IT评测·应用市场-qidao123.com

标题: 让AI看见世界：MCP协议与服务器的工作原理 [打印本页]

---

作者: tsx81428    时间: 2025-3-20 13:33
标题: 让AI看见世界：MCP协议与服务器的工作原理
让AI看见世界：MCP协议与服务器的工作原理

  MCP（Model Context Protocol）是一种创新的通讯协议，旨在让大型语言模子可以或许安全、高效地与外部资源举行交互。在AI技能快速发展的今天，MCP正成为连接AI与实际世界的重要桥梁。
  本文以本人开发的fetch_news MPC Server为例 ，该项目基于MCP（Model Control Protocol）框架开发的消息获取和分析服务器，专门用于获取最新消息、搜索特定主题的消息，并对消息内容举行情感分析和择要生成。提供了一套完整的工具和资源，可用于快速检索和处理消息数据。
焦点功能（实际上就是提供的几个工具函数）

• 最新消息获取：获取指定类别的最新消息，支持科技、财经、体育、娱乐、社会等类别 get_latest_news， 对于消息的获取我利用的是https://newsapi.org/提供的API
  
• 消息搜索：根据关键词搜索迩来一段时间内的消息search_news
  
• 情感分析：分析消息文本的情感倾向 analyze_sentiment
  
• 消息择要：为消息内容生成简短择要summarize_news
  

提出问题

  我在Claude中输入"给我看看今天的十条关于人工智能的消息，给出链接和相关内容择要和情感分析"，大家可以看到它给出的结果"我很抱歉，我的知识截止到2024年10月，所以我无法提供今天(2025年3月19日)的最新人工智能消息。别的，我没有直接的网络搜索功能来访问和提供当前消息链接。"大模子的知识受限于训练数据。

  其实同样，在CherryStudio中调用qwen-max时也不能给出最新的数据。

  以下为Claude Desktop中安装了fetch_news的MPC server后，变得可以举行实时搜索。

MCP是什么？

  简朴来说，MCP是一个标准化的通讯协议，旨在让大型语言模子与外部资源和工具实现顺畅的集成。它就像一座桥梁，连接了五个关键部分：主机（Host）、客户端（Client）、服务器（Server）、当地资源（Local Resources）和远程资源（Remote Resources）。这五个部分各司其职，但又必须遵守MCP的"游戏规则"，才能协同工作。
以下为官方文档的架构图：
https://modelcontextprotocol.io/introduction

以下为官方对架构中各部分的形貌

1. MCP Hosts: Programs like Claude Desktop, IDEs, or AI tools that want to access data through MCP
2. MCP Clients: Protocol clients that maintain 1:1 connections with servers
3. MCP Servers: Lightweight programs that each expose specific capabilities through the standardized Model Context Protocol
4. Local Data Sources: Your computer's files, databases, and services that MCP servers can securely access
5. Remote Services: External systems available over the internet (e.g., through APIs) that MCP servers can connect to

复制代码

对这五个部分逐一剖析：
MCP Hosts: Programs like Claude Desktop, IDEs, or AI tools

• 理解：“Hosts”，由于差别的步调（如Claude Desktop、VS Code、某个AI写作工具）都可以充当MCP的主机。每个主机是一个独立的应用步调，它们通过MCP协议访问外部数据或功能。
  
• 场景：
  
  
  
  • 用户可能同时运行Claude Desktop和一个IDE，这两个步调都作为Host，通过MCP获取文件或API数据。
    
  • 在企业环境中，多个AI工具可能并行工作，每个工具都是一个Host。
    
  
  

MCP Clients: Protocol clients that maintain 1:1 connections with servers

• 理解： “Clients”，由于每个Host内部可以嵌入一个或多个MCP客户端，每个客户端与一个特定的服务器建立一对连续接。体系中可能有多个Client实例，分别处理差别的任务。
  
• 场景：
  
  
  
  • 一个IDE（Host）可能同时必要访问当地文件和远程API，它会创建两个Client：一个连接当地文件服务器，另一个连接API服务器。
    
  • 在多用户场景中，每个用户的Host可能都有自己的Client实例。
    
  
  

MCP Servers: Lightweight programs that each expose specific capabilities

• 理解： “Servers”，由于MCP设计允许多个轻量级服务器步调运行，每个服务器负责暴露特定的功能（如文件读写、数据库查询、API调用）。这些服务器彼此独立，通过MCP协议服务于差别的Client。
  
• 场景：
  
  
  
  • 用户电脑上可能同时运行一个文件服务器（暴露当地文件）和一个网络服务器（连接远程API），两者都是MCP Servers。
    
  • 在分布式体系中，可以有多个Server分布在差别设备上，共同支持一个Host。
    
  
  

Local Data Sources: Your computer’s files, databases, and services

• 理解： “Sources”，由于当地数据源种类繁多（文件、数据库、服务等），而且同一类型的数据源可能有多个实例。MCP服务器可以连接多个当地数据源以满意差别需求。
  
