什么是 MCP 服务 | 😄豐De个人博客

随着大语言模型和 AI Agent 的普及，一个新的概念越来越频繁地出现在开发者视野中：MCP 服务。

MCP 的全称是 Model Context Protocol，中文可以理解为“模型上下文协议”。它的目标是为 AI 模型和外部工具、数据源、系统能力之间建立一种标准连接方式。简单说，MCP 服务就是让 AI 能够安全、稳定、结构化地访问外部世界的一类服务。

为什么需要 MCP

大语言模型本身很擅长理解和生成文本，但它天然有几个限制：

不知道你本地文件系统里的最新内容
不能直接访问你的数据库
不能自动读取公司内部文档
不能直接调用业务系统 API
不能天然知道当前应用的真实状态

如果想让 AI 真正完成任务，就需要让它连接外部工具。比如：

查询订单状态
创建日历事件
读取 GitHub Issue
搜索本地代码库
操作数据库
获取 Slack 或飞书消息
调用内部系统接口

过去，每个 AI 应用都可能为这些工具单独写一套接入逻辑。这样会带来很多重复工作，也不利于权限控制和生态复用。

MCP 想解决的正是这个问题：用统一协议连接模型和工具。

MCP 服务是什么

可以把 MCP 服务理解为一个“工具适配层”。

它站在 AI 应用和外部系统之间，把外部系统的能力包装成模型可以理解和调用的工具。AI 应用不需要知道数据库、文件系统、第三方 API 的所有细节，只需要按照 MCP 协议发现工具、读取上下文、发起调用即可。

一个 MCP 服务通常会提供三类能力：

Resources：资源，例如文件、文档、数据记录、代码片段
Tools：工具，例如查询、创建、修改、搜索、执行某个动作
Prompts：提示词模板，例如预设的工作流、任务模板、领域提示

这些能力被 MCP 服务暴露出来后，支持 MCP 的 AI 客户端就可以发现并使用它们。

一个简单类比

如果把大模型看作一个聪明但不能离开房间的人，那么 MCP 服务就像房间里的标准接口。

模型可以通过这个接口说：

帮我读取这个文件
帮我查一下数据库
帮我调用这个 API
帮我搜索项目里的某个函数
帮我把结果保存下来

而 MCP 服务负责真正执行这些动作，并把结果返回给模型。

这样一来，模型不用直接接触底层系统，开发者也可以更清楚地控制它能做什么、不能做什么。

MCP 的基本架构

一个典型的 MCP 架构包含三个角色：

AI 客户端  <->  MCP 协议  <->  MCP 服务  <->  外部系统

其中：

AI 客户端：例如支持 MCP 的 IDE、桌面助手、Agent 平台或聊天应用
MCP 协议：定义客户端和服务之间如何通信
MCP 服务：负责暴露工具、资源和提示词
外部系统：真实的数据源或业务系统，例如文件系统、数据库、GitHub、Notion、Slack 等

MCP 服务可以运行在本地，也可以运行在远端。对于本地开发场景，MCP 服务常常用于访问本地代码、文件和开发工具。对于企业场景，MCP 服务可能连接内部系统，并配合身份认证和权限管理。

