MCP · Model Context Protocol

Explanation · 原理资深

一句话理解

Anthropic 2024 年 11 月发布的 LLM 与工具 / 数据源连接的"开放协议"。把"每个 LLM 应用各自适配每种工具"的 N×M 复杂度降到 N+M。被形容为 "AI 世界的 USB-C"。2025 年上半年快速成为 Agent 生态的事实标准。

TL;DR

• 目标：LLM / Agent 与任意 Tool / 数据源的标准化通信
• 三层抽象：Resources（资源）· Tools（工具）· Prompts（模板）
• 传输：stdio（本地进程）· SSE（远程 HTTP）
• 实现语言：TypeScript · Python · Java SDK（官方）
• 谁在用：Claude Desktop · Cursor · Windsurf · 大多数 Agent 框架都在接
• 对湖仓意义：把湖仓的表 / 索引 / 模型通过 MCP 暴露给 Agent，实现"数据为中心的 Agent 工作流"

1. 业务痛点 · MCP 出现前的 Tool 生态混乱

痛点 1 · N × M 集成地狱

假设你要让 LLM 使用： - Slack / GitHub / Linear / Notion - 公司内部 API（CRM / HR / 财务） - 数据库（Postgres / Snowflake / Iceberg） - 文件系统、浏览器、Git...

3 个 LLM (Claude / GPT / Gemini)
  ×
20 个工具
=
60 个适配层

每家 LLM 框架各自实现 function calling schema，完全不兼容： - OpenAI 的 tools + JSON Schema - Anthropic 的 tools 略有差异 - Google 的 function_declarations - 开源模型五花八门

痛点 2 · Agent 框架各立山头

LangChain / LlamaIndex / AutoGen / CrewAI / LangGraph 各自一套 Tool 定义。换个框架 = 重写所有工具。

痛点 3 · 标准缺失的代价

• 企业想让 Claude + GPT + 自研模型都能访问"内部 CRM"→ 写 3 套适配
• 开源工具想被所有 LLM 用 → 维护 3+ 套 SDK
• 用户从 Claude Desktop 换到 Cursor → 失去所有 Tool 配置

这是 2020s 的 SOAP vs REST 重演。

2. MCP 的核心思想

命名致敬 · 对标 LSP

MCP 的设计明显借鉴 LSP (Language Server Protocol)——2016 微软定义的"编辑器 ↔ 语言服务器"通信协议。LSP 成功的原因：

• 一次实现 Language Server，所有 IDE 都能用（ts-server 在 VSCode / Vim / Emacs 通吃）
• 一次实现 IDE，所有语言都能接

MCP 把这个思想搬到LLM ↔ Tool/Data：

• 一次实现 MCP Server，所有 MCP Client 都能用
• 一次实现 MCP Client（LLM app），所有 MCP Server 都能接

角色定义

flowchart LR
  user[用户] <--> host[MCP Host<br/>Claude Desktop / Cursor / IDE]
  host <-->|MCP Client| server1[MCP Server: Slack]
  host <-->|MCP Client| server2[MCP Server: GitHub]
  host <-->|MCP Client| server3[MCP Server: Lakehouse]
  host <-->|MCP Client| server4[MCP Server: Browser]
  server3 --> ice[(Iceberg)]
  server3 --> vec[(LanceDB)]

角色	定义
Host	LLM App（Claude Desktop / Cursor / IDE 插件）
Client	Host 内嵌的 MCP 客户端
Server	提供 Resources / Tools / Prompts 的服务

3. 协议核心

三大能力

1. Resources（资源）

只读数据，LLM 可以"看"： - 文件 / 数据库表 / API 响应 - URI 寻址 - 支持增量更新通知

{
  "method": "resources/list",
  "params": {}
}
// → [{"uri": "iceberg://db/orders", "name": "orders table"}]

{
  "method": "resources/read",
  "params": {"uri": "iceberg://db/orders"}
}
// → table schema + recent snapshot info

2. Tools（工具）

带副作用的操作，LLM 可以"做"： - 查询 SQL / 调 API / 写文件 - JSON Schema 定义参数

{
  "method": "tools/list",
  "params": {}
}
// → [{"name": "query_lakehouse", "inputSchema": {...}}]

{
  "method": "tools/call",
  "params": {
    "name": "query_lakehouse",
    "arguments": {"sql": "SELECT ..."}
  }
}