• 场景：
  
  
  
  • 一个Server可能同时访问你的文档文件夹（文件）和SQLite数据库，这两个都是Local Data Sources。
    
  • 在复杂应用中，可能有多个文件目录或服务（如当地Web服务）必要被访问。
    
  
  

Remote Services: External systems available over the internet

• 理解：
  “Services”，由于远程服务指的是互联网上的各种外部体系（如天气API、股票API、云存储）。MCP服务器可以连接多个远程服务，提供多样化的功能。
  
• 场景：
  
  
  
  • 一个MCP Server可能同时调用天气API和GitHub API，这两个都是Remote Services。
    
  • 在AI任务中，模子可能必要从多个云端服务获取数据，这些服务并存于体系中。
    
  
  

为什么必要MCP？

  你可能会问：为什么不直接让模子自己去抓数据，或者干脆用现有的协议呢？答案在于AI应用的特别需求和实际中的挑战。MCP的出现，正是为相识决这些问题：

• 打破孤岛，提拔能力
    大型语言模子很智慧，但它们天生是"孤岛"——只能依靠训练数据或用户输入。如果想让模子读你的文件、查实时天气，乃至调用代码工具，就必要一个标准化的接口。MCP填补了这个空缺，让模子从"闭门造车"变成"开门迎客"。
  
• 安全第一
    直接让模子访问当地文件或网络API，听起来很酷，但也很伤害。万一模子误删文件，或者被恶意指令利用怎么办？MCP通过服务器的中介作用，参加了权限控制和数据隔离，确保交互既强大又安全。
  
• 标准化带来可扩展性
    想象一下，如果每个AI工具都用自己的方式连接外部资源，开发者得多累啊？MCP提供了一个同一的框架，无论是当地文件还是云端服务，无论是Mac还是Windows，只要遵守MCP，就能轻松集成。这不仅减轻了开发负担，还让生态体系更具扩展性。
  
• 效率与机动性并存
     MCP基于JSON-RPC 2.0，轻量高效。它支持异步通知，意味着服务器可以在不打断客户端的环境下自动推送更新。这种机动性特别适合实时性要求高的场景，好比实时协作工具或动态数据分析。
  

MCP 的工作流程

  当用户说"给我看看今天的十条关于人工智能的消息，给出链接、相关内容择要及情感分析"时，整个体系是怎样协同工作的？让我们通过一个流程图来详细相识：
     步骤分解：

我来结合刚才的流程图，详细解释当用户请求"给我看看今天的十条关于人工智能的消息，给出链接、相关内容择要及情感分析"时，整个体系怎样协同工作的。按照流程图中的步骤举行详细形貌。
用户层

步骤1: 用户输入请求

• 用户在界面上输入"给我看看今天的十条关于人工智能的消息，给出链接、相关内容择要及情感分析"
  
• 请求被发送到Host体系
  

主机层

步骤2: Host传递请求给LLM

• Host吸收到用户的自然语言请求
  
• Host将这个请求转发给LLM（如Claude）举行处理
  

步骤3: LLM生成函数调用

• LLM分析用户请求，理解用户必要:
  
  
  • 获取关于人工智能的最新消息
    
  • 生成内容择要
    
  • 举行情感分析
    
  
  
• LLM确定必要调用多个工具函数来完成这个任务
  

步骤4: LLM生成函数调用请求并传递给Host

• LLM创建一个结构化的函数调用请求，类似于:
  

1. {
2.   "function": "search_news",
3.   "parameters": {
4.     "query": "人工智能",
5.     "limit": 10,
6.     "days": 1
7.   }
8. }

复制代码

工具层

步骤5: Host剖析和执行函数

• Host吸收到LLM生成的函数调用请求
  
• Host找到对应的search_news函数
  
• Host准备调用该函数，传入参数"人工智能"、限制10条、时间范围为1天
  

数据层

步骤6: 工具函数调用外部API

• search_news函数连接到消息API服务
  
• 函数发送请求获取最新的人工智能相关消息
  

步骤7: 外部服务返回数据

• 消息API返回10条与人工智能相关的最新消息
  
• 返回的数据包含消息标题、链接、发布日期等信息
  

相应层 (第一轮)

步骤8: 工具函数返回结果给Host

• search_news函数将获取到的消息数据返回给Host
  

步骤9: Host将结果提供给LLM

• Host将消息数据传递回LLM
  
• LLM吸收到数据，分析后发现还必要举行择要和情感分析
  

第二轮函数调用 (重复步骤3-9)

• LLM为每条消息生成进一步的函数调用
  
• 对每条消息内容举行择要生成:
  

1. {
2.   "function": "summarize_news",
3.   "parameters": {
4.     "news_text": "新闻全文内容",
5.     "max_length": 100
6.   }
7. }

复制代码

• 对每条消息举行情感分析:
  

