简介

文章介绍了MCP支持的三大通信方式：stdio通过标准输入输出通信，适合本地开发和插件集成；SSE基于HTTP长连接，支持流式传输，适合在线对话和长任务；HTTP采用传统请求-响应模式，适合轻量远程调用。这三种方式分别针对不同场景，使MCP能够灵活适配从本地到云端的各类环境，为大模型与外部服务提供稳定通信通道。

---

1. stdio 模式
   ===========

stdi``o(Standard Input/Output)是最简单直接的一种通信方式，它通过**标准输入（stdin）和标准输出（stdout）**来传递消息。

• 特点

• 不依赖网络，适合本地运行。
• 通信延迟低，安全性高（不会暴露端口）。
• 流式输出直接写到标准输出中，简单高效。

• 适用场景

• 插件式开发：例如在本地IDE（VS Code、IntelliJ）里运行MCP Server。
• 本地调试：开发者快速验证工具调用逻辑。

一句话总结：stdio更像是开发者的“内循环”工具，本地直连，快速安全。

---

2. SSE 模式（Server-Sent Events）

SSE基于HTTP长连接，服务端通过text/event-stream不断向客户端推送事件流，非常适合大模型的流式输出。

• 特点

• 流式传输：支持逐字/逐句输出，用户体验好。
• 事件驱动：消息以事件流形式传输，天然适合工具调用与结果返回。
• 自动重连：断开后可恢复，增强健壮性。
• 兼容性强：浏览器、Node.js、Python等都有原生SSE支持。

• 适用场景

• 聊天对话：像ChatGPT一样边生成边显示。
• 长任务执行：如大规模数据库查询、文件处理，需要实时返回进度。
• 需要模型与工具持续交互的复杂会话。

一句话总结：SSE是在线应用的首选，让MCP拥有“边说边想”的能力。

---

3. HTTP 模式(非streamable)

HTTP模式是MCP的传统调用方式，走的就是标准的请求-响应流程。

• 特点

• 实现简单，广泛兼容。
• 每次调用独立，不保留会话状态。
• 不支持流式传输。

• 适用场景

• 一次性任务：例如调用REST API、数据库单次查询。
• 简单远程服务集成。

一句话总结：HTTP模式适合“打完收工”的调用场景，轻量直接。

---

4. 三者对比

---

协议方式	底层机制	是否支持流式	是否长连接	适用场景
stdio	stdin/stdout	✅	✅	本地开发、插件集成
SSE	HTTP+EventStream	✅	✅	在线对话、长任务、流式输出
HTTP	HTTP 请求-响应	❌	❌	简单 API 调用、一次性任务

可以看到，stdio更适合本地，SSE更适合在线，HTTP更适合轻量远程调用。

---

5. 总结

---

MCP的设计初衷就是要在不同场景下保持灵活性：

• 在本地插件中，用stdio，安全高效；
• 在在线应用中，选择SSE，带来流式交互体验；
• 而如果只是做一次性远程调用，HTTP就足够了。

正是因为有了这三种通信方式，MCP才能适配从本地到云端服务的各种运行环境，为大模型与外部服务之间搭建起一条灵活而稳定的通信通道。

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。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.大模型 AI 学习和面试资料

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】