一、前言

本文详细介绍了MCP(模型上下文协议)这一大模型工具调用的新标准，从理论基础(RAG、Function Calling)到MCP的核心架构和优势，通过ModelScope市场和Cherry Studio实例展示了实际应用过程。作者分析了当前MCP存在的问题，如配置不够智能、Token消耗大等，并展望了MCP与A2A协议结合的未来发展，认为MCP将为大模型工具调用提供标准化解决方案，推动AI应用进一步发展。

二、理论基础

RAG 是为了让大模型获取足够的上下文，Function Calling 是为了让模型使用工具，他们和 MCP 有或多或少的联系，因此，接下来，我先介绍前面两个概念再介绍 MCP。

2.1 先看 RAG

RAG（Retrieval Augmented Generation ，检索增强生成），我们不需要训练和微调大模型，只需要提供和用户提问相关的额外的信息到提示词中，从而可以获得更高质量的回答。

图片来源：https://www.dailydoseofds.com/16-techniques-to-supercharge-and-build-real-world-rag-systems-part-1/

通常，需要将资料通过嵌入模型生成服务转化为向量，然后存储到向量数据库中。

当用户提问时，将用户的问题向量化从向量数据库中进行相似度匹配出 TOP N 个片段，拼接成新的提示词发送给大模型，大模型就可以结合你的资料更好地回答问题了。

当然， RAG 还有很多变种，如 Agentic RAG 、Modular RAG、Graph RAG 等多种高级形式，这里就不展了。

2.2 再看 Function Calling

Function Calling (函数调用) 是一种允许大型语言模型(LLM)根据用户输入识别它需要的工具并决定何时调用该工具的机制。

图片来源：ailydoseofds

基本工作原理如下：LLM 接收用户的提示词，LLM 决定它需要的工具，执行方法调用，后端服务执行实际的请求给出处理结果，大语言模型根据处理结果生成最终给用户的回答。

不同的 API 需要封装成不同的方法，通常需要编写代码，很难在不同的平台灵活复用。

参见百炼函数调用文档：https://help.aliyun.com/zh/model-studio/tool-calling-overview/

2.3 来看 MCP

模型上下文协议（Model Context Protocol，简称MCP）是一个由 Anthropic 在 2024 年 11 月 25 日开源的新标准。MCP 是一个开放标准，旨在连接AI助手与数据所在的系统，包括内容存储库、业务工具和开发环境。其目标是帮助前沿模型产生更好、更相关的响应。

图片来源：https://zhuanlan.zhihu.com/p/598749792

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。

图片来源：ailydoseofds

2.3.1 MCP 的核心

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。

MCP 有三个关键组件：

• 主机(Host)
• 客户端(Client)
• 服务器(Server)

2.3.2 组件详解

• 主机：代表任何提供 AI 交互环境的应用程序(如 Claude 桌面版、Cursor)，它能访问工具和数据，并运行 MCP 客户端。

• MCP 客户端：在主机内运行，使其能与 MCP 服务器通信。

• MCP 服务器：暴露特定功能并提供数据访问，例如：

• 工具：使 LLM 能通过服务器执行操作
• 资源：向 LLM 公开服务器中的数据和内容
• 提示：创建可重用的提示模板和工作流

2.3.3 MCP 相比传统 API 的优势

传统 API ：

图片来源：ailydoseofds

• 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。

  

图片来源：ailydoseofds

• 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。

  

图片来源：ailydoseofds

• 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。

  

图片来源：ailydoseofds

• 如果您稍后添加单位参数，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(例如在请求中包含单位)，无需重写或重新部署代码。

图源：https://www.latent.space/p/why-mcp-won

其实，MCP 也是用了 “中间层”的思想，让大模型使用工具标准化，让大模型调用工具更方便，焕发出新的生机。

2.3.4 MCP 的过程

图片来源：ailydoseofds

首先需要在主机上自动或手动配置 MCP 服务，当用户输入问题时， MCP 客户端让 大语言模型选择 MCP 工具，大模型选择好 MCP 工具以后， MCP 客户端寻求用户同意（很多产品支持配置自动同意），MCP 客户端请求 MCP 服务器， MCP 服务调用工具并将工具的结果返回给 MCP 客户端， MCP 客户端将模型调用结果和用户的查询发送给大语言模型，大语言模型组织答案给用户。