MCP 服务能做什么

MCP 服务的能力取决于它连接了什么系统。

连接本地文件

文件类 MCP 服务可以让 AI 读取、搜索或修改本地项目文件。对于编程助手来说，这非常重要，因为模型需要看到真实代码才能做出可靠判断。

例如：

搜索函数定义
阅读 README
修改配置文件
分析项目结构
生成文档

连接数据库

数据库类 MCP 服务可以让 AI 查询数据、分析表结构，甚至辅助生成 SQL。

例如：

查看某张表的字段
查询最近订单
分析数据异常
生成统计报表
辅助排查线上问题

当然，数据库场景对权限和安全要求更高，通常需要限制只读权限或设置明确的审批流程。

连接第三方平台

MCP 服务也可以连接各种外部平台，例如 GitHub、Slack、Notion、Google Drive、Jira 等。

这样 AI 就可以参与更完整的工作流：

总结某个 GitHub PR
创建 Jira 任务
查询会议纪要
根据 Slack 讨论生成行动项
在知识库中搜索相关文档

连接业务系统

企业内部也可以开发自己的 MCP 服务，把订单、客服、风控、库存、财务等系统能力暴露给 AI。

这类 MCP 服务的价值很高，因为它能让 AI 从“问答工具”变成真正能参与业务流程的助手。

MCP 和 API 有什么区别

MCP 并不是用来取代 API 的。更准确地说，MCP 是面向 AI 应用的工具连接协议，而 API 是面向软件系统的通用接口。

普通 API 通常假设调用方是程序员写好的代码，参数、流程和错误处理都由开发者控制。

MCP 则更关注：

如何让模型发现有哪些工具可用
如何描述工具的输入和输出
如何把资源上下文提供给模型
如何控制模型调用工具的权限
如何让不同 AI 客户端复用同一个工具服务

换句话说，API 是系统之间的接口，MCP 是模型使用外部能力时的一套标准化接口。

很多 MCP 服务底层仍然会调用普通 API。MCP 的作用，是把这些 API 包装成更适合 AI Agent 使用的形式。

MCP 和 Function Calling 有什么关系

Function Calling 是很多大模型平台提供的工具调用能力。开发者可以告诉模型有哪些函数可以调用，模型根据用户意图选择函数并生成参数。

MCP 和 Function Calling 的目标相似，都是让模型使用工具。但它们的层次不同：

Function Calling 更像模型厂商或推理平台内部的工具调用机制
MCP 更像客户端和外部工具服务之间的开放协议

可以理解为：Function Calling 解决“模型如何决定调用函数”，MCP 解决“工具如何被发现、描述、连接和复用”。

在实际系统中，二者可以配合使用。AI 客户端通过 MCP 发现工具，再把工具能力交给模型进行选择和调用。

MCP 服务的优势

MCP 服务最大的价值在于标准化。

一次开发，多处使用

如果你为某个系统开发了 MCP 服务，多个支持 MCP 的客户端都可以使用它。比如同一个 GitHub MCP 服务，可以被 IDE、桌面助手和自动化 Agent 共同使用。

更清晰的权限边界

MCP 服务可以明确暴露哪些资源和工具。开发者可以把能力限制在安全范围内，例如只允许读取某个目录，只允许查询某些数据，只允许执行特定操作。

更适合 Agent 工作流

AI Agent 往往需要多步操作：先查资料，再分析，再调用工具，再根据结果继续执行。MCP 提供统一的工具和上下文接口，有利于构建这种连续工作流。

降低集成成本

没有 MCP 时，每个 AI 客户端都要为每个外部系统写适配。使用 MCP 后，服务端只需要按协议暴露能力，客户端按协议接入即可。

MCP 服务的风险

MCP 让 AI 更有行动能力，也意味着需要更认真地处理安全问题。

常见风险包括：

模型误调用高风险工具
敏感数据被暴露给不该访问的上下文
工具权限过大
写操作缺少人工确认
日志中泄露密钥或隐私信息
远端 MCP 服务身份认证不完善

因此，设计 MCP 服务时要遵循最小权限原则。能只读就不要写入，能限制目录就不要开放整个文件系统，重要操作最好加入确认或审批。

一个 MCP 服务示例

假设我们要为一个内部订单系统做 MCP 服务，它可以暴露三个工具：

get_order(order_id)
list_recent_orders(user_id)
create_refund_request(order_id, reason)

同时暴露一个资源：

order_policy.md

当客服人员问 AI：

帮我查一下订单 12345 为什么没有发货，如果符合规则就发起退款申请。

AI 客户端可以通过 MCP 服务完成以下流程：

调用 get_order 查询订单状态
读取 order_policy.md 判断是否符合退款规则
向用户说明判断结果
如果需要退款，调用 create_refund_request

这就是 MCP 的典型价值：把模型的理解能力和系统的执行能力连接起来。

什么场景适合使用 MCP

如果你的 AI 应用只需要普通聊天，可能并不需要 MCP。

但如果你希望 AI 访问真实数据或执行真实操作，MCP 就很有价值。

适合使用 MCP 的场景包括：

AI 编程助手访问本地代码库
企业知识库问答
内部系统自动化
数据分析助手
客服辅助工具
DevOps 自动排障
文档、任务、消息平台集成
多工具 Agent 工作流

尤其是当你希望同一套工具被多个 AI 客户端复用时，MCP 的优势会更明显。

如何开始学习 MCP

学习 MCP 可以按下面的顺序来：

先理解 Resources、Tools、Prompts 三个核心概念
使用现成 MCP 服务，例如文件系统、GitHub 或数据库连接器
在支持 MCP 的客户端中观察工具如何被发现和调用
编写一个最简单的本地 MCP 服务
再逐步加入权限、日志、错误处理和身份认证

不要一开始就做复杂系统。一个能读取本地文件、提供搜索工具的小服务，就足够帮助你理解 MCP 的核心思想。

总结

MCP 服务是一种把 AI 模型连接到外部工具和数据源的标准化方式。它让模型不只是“会说”，还可以在受控范围内“会查、会用、会做”。

它的核心价值不是让 AI 获得无限权限，而是用清晰的协议和边界，让 AI 更安全、更可靠地参与真实工作流。

未来，随着 AI Agent 越来越多地进入开发、办公和企业系统，MCP 这类标准协议会变得越来越重要。理解 MCP，也就是在理解下一代 AI 应用如何连接真实世界。