1. {
2.   "function": "analyze_sentiment",
3.   "parameters": {
4.     "news_text": "新闻全文内容"
5.   }
6. }

复制代码

• Host执行这些函数
  
• 外部服务举行择要生成和情感分析
  
• 结果返回给Host，再传递给LLM
  

最终相应

步骤10: LLM生成最终回答

• LLM整合所有获取到的信息:
  
  
  • 原始消息数据
    
  • 每条消息的择要
    
  • 每条消息的情感分析结果
    
  
  
• LLM将这些信息组织成结构化的回答
  

步骤11: Host展示结果给用户

• Host将LLM生成的最终回答呈现给用户
  
• 用户看到10条人工智能相关消息，每条包含链接、择要和情感分析
  

体系各组件怎样协同工作（举例）

• 用户请求：用户要求获取人工智能相关消息、择要和情感分析
  
• LLM剖析请求：我（作为LLM）理解了需求，并开始生成函数调用
  
• 首次函数调用：调用fetch_news_search函数搜索人工智能相关消息
  
  
  
  • 参数：查询词"人工智能"、迩来5天、限制2条
    
  • 结果：体系返回了2条相关消息
    
  
  
• 后续函数调用：
  
  
  
  • 对第一条消息举行择要（summarize_news）
    
  • 返回：简便的消息择要
    
  • 对第一条消息举行情感分析（analyze_sentiment）
    
  • 返回：情感得分1.5（积极）
    
  
  
• 整合信息：我将所有获取到的信息（消息、择要、情感分析）整合成一个完整的回答
  

  通过这个过程，我们可以看到MCP（Model Context Protocol）怎样使LLM可以或许通过结构化函数调用与外部工具和数据源交互，从而提供更丰富、更实时的信息给用户。
消息查询服务时序图

       这个时序图详细展示了消息查询服务的完整流程，从用户发起请求到最终获得结果的整个过程。以下是对时序图的关键环节解释：

• 初始请求阶段：
  
  
  
  • 用户向主机体系发送请求，要求获取人工智能消息、择要和情感分析
    
  • 主机将请求转发给大语言模子(LLM)举行处理
    
  
  
• 消息搜索阶段：
  
  
  
  • LLM分析用户意图后，生成search_news函数调用
    
  • 主机执行该函数，通过工具层向外部消息API发送请求
    
  • API返回消息数据，经过工具层处理后回传给主机
    
  • 主机将消息数据提供给LLM
    
  
  
• 内容处理阶段（循环处理每条消息）：
  
  
  
  • LLM生成summarize_news函数调用，请求生成择要
    
  • 择要结果返回给LLM
    
  • LLM生成analyze_sentiment函数调用，请求情感分析
    
  • 情感分析结果返回给LLM
    
  
  
• 最终相应阶段：
  
  
  
  • LLM整合所有信息，生成结构化的最终回答
    
  • 主机将完整结果展示给用户
    
  
  

  这个时序图清晰地表现了体系各组件间的交互次序和信息流动路径，特别是通过循环结构展示了对多条消息的批量处理过程。图中的信息流向遵照了单向性原则，使整个流程更加清晰易懂。
  读懂这两张图后应该就清楚了：当你输入 “给我看看今天的十条关于人工智能的消息，给出链接、相关内容择要及情感分析”，就能得知调用 MPC Server 的机密。
小结：

  MCP焦点概念： 让LLM可以或许与外部工具和服务交互。
  MCP (Model Context Protocol) 是一种标准化通讯协议，它的焦点目标是让大型语言模子可以或许安全、高效地与外部资源和工具举行交互。它就像AI世界中的"HTTP协议"，界说了差别组件之间怎样交换信息的规则，让语言模子摆脱"知识孤岛"的限制。
  MCP Server 是实现MCP协议的服务器步调，它在整个生态体系中扮演着"翻译官"和"守门人"的角色。就像我们例子中的fetch_news服务器，它负责吸收来自AI的请求，转化为对外部资源（如消息API）的调用，然后将获取的数据安全地返回给模子。每个MCP Server通常专注于提供一种特定能力（如文件访问、API调用、数据分析等）。
  简而言之，MCP是标准，MCP Server是实现。MCP界说了"游戏规则"，而MCP Server则是遵照这些规则的"玩家"。这种分离设计带来了极大的机动性和安全性，使AI应用生态体系可以或许像积木一样组合差别功能。
  随着AI技能的普及，MCP有望成为连接AI与数字世界的重要桥梁，让语言模子不再范围于训练数据，而能实时获取和处理各类信息。未来，我们可能会看到更多专业化的MCP Server出现，形成一个丰富多彩的工具生态体系，大大扩展AI应用的边界。如果你对开发自己的MCP Server感兴趣，可以参考官方文档和开源项目，参加这个正在发达发展的生态体系。

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。

---

欢迎光临 IT评测·应用市场-qidao123.com (https://dis.qidao123.com/)

Powered by Discuz! X3.4