖人称麻花滕

1123人浏览 · 2025-06-23 21:37:40

江湖人称麻花滕 · 2025-06-23 21:37:40 发布

省流：MCP出现的意义是什么？让 AI 智能体更模块化

不过要让这些智能变成现实世界里真正能用的东西，还需要模块化、标准化和强大的接口支持。**模型上下文协议（Model Context Protocol，简称 MCP）**就是为了解决这个问题而出现的。

什么样的智能体才算是好智能体？

一开始构建智能体挺简单的：给大型语言模型写一些专门的指令来执行任务，再可选地提供一些函数工具，让它能调用外部 API。

但真正优秀的智能体应该具备这些特点：

模块化：每个任务都是独立定义且可重用的
可组合：智能体可以智能地委派任务或协同工作
接地：通过工具与现实世界数据交互
可编排：行动序列可根据输入和上下文进行路由
可维护：逻辑和工具可以独立演进

比如说，有人之前构建了一个处理文档的应用，这个多智能体流水线可以：

读取文档（PDF/图片）
提取原始文本
对内容进行摘要
提取元数据
存储数据
回答用户关于存储数据的问题

听起来很不错，但最初的设计方式其实有不少限制。

MCP 的客户端-宿主-服务器架构是怎么工作的

MCP 的核心遵循客户端-宿主-服务器模型，既抽象了工具的集成方式，又保留了灵活性和控制力。

**宿主（Host）**是整个操作的大脑，通常是像 Claude、ChatGPT 这样的 AI 接口，或者自己的编排器应用。它负责启动 MCP 客户端、执行安全和权限策略，并决定何时调用外部工具。
**客户端（Client）**充当宿主和单个服务器之间的桥梁。一旦启动，它会处理所有通信，格式化结构化请求，将其传递给相应的服务器，并将结果返回给宿主。这里不需要写很多定制代码，因为客户端 SDK 处理了大部分复杂性。
**服务器（Server）**是真正实现功能的地方，也是开发者需要构建的部分。比如 OCR 微服务，它公开了特定的能力。OCR 服务器可能提供一个名为extract_text的工具，检索服务器则可以提供query_documents或semantic_lookup等工具。

服务器可以公开三种能力：

Prompts（提示词）：预定义的模板或指令，用于指导模型
Resources（资源）：结构化的上下文数据，如 PDF 文档、数据库记录或向量嵌入
Tools（工具）：可调用的函数，让模型能够采取行动

可以把 MCP 看作连接智能体与外部能力的结缔组织，它通过标准化、可内省和可互操作的接口实现连接。

乍一看，它可能跟传统 API 差不多，但有个关键区别：API 是直接暴露功能供使用，而 MCP 允许智能体通过 JSON Schema 动态地发现、描述和调用工具。

比如说，Firestore 服务器可以轻松替换为 MongoDB 版本，而无需更改编排器代码。或者可以将 OCR 服务器接入到另一个项目中，只要它符合 MCP 清单的要求，就能正常运行。

用 OpenAI Agents 和函数工具构建的传统方式

使用像 OpenAI 的 Agents SDK 或 LangChain 这样的框架时，可以将工具定义为 Python 函数，然后将它们传递给智能体。

这是一个用于 OCR 的工具示例：

@tool
def extract_text(file_bytes: bytes) -> str:
    image = vision.Image(content=file_bytes)
    response = client.document_text_detection(image=image)
    return response.full_text_annotation.text

然后将它包装成一个智能体：

extract_text_agent = Agent(
    instructions="Extract text using OCR.",
    tools=[extract_text],
    model="gpt-4o-mini"
)

用编排器将这些智能体链式连接起来：

orchestrator = Agent(
    instructions="""1. Use the OCR tool to extract text
    2. Summarize the text
    3. Extract metadata
    4. Store everything
    """,
    tools=[
        extract_text_agent.as_tool("ocr"),
        summarizer_agent.as_tool("summarize"),
        metadata_agent.as_tool("extract_metadata"),
        firestore_agent.as_tool("store")
    ])

这种做法是可行的，但它紧密耦合了代码、智能体和服务。如果想要：

将 OCR 服务从 GCP 换到 Azure
从 Firestore 迁移到 PostgreSQL
添加缓存层

这都意味着需要修改核心的智能体逻辑和编排器指令，增加了额外的工作量，并限制了系统的扩展能力。

MCP 登场：解决模块化问题

**模型上下文协议（MCP）**是 Anthropic 提出的一项标准，用于通过结构化的 JSON 接口向 LLM 公开工具。它实现了：

可发现性：模型通过清单内省工具能力
解耦：工具是服务器，而不是内联函数
标准化：输入和输出使用类型化 Schema
可替换性：通过指向新的清单来替换工具
兼容性：与 GPT、Claude、LLaMA 及其他 LLM 宿主兼容

把 MCP 想象成工具与 AI 运行时之间的契约。现在构建的是带有清单的 REST 服务器，而不是函数工具。

AI 智能体能发挥多大作用，很大程度上取决于它们能访问的数据。如果没有能够连接到互联网或数据库的函数工具，那么能力会受到严重限制。MCP 为 AI 工具提供了一种标准化的方法来发现其他 API 和工具，让 AI 工具能找到新的信息源并执行动作，而不仅仅是提供洞察。