3. Prompts（模板）

Server 向 Client 提供的 Prompt 模板： - 参数化（如 "summarize_table(table_name)"） - 用户在 UI 可选择

{
  "method": "prompts/get",
  "params": {"name": "summarize_table", "arguments": {"table_name": "orders"}}
}

传输（Transport）

传输	场景
stdio	本地进程（Claude Desktop 启动子进程）
SSE (Server-Sent Events) HTTP	远程 / 云部署
WebSocket（规划中）	双向 streaming

消息格式

基于 JSON-RPC 2.0：

{
  "jsonrpc": "2.0",
  "id": 1,
  "method": "tools/call",
  "params": {"name": "query_sql", "arguments": {"sql": "SELECT..."}}
}

4. 对湖仓 / 数据基础设施的意义

场景 A · Lakehouse MCP Server

暴露湖仓能力给任何 LLM：

from mcp.server import Server, NotificationOptions
from mcp.server.stdio import stdio_server

app = Server("lakehouse-mcp")

@app.list_resources()
async def list_resources():
    catalog = get_iceberg_catalog()
    return [
        Resource(uri=f"iceberg://{t.namespace}/{t.name}",
                 name=t.name, mimeType="application/x-iceberg-table")
        for t in catalog.list_tables()
    ]

@app.list_tools()
async def list_tools():
    return [
        Tool(name="query_sql",
             description="Run SQL on lakehouse (read-only)",
             inputSchema={
               "type": "object",
               "properties": {"sql": {"type": "string"}},
               "required": ["sql"]
             }),
        Tool(name="vector_search",
             description="Semantic search on docs",
             inputSchema={...}),
    ]

@app.call_tool()
async def call_tool(name, arguments):
    if name == "query_sql":
        result = trino_client.query(arguments["sql"])
        return [TextContent(type="text", text=format_table(result))]
    # ...

场景 B · Agent 调用湖仓做数据分析

用户："帮我分析过去一周销量异常的商品"
  ↓
Agent (Claude) with MCP Client
  ↓
→ query_sql("SELECT product_id, daily_sales FROM sales WHERE ts >= ...")
→ vector_search("similar abnormal sales patterns")
→ query_sql("SELECT details FROM products WHERE id IN (...)")
  ↓
生成报告 + 可视化

场景 C · Text-to-SQL + 动态 Schema

MCP Server 把表 schema、列描述、示例查询都作为 Resources 暴露，Agent 按需获取 → 大幅减少"猜列名"错误。

5. 工程细节

一个最小 Python MCP Server

# server.py
import asyncio
from mcp.server import Server
from mcp.server.stdio import stdio_server
from mcp.types import Tool, TextContent

app = Server("hello-mcp")

@app.list_tools()
async def list_tools():
    return [Tool(
        name="hello",
        description="Greet someone",
        inputSchema={"type": "object",
                     "properties": {"name": {"type": "string"}},
                     "required": ["name"]}
    )]

@app.call_tool()
async def call_tool(name, arguments):
    if name == "hello":
        return [TextContent(type="text",
                            text=f"Hello, {arguments['name']}!")]

async def main():
    async with stdio_server() as (read_stream, write_stream):
        await app.run(read_stream, write_stream, app.create_initialization_options())

asyncio.run(main())

Claude Desktop 的 claude_desktop_config.json：

{
  "mcpServers": {
    "hello": {
      "command": "python",
      "args": ["/path/to/server.py"]
    }
  }
}

生产部署模式

模式	场景
Local stdio	桌面 LLM 应用、个人工具
SSE HTTP	企业内部共享 MCP Server
Cloud-hosted MCP	多租户 SaaS
Gateway 统一入口	多 MCP Server 聚合 + 认证 + 审计

安全考量（重要）

• 最小权限原则：Server 只暴露必要的 resources / tools
• 用户确认：Tools 默认要求 Host 提示用户确认（敏感操作）
• 审计日志：所有 tool calls 写日志
• Tool Poisoning 攻击：恶意 Server 提供带 prompt injection 的工具描述——Host 必须 sandbox
• Credential 管理：Server 不暴露长期 credential，用短期 token

6. 生态现状（2025）

官方 + 社区 MCP Server

• Filesystem / Git / GitHub / GitLab
• PostgreSQL / SQLite / Google Drive
• Slack / Linear / Jira
• Puppeteer / Browser / Sequential Thinking
• Cloudflare / Brave Search / Perplexity
• Anthropic 官方目录：modelcontextprotocol/servers