其实 RAG 、Function Call 和 MCP 本质上都是一样，都是为了借助外部工具帮助大模型完成更复杂的事情。

三、“看见” MCP 的过程

3.1 ModelScope

我们来到魔搭的 MCP 市场：https://modelscope.cn/mcp，这里只是为了演示，其他的 MCP 广场也是一样的。

登录以后，我们选择一个 MCP 服务，点击右侧的“连接”按钮，就可以 获取 MCP服务的 SSE URL。

3.2 Cherry Studio

Cherry Studio 官网: https://cherry-ai.com/

在右上角点击开启，就可以看到该 MCP 服务提供的工具、提示和资源。

可以单独开启和关闭每个可用的工具。

每个 MCP 服务手动配置太麻烦，大家也可以点击“同步服务器”，配置 ModelScope 的 API 令牌，配置之后就可以一键同步 ModelScope 上开启的 MCP 服务了。

3.3 开发者模式

输入想要问的问题，开启需要的 MCP 服务。

为了看见 MCP 的执行过程，我们还需要通过 Ctrl+Shift+I（Mac端：Command+Option+I）打开开发者模式。

第一次请求，发送系统提示词，包括大模型可以选择的工具和要求等，然后给出用户的问题。

可以看到第二次调用，模型选择使用 infoq 工具获得资讯后组织语言展示给用户。

index =0 的系统提示词的内容：

{

主要包括：

• 工具使用格式 - 使用XML风格的标签来调用工具，包括工具名称和JSON格式的参数；
• 工具使用示例 - 展示了如何使用各种假设工具的例子，如文档问答、图像生成、Python解释器等；
• 可用工具列表 - 提供了多个实际可用的信息获取工具，主要是各种中英文新闻和内容平台的热门榜单；
• 工具使用规则 - 强调了正确使用参数、仅在需要时调用工具、不重复调用等规则；
• 最后，提示词以一个有趣的激励结束，表示如果任务正确完成，将获得一百万美元奖励。

index =1 的用户的内容

{

index =2 的助手的内容

{

index =3 的 用户的内容

{

第三次调用主要是为了给话题起标题。

大家，可以多开启几个工具或者多问几次，结合理论部分的讲解，会对 MCP 的过程会有更深刻的体会。

四、MCP 市场和 MCP 学习经验

4.1 MCP 市场

MCP 市场有很多，国内常见的有 ModelScope 和 阿里云百炼。

ModelScope：https://modelscope.cn/mcp

百炼 MCP 市场：https://bailian.console.aliyun.com/?tab=mcp#/mcp-market

4.2 MCP 学习技巧

大家还可以使用 Qwen （https://chat.qwen.ai）深入研究功能来系统学习 MCP。

我们感兴趣可以 Clone Cherry Studio 的源码，使用通义灵码、 Cursor 等 AI 编程工具，打开仓库：https://github.com/CherryHQ/cherry-studio 直接对你关心的问题进行提问，学习效果更好。

大家还可以通过我们之前分享的“通俗讲解专家智能体”，先用生活化的例子快速 GET 到意思，然后专业讲解，再给出易记的方法，最后通过 SVG 图解的方式帮助我们更直观理解知识。详情参见：《我是如何基于 DeepSeek-R1 构建出高效学习Agent的？》

五、观点

5.1 我发现的一些问题

**问题1：MCP 服务的配置、开关通常需要手动操作，使用方式还不够智能。这有点和 ChatGPT 的插件功能很相似，用户需要手动选择想要开启的插件，AI 还不能自动选择。**在大模型上下文和能力没有完全解决之前， MCP 下一步应该需要支持场景化（剧本式）开启和关闭，而不是全局的手动开启和关闭，开启太多 Tokens消耗大，开启太少可能影响功能的使用，某个场景在特定环节能够用到的 MCP 是相对确定的，需要类似工作流编排的形式来解决。

问题2：如果开启大量的 MCP 服务，客户端如果第一次将所有工具信息都发给大模型让大模型来抉择，会浪费大量 Tokens。未来这部分可能需要用本地模型来实现。

问题3：MCP 只是解决了协议的问题，工具的稳定性很重要，调用工具时服务不可用非常影响用户体验。应该有个工具可用性检测机制，不可用时及时下线。

问题4：现在 MCP 服务的封装主流还是前端框架和 Python，Java 来封装 MCP 似乎不太方便或者说上手门槛略高，未来可能需要再增加一个中间层来吃掉这个复杂度。