以往，这意味着需要创建自定义集成才能让 AI 应用连接外部工具。MCP 使开发者能够更容易、更快速地构建工具集成，同时也方便在不同的工具之间切换，从而实现模块化和可扩展性。

构建 MCP 兼容工具服务器

让我们演示如何构建一个遵循 MCP 标准的 OCR 工具。

第 1 步：将 OCR 工具构建为服务器

# ocr_mcp_server.py

from typing import Any
from mcp.server.fastmcp import FastMCP
from google.cloud import vision
import base64
import asyncio

# Initialize MCP server
mcp = FastMCP("ocr")

# OCR Tool
@mcp.tool()
asyncdef extract_text(file_content: str) -> str:
    """Extract text from a base64-encoded PDF or image content."""
    client = vision.ImageAnnotatorClient()
    # Decode the base64 content back to bytes
    image_bytes = base64.b64decode(file_content.encode("utf-8"))
    image = vision.Image(content=image_bytes)
    response = await asyncio.to_thread(client.document_text_detection, image=image)

    ifnot response.full_text_annotation ornot response.full_text_annotation.text:
        return"No text found in document."

    return response.full_text_annotation.text

# Run the server
if __name__ == "__main__":
    print("MCP Server starting in stdio mode...")
    mcp.run(transport="stdio")

第 2 步：定义 MCP 清单

{
  "name": "OCR MCP Server",
"description": "使用 Google Cloud Vision API 从 Base64 编码的 PDF 或图像文件中提取原始文本。",
"tools": [
    {
      "name": "extract_text",
      "description": "从 Base64 编码的文件内容字符串中提取完整的文档文本。",
      "input_schema": {
        "type": "object",
        "properties": {
          "file_content": {
            "type": "string",
            "description": "PDF 或图像的 Base64 编码二进制内容"
          }
        },
        "required": ["file_content"]
      },
      "output_schema": {
        "type": "string",
        "description": "文档中经 OCR 识别的完整文本内容"
      }
    }
  ]
}

这份清单使得任何模型编排器都能理解：

此工具的功能是什么
期望的输入/输出格式是怎样的
请求应该发送到何处

MCP 客户端：将工具调用为动作

现在，编排器不再需要与具体的工具实现方式绑定，而是通过 MCP 客户端调用抽象的动作。

import base64
from mcp.client import MCPClient
import asyncio
import os

asyncdef main():
    file_path = "sample.pdf"

    # Step 1: Read and encode file
    try:
        with open(file_path, "rb") as f:
            file_bytes = f.read()
            file_content = base64.b64encode(file_bytes).decode("utf-8")
    except FileNotFoundError:
        print(f"Error: File not found at {file_path}")
        return
    except Exception as e:
        print(f"Error reading file: {e}")
        return

    # Step 2: Initialize client
    server_url = "http://localhost:8001"
    print(f"Attempting to connect to MCP server at {server_url}...")

    try:
        client = MCPClient(server_url)

        # Step 3: Call the OCR tool
        print("Calling 'extract_text' tool...")
        params = {"file_content": file_content}
        result = await client.call_tool("extract_text", params)

        # Step 4: Output extracted text
        print("\nExtracted Document Text:\n")
        print(result)

    except Exception as e:
        print(f"An error occurred during MCP client call: {e}")
        print("Please ensure the MCP server is running and accessible at the specified URL.")

if __name__ == "__main__":
    asyncio.run(main())

任何智能体或工具都无需了解其他部分的具体实现方式。这正是 MCP 的强大之处。

MCP 架构的优势

模块化：每个工具都是独立的、可版本化和可测试的
可组合性：智能体可以通过清单混合搭配工具
可维护性：工具 Schema 的变化不会破坏编排逻辑
可扩展性：添加新服务无需更新智能体
跨模型兼容：适用于 GPT、Claude、LLaMA 等多种模型

MCP 与传统智能体 API 的对比

AI 智能体是智能系统，旨在无需指定每个步骤就能采取行动。比如在文档助手中，一旦上传了文件，无需手动调用 OCR、摘要或元数据提取。编排器智能体根据设定的指令自主处理这一切。

MCP 通过为智能体提供访问外部服务的标准化途径，提升了这种自主性。无需将函数调用硬编码到编排器中，而是可以将 OCR 或 Firestore 存储等能力作为独立的 MCP 服务器公开。智能体无需知道具体实现——它只需调用一个像extract_text这样的动作，底层服务器会处理其余部分。

这使得接入新工具或切换提供商变得更加容易，比如从 Google Vision 切换到 Azure OCR，而无需重写智能体逻辑。

总结

MCP 是一个注重开发者体验的框架，专为希望精确控制智能体如何与工具和数据交互的工程师而设计。它通过允许 AI 连接外部工具，来赋予 AI 具身智能的能力。

MCP 和传统智能体 API 为不同人群解决了不同问题，并且都在不断发展的 AI 生态系统中扮演着各自的角色。构建一个完全自动化系统最重要的考量应该是模块化、可扩展性和可靠性。如何实现这一步取决于个人偏好以及可用的工具。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述