新闻详情

新闻详情

首页 / 资讯中心 / 详情

从零搞懂 MCP:MCP协议、MCP 服务、Tool 到底谁是谁?

发布时间:2026/11/5 10:12:25来源:尧图网络
从零搞懂 MCP:MCP协议、MCP 服务、Tool 到底谁是谁?
最近 AI 圈里 “MCP” 出现的频率越来越高但能把它一次讲清的材料并不多。我将用四张图回答四个问题MCP 是什么MCP 服务是什么它和 Tool 是什么关系我们日常使用的workbuddy中看到的那些连接器算不算 MCP服务目录先看一个痛点为什么每个助手都得重新对接一遍MCP 到底是个什么东西MCP的三层结构宿主、客户端、服务举个例子一个 MCP 服务里装了什么重点澄清MCP 服务就是 Tool 吗总结01 先看一个痛点为什么每个助手都得重新对接一遍我们可以想象一下我们平时使用的Siri、小爱同学、豆包等我们希望它们都能帮我们做同样几件事——查天气、看日程、点外卖、记一笔账。在没有统一标准的世界里每一个 AI 和服务查天气、看日程、点外卖、记一笔账之间都得两两单独对接。让 Siri 能查天气、改日程、点外卖、记账要单独写一遍小爱同学再写一遍豆包再写一遍3 个 AI × 4 项服务 12 套。而现实中这样的 AI 会越来越多要对接的服务也越来越多这个数字会直接爆炸。这就是经典的M × N 问题。图 1同样是 3 个 AI 对接 4 项日常服务左边要写 12 套代码右边只用 7 条标准连接有了 MCP所有 AI 都只说同一门普通话3 4 7条连接就够了。更关键的是服务方只要按标准写一次任何支持 MCP 的 AI 都能直接接入。02 MCP 到底是个什么东西MCP 全称Model Context Protocol模型上下文协议由 Anthropic 在 2024 年底开源现在已经是事实上的行业标准。它规定了两件事AI 助手怎么连上外面的服务以及怎么发现并调用这些服务的能力。就好像我们平时使用的手机数据线USB-C接口以前苹果手机用苹果的数据接口安卓用另外一种数据接口现在统一成一个口USB-C接口苹果、安卓手机都能插。MCP 就是 AI 世界里的那个统一接口。03 MCP的三层结构宿主机、客户端、服务MCP 的架构有三个角色宿主机、客户端、服务图 2宿主是 AI 背后的整套系统大脑模型在云端里面的客户端一对一地连到 MCP 服务宿主 Host豆包背后的整套 AI 系统——手机上的 App 只是它的脸面负责听我们说话、显示回答大脑模型和 MCP 客户端都跑在云端机房里。MCP 客户端宿主内部负责握手、转发、报错。MCP 服务真正提供能力的那一端。它不做思考只负责被调用时把活干完、把结果返回。MCP 服务是手模型是大脑。手不会自己决定该干什么但它能把事情干得又准又稳。04 举个例子光看结构还是抽象的。假设今天早上你对智能音箱说了这么一句“明天下午要是下雨帮我把跑步改到室内再提醒我带伞。”接下来发生的事分五步图 3蓝色是模型干的活绿色是 MCP 服务干的活两者交替出现请注意第 4 步——下雨了就改计划这个判断发生在模型内部根本不经过 MCP。MCP 只负责查天气和改日程这两个动作怎么决策始终是模型自己的事。这条边界很重要。MCP 是通道不是大脑。它能让 AI 拿到真实世界的信息、对真实的事情动手改日程、下单、发消息但它不替 AI 做判断。很多人以为接了 MCP 所以 AI 变聪明了其实是接了 MCP 所以 AI 终于能碰到真实世界了。05 一个 MCP 服务里装了什么一个 MCP 服务主要提供三类东西“能干的事、能读的料、能套的模板”图 4服务里的三类能力以及普通人也用得上的服务生态Tools工具模型可以做的事有名字、有参数、有返回值。比如get_weather查天气、add_event加日程、add_expense记一笔账。Resources资源模型可以读的数据比如相册里的一组照片、一份聊天记录读进来当作上下文。Prompts提示模板预设好的话术由用户主动选用比如帮我做一份周末旅行攻略、“规划一周菜谱”。所以我们平时所说的 tool其实是 MCP 服务里包含的一种能力。06 连接器又怎么理解我们平时使用的 workbuddy界面上的连接器就是用来建立和管理 MCP 连接的入口。点连接之后workbuddy 内部的 MCP 客户端就和对应的 MCP 服务建立起了连接workbuddy 也因此具备了这些工具的能力。之后我们和 workbuddy 对话时它会把手头已有的工具一起告诉云端的大模型——大模型知道有哪些工具可用就能在需要的时候调用它们来完成任务了。07 总结MCP 是标准MCP 服务是按标准做出来的适配器Tool 是服务里被调用的那个动作。MCP 服务包含了Tool连接器是入口背后连接着远端或本地的 MCP 服务。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/4 15:56:54

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/4 22:55:41

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/4 17:01:23

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/4 12:33:12

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/5 4:24:57

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/5 4:24:57

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