MCP：人工智能时代的HTTP？探索AI通信新标准

  每周跟踪AI热点新闻动向和震撼发展 想要探索生成式人工智能的前沿进展吗？订阅我们的简报，深入解析最新的技术突破、实际应用案例和未来的趋势。与全球数同行一同，从行业内部的深度分析和实用指南中受益。不要错过这个机会，成为AI领域的领跑者。点击订阅，与未来同行！ 订阅：https://rengongzhineng.io/

早期互联网发展的阶段，人们或许还记得那片混乱景象——各种不同的协议和访问方式交错存在。直到HTTP（超文本传输协议）的出现，这一局面才得以改变。HTTP不仅仅是一个技术协议，更是标准化了客户端（浏览器）与服务器之间的通信方式，解锁了如今人们所熟悉的互联互通的网络世界。HTTP为信息自由流动提供了共同的语言。

时至今日，在人工智能革命迅猛发展的背景下，人们正在与越来越强大的大型语言模型（LLMs）和AI代理进行交互。然而，这种交互体验往往显得割裂。模型常常面临幻觉、难以无缝整合实时信息与工具，以及在用户授权下执行有用操作的困境。每一次请求，似乎仍然是孤立地被处理。

因此，一个关键问题浮现：人类是否正处于需要一种新基础协议层来支撑AI交互的关口？像模型上下文协议（Model Context Protocol，简称MCP）这样的协议，是否有可能成为AI时代中如同HTTP之于互联网时代那般基础的存在？

什么是模型上下文协议（MCP）？

模型上下文协议（MCP）是一个开放协议，旨在标准化应用程序向大型语言模型提供上下文的方式，以及AI助手如何连接到存储数据的系统，例如内容库、商业工具和开发环境。可以将其类比为AI应用程序的“USB-C接口”，为AI模型提供一种标准化的方式，连接到各种数据源和工具。其核心目标是让LLMs和AI系统能够访问必要的上下文信息，从而生成更优质、更相关的响应。

MCP旨在解决模型与数据源孤立的问题。在过去，每接入一个新数据源，往往需要量身定制的集成工作；而通过MCP，一个统一、开放的标准将取而代之。

从技术上看，MCP促进了LLM应用程序（称为主机，例如AI聊天界面或集成开发环境）与外部数据源和工具服务器之间的无缝整合。主机应用中包含维护与这些服务器连接的客户端。通信则通过使用JSON-RPC 2.0消息的有状态连接来完成。

MCP为以下方面提供了标准化框架：

• 共享上下文信息：向语言模型或用户提供相关的数据资源。

• 暴露工具和功能：允许AI模型执行由服务器提供的功能或工具，前提是用户明确同意以确保安全。

• 构建可组合工作流：使用模板化的消息（提示词）来创建集成的工作流。

本质上，MCP希望用一种更简单、可靠且可扩展的方式，取代当前支离破碎的集成方式，为AI系统提供安全的双向数据访问与功能操作。

HTTP类比：赋能革命

HTTP的伟大之处不仅仅在于其技术规范，更在于其作为创新催化剂的角色。通过创造一种简单、标准化的方式来请求和接收网络资源，HTTP催生了整个网络生态系统。它为互联网的建设铺设了轨道。

MCP在AI领域被赋予了类似的潜力。正如语言服务器协议（LSP）标准化了编程语言在开发工具中的集成方式，MCP试图标准化上下文和工具在AI应用生态系统中的整合方式。通过标准化上下文管理与通信，MCP有望：

• 解锁有状态且强大的AI：推动AI应用超越简单的问答，发展为能够持久、上下文感知、有效利用外部数据和工具的助手与应用。

• 促进互操作性：为不同AI模型、平台和工具之间的上下文与能力通信创造共同基础，增强切换LLM提供商的灵活性。

• 加速开发进程：为开发者提供标准化的构建模块和越来越多的预制集成，而不必一遍遍发明定制解决方案。

正如HTTP让信息在互联网上得以普及，MCP有潜力通过更可持续的架构，推动复杂、集成化AI系统的普及与发展。

核心区别：起源与聚焦点

尽管潜在影响相似，MCP与HTTP之间存在明显差异：

• 起源与目的：HTTP起源于链接与检索静态超文本文档的需求；而MCP源于现代AI复杂需求，专注于让LLM应用无缝整合外部数据源与工具，获取所需上下文信息。

• 信息类型与交互模式：HTTP主要传输定义明确的资源（如HTML、JSON、图片），采用无状态的请求-响应模式；而MCP管理动态、演变的上下文信息，包括数据资源、可执行工具及工作流提示，并通过JSON-RPC 2.0建立有状态的双向连接。