采用的 Host

Host	状态
Claude Desktop	原生支持
Cursor	2024.12 集成
Windsurf (Codeium)	集成
Zed Editor	集成
Open WebUI	集成
LangChain	适配层
ChatGPT	2025-03 OpenAI 官方采纳 · 2025-09-09 Developer Mode 完整支持 MCP Server Tools（Pro/Plus/Business/Enterprise/Education 可用）

对比其他"Tool 协议"

	MCP	OpenAI Function Calling	LangChain Tool
协议标准化	✅ 开放协议	❌ OpenAI 专有	❌ 框架内部
跨 LLM	✅	❌	部分
远程服务器	✅	❌ (需自己做)	❌
资源（非 tool）	✅	❌	❌
用户体验	标准化	框架定义	框架定义

6.5. 现实检视 · 2026 视角

MCP 在 2024-11 发布后生态推进极快 · 2025 主要 host 陆续原生支持（OpenAI 2025-03 官方采纳 · Google DeepMind / Microsoft / Anthropic 均已支持）· 2025-11-25 发布新 spec 版本。但工程落地有几点需要清醒看待：

争议与不确定

• "USB-C of AI" 的比喻有所验证但仍在扩展：客户端层集成确已消除 · server 端通用性仍分化——多数 server 针对特定 host 场景优化，跨 host 通吃的"真 USB-C"server 不多
• 企业采用曲线：host 层已统一 · 但企业"把内部 API 通过 MCP 给 LLM"的大规模生产化用例到 2026-04 仍是少数 · 多数在 POC / 内部工具 / 代码辅助层
• 安全边界：prompt injection + tool poisoning 这两类攻击对 MCP server 是天然风险 · 至今没有成熟的 host 侧 sandbox 标准（2025-11 spec 虽更新 · 安全约定仍弱）

已验证的有价值的场景

• 个人生产力（Cursor / Claude Desktop + 本地工具）—— 这是 MCP 最成熟的场景
• 内部工具集成（团队给自己 Agent 搭 MCP 接业务 API）—— 主流正在做
• 代码辅助（VSCode / IDE 插件）—— 被大量采用

暂时别 over-invest 的方向

• 把所有业务 API 全包装成 MCP server：多数业务逻辑不适合 LLM 直接调用
• 替换自有 function calling 架构：如果已有 OpenAI / LangChain 栈在稳定运行，迁移收益边际
• 相信"协议完整性解决 agent 可靠性"：agent 可靠性问题 90% 来自 LLM 规划 / 理解能力，不是 tool 协议

结论

MCP 是方向，也是 2024-2025 年 AI infra 最重要的协议进展之一。但当前成熟度仅适合： - 内部工具 / 生产力场景优先 - 企业业务场景先 POC - 大规模替换已有 function calling 请再等一轮迭代

7. 陷阱与反模式

• 把 MCP 当万能适配层：复杂业务逻辑还是应该在 Server 内处理、别全暴露给 LLM
• Tool 太多太杂：Agent context 爆炸；分组 / 分 Server
• 无审计：Agent 误操作无法追溯 → 必须日志
• 权限过大：Server 用管理员 credential 跑 → 任何 LLM 都能破坏
• 同步调用做长任务：MCP 不是 job queue，长任务要异步 + resources 轮询
• 工具描述随便写：LLM 靠描述理解能力；写清楚、给例子
• 不做 prompt injection 防护：恶意文档 / 数据可能诱导 LLM 调用破坏性工具

8. 横向对比 · 延伸阅读

• Agent Patterns —— Agent 机制 canonical · MCP 是 tool 协议层
• Agents on Lakehouse —— 湖仓专属 tool 设计
• Agentic Workflows 场景 —— Agent 的业务应用
• Structured Output —— MCP tool 的输入 schema
• RAG —— RAG 是 Agent 的核心能力之一

权威阅读

• MCP 官方网站
• Anthropic MCP 发布博客 (2024.11)
• MCP 规范
• modelcontextprotocol/servers (GitHub) —— 官方 + 社区 Server 集合
• Cursor MCP 集成
• Simon Willison 对 MCP 的解读（持续更新的博客）
• LSP 对 MCP 的启发：Language Server Protocol 规范

相关

• Agent Patterns · Agents on Lakehouse · Structured Output
• AI App Authorization —— MCP tool 权限声明（2026 仍演进）
• LLM Observability —— MCP tool span 追踪
• RAG
• Agentic Workflows 场景 · 业务场景全景