问题5：现在很多模型使用 MCP 的能力还不太强，有些场景哪怕适合调用某个 MCP 服务，有些模型也只会在需要明确告知使用 MCP 才会选择使用 MCP。

5.2 关于 MCP 只是一种“过渡”的说法

很多人认为 MCP 只是一个过渡，因为目前 MCP 设计存在一些局限性，而且，尽管 MCP 获得了 OpenAI、Google 等大厂的支持，但其成为永久行业标准仍存在不确定性。

我认为，MCP 确实存在一些缺点，但，MCP 确实为大模型更好地调用工具提供了一个非常好的协议。大模型想要做更复杂发挥出更大价值必然要学会使用工具，模型上下文协议非常有必要，只是未必一定是 Anthropic 这个版本。

MCP 可能是一个过渡，但这不是问题。其实 RAG 也存在诸多问题，可能也是一个过渡。其实，从更大尺度来看，我们以前用的电话、功能机、现在用的这些传统软件都是一种过渡。人，总是有时代局限性，比如我们手动挡的汽车和现在的自动驾驶没法比，也是一种过渡，但不妨碍它能够真正帮助到我们。

5.3 展望

当前，大模型现在还很难通过 MCP 实现人类一样的操作。比如 PPT 制作、视频剪辑，大模型还不能通过 MCP 实现类似真正和人类一样的智能的 “RPA”操作。

随着越来越多的服务支持 MCP，随着模型的服务不断增强，面向 MCP 的业务流程编排会或许成为主流。随着 AI 使用工具的能力不断增强，未来，能够带来的帮助也会更大。

图源：https://www.dailydoseofds.com/p/a-visual-guide-to-agent2agent-a2a-protocol/

MCP 试图在解决模型使用工具的问题（就像人可以使用扳手、可以开车、可以使用的电脑等）。但是，想要完成非常复杂的事情，智能体之间必然需要协同（就像上下级之间的管理和执行，同事之间分工合作），智能体之间的标准协议非常重要。谷歌最近发布的 A2A 协议则试图解决智能体之间通信的协议问题。正如上图所示，两者可以结合使用，MCP 用户服务的注册和发现， A2A 用户智能体之间的通信。

AI 技术的发展比想象地要更快，正如 ChatGPT 刚出来时，很多人说它永远不会取代我们，它的知识不会更新，现在 AI 搜索、RAG 已经成为常态。

现在，模型虽然存在速度慢的问题，存在上下文长度限制问题，存在幻觉的问题，存在好用模型价格高的问题等，这些都将逐渐得到解决。 AI 将会更好地使用工具，Agent 也将更加智能， Agent 之间的协同也将更加通畅。

关联文章：《一行代码不用改！搞定 HSF 转 MCP Server》

通义千问和LangChain搭建对话服务

结合通义千问和LangChain技术构建高效的对话模型，该模型基于自然语言处理技术提升语义理解和用户交互体验。

读者福利大放送：如果你对大模型感兴趣，想更加深入的学习大模型**，那么这份精心整理的大模型学习资料，绝对能帮你少走弯路、快速入门**

如果你是零基础小白，别担心——大模型入门真的没那么难，你完全可以学得会！

👉 不用你懂任何算法和数学知识，公式推导、复杂原理这些都不用操心；
👉 也不挑电脑配置，普通家用电脑完全能 hold 住，不用额外花钱升级设备；
👉 更不用你提前学 Python 之类的编程语言，零基础照样能上手。

你要做的特别简单：跟着我的讲解走，照着教程里的步骤一步步操作就行。

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

现在这份资料免费分享给大家，有需要的小伙伴，直接VX扫描下方二维码就能领取啦😝↓↓↓

为什么要学习大模型？

数据显示，2023 年我国大模型相关人才缺口已突破百万，这一数字直接暴露了人才培养体系的严重滞后与供给不足。而随着人工智能技术的飞速迭代，产业对专业人才的需求将呈爆发式增长，据预测，到 2025 年这一缺口将急剧扩大至 400 万！!

大模型学习路线汇总

整体的学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战，跟着学习路线一步步打卡，小白也能轻松学会！

大模型实战项目&配套源码

光学理论可不够，这套学习资料还包含了丰富的实战案例，让你在实战中检验成果巩固所学知识

大模型学习必看书籍PDF

我精选了一系列大模型技术的书籍和学习文档(电子版)，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

大模型超全面试题汇总

在面试过程中可能遇到的问题，我都给大家汇总好了，能让你们在面试中游刃有余

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

👉获取方式：

😝有需要的小伙伴，可以保存图片到VX扫描下方二维码免费领取【保证100%免费】

相信我，这套大模型系统教程将会是全网最齐全 最适合零基础的！！