• 架构设计：HTTP使用主要用于资源检索的客户端-服务器模型；而MCP采用特定的主机（LLM应用）、客户端（主机内连接器）和服务器（提供上下文与工具）架构。

• 发展路径：HTTP通过学术界及IETF等机构发展而来；而MCP由Anthropic发起并开源，并正以开放标准的形式由多个组织协作开发，灵感部分来自LSP等协议。

另一种类比：图书馆

还可以用图书馆来打比方：

HTTP就像使用老式气动传送管系统：

• 用户填写一张请求单，注明所需的特定书籍或文件（类似URL）。

• 把请求单放入传送管（发起HTTP请求）。

• 图书馆管理员在某处找到并仅将请求的物品送回（HTTP响应）。

• 若需要另一本书或其他服务，则必须再次填写并提交新请求。

而MCP则像通过现代标准化帮助台系统与图书馆管理员互动：

• 用户带着研究目标来到帮助台（AI应用或“主机”）。

• 管理员通过标准化的计算机接口（MCP）访问所有图书馆资源与工具。

• 通过这一系统，他们可以：

  • 搜索主目录、专业数据库与数字档案（访问资源/上下文）；

  • 操作打印机、扫描仪、缩微胶片阅读器，甚至请求馆际互借（使用工具）；

  • 访问在线期刊和外部学术门户（连接不同服务器）；

  • 记录研究主题，基于持续的需求推荐相关材料（维护上下文）；

  • 引导完成整个研究过程（提示/工作流）。

关键在于，标准化的系统（MCP）让管理员（AI主机）可以无缝协调多种信息资源和工具，帮助用户完成整体目标，而不仅仅是单次信息检索。

为什么MCP对开发者至关重要？

向上下文感知型AI转变，直接影响着开发者能够构建的内容。拥抱MCP意味着：

• 更丰富的用户体验：构建能够使用外部工具和数据执行复杂任务的AI代理，打造真正互动的体验。

• 提升效率与灵活性：接入预构建的集成，避免重复造轮子，且更容易切换LLM提供商。

• 安全性最佳实践：采用最佳安全实践访问数据，确保MCP规范强调的数据安全与用户同意原则得到落实。

• 开启新型应用范式：实现生成式AI与实时数据、外部系统无缝融合的新型应用。

在Google Cloud上借助MCP构建未来

随着这些新协议和模式的出现，拥有一个强大灵活的平台变得尤为重要。Google Cloud为构建和部署下一代上下文感知AI应用提供了所需的工具与基础设施：

• 智能模型与平台：Vertex AI是Google Cloud的端到端AI平台，不仅支持训练、微调与部署强大的基础模型，还提供Vertex AI Agents等工具，具备理解上下文、语言细节与编排复杂任务的能力——这些能力对于利用MCP理念至关重要。同时，Vertex AI提供Gemini、Imagen、Veo2和Lyria等一方基础模型，以及如Claude、Llama、Gemma等丰富的第三方与开源模型库。

• 可扩展、有状态部署：在服务器端管理上下文或作为MCP中介，需要能够高效处理状态和扩展的基础设施。Google Kubernetes Engine（GKE）支持StatefulSets，非常适合需要持久身份和存储的负载，如用户会话与上下文数据库管理。

• 无缝数据与工具整合：MCP依赖于将模型连接到外部系统。Google Cloud提供了全面的数据库（如Cloud SQL、Spanner、Firestore）、消息服务（如Pub/Sub）及API管理工具，使整合这些关键组件变得轻松高效。

未来展望

MCP是否会成为新的HTTP？或许不能以字面意义理解为直接取代，但从潜在影响层面来看，二者的相似之处令人印象深刻。

AI领域对标准化上下文管理的需求已经非常明显。MCP作为一种通用、开放标准，有望取代当前碎片化的集成方式。无论未来是MCP本身，还是由一系列相关协议组成的体系，这一基础通信层对于突破当前AI的局限性至关重要。对于希望打造真正互动、集成且智能的下一代应用程序的开发者而言，理解并为这一变革做好准备，将成为不可或缺的一步。