mcp介绍

模型上下文协议（Model Context Protocol，简称 MCP）是一种全新的开放协议，主要用于标准化地为大语言模型（LLMs）提供应用场景和数据背景。 它就像 AI 领域的“USBC 接口”，能让不同的 AI 模型与外部工具和数据源轻松连接。其具有以下特点和优势： 简化开发：一次整合，多次复用，不再重复开发。 灵活性强：轻松切换 AI 模型或工具，无需复杂的重新配置。 实时互动：长连接保证数据实时更新。 安全可靠：内置标准化安全和权限控制。 扩展性强：AI 系统扩展时，只需连接新的 MCP 服务器。 MCP 最早由 Anthropic 公司开发，现已成为一个开放协议，越来越多的企业和开发者开始采用。 与传统 API 相比，通常 AI 系统连接外部工具时，需要单独整合多个不同的 API，每个 API 都有独立的代码、文档、认证方式、错误处理和后续维护，极大地增加了开发复杂度。而 MCP 提供了更简单的集成方式。 但如果应用场景需要精准且严格受控的交互方式，传统 API 可能更合适，比如在需要细粒度控制、功能严格限制，更偏好紧耦合以提升性能，希望最大化交互的可预测性等场景。 若要开始使用 MCP，可参考以下快速集成步骤： 1. 定义能力：明确 MCP 服务器提供的功能。 2. 实现 MCP 层：按照协议标准进行开发。 3. 选择通信方式：本地连接（标准输入输出）或远程连接（如 WebSockets）。 4. 创建资源/工具：开发或连接数据源和服务。 5. 建立客户端连接：与 MCP 服务器建立安全稳定的连接。 MCP 是一个典型的客户端服务端架构，对于有编程基础的同学来说较容易理解。通过简单案例，如让 AI 根据输入自动规划并调用 MCP 服务端，给本地电脑创建文件并写入一句话，可对其有初步且正确的认知。

以下是关于 MCP 教程的相关内容： 资源链接： 什么是 MCP 以及为什么要用它： Model Context Protocol（模型上下文协议），简称 MCP，是由 Anthropic 公司提出的一个开放标准，旨在解决 AI 模型与外部数据源和工具之间的连接问题。 MCP 就像是 AI 世界的“USBC 接口”，它提供了一种标准化的方式，让 AI 应用能够轻松连接到各种数据源和工具，不需要为每个新连接重新开发接口。 MCP 解决的主要问题包括： 碎片化集成：以前每个 AI 应用都需要单独开发与各种数据源的连接。 重复工作：不同团队重复构建相似的集成方案。 “N 乘 M 问题”：当有 N 个 AI 客户端需要连接 M 个数据源时，可能需要 N×M 个自定义集成。 希望这篇教程能帮助您了解 MCP 的基础知识，并开始构建自己的 MCP 服务器！随着实践的深入，您会发现 MCP 为 AI 应用与数据源及工具的集成提供了简单而强大的解决方案。 本篇内容由 Genspark 制作 https://www.genspark.ai/autopilotagent_viewer?id=c10e49b3228d4f65be347ab34777aaf8

模型上下文协议（Model Context Protocol，简称 MCP）是一种全新的开放协议，专门用于标准化地为大语言模型（LLMs）提供应用场景和数据背景。 它就像为 AI 模型量身定制的“USBC 接口”，能让不同的 AI 模型与外部工具和数据源轻松连接。 MCP 的好处包括： 简化开发：一次整合，多次复用，不再重复开发。 灵活性强：轻松切换 AI 模型或工具，无需复杂的重新配置。 实时互动：长连接保证数据实时更新。 安全可靠：内置标准化安全和权限控制。 扩展性强：AI 系统扩展时，只需连接新的 MCP 服务器。 MCP 最早由 Anthropic 公司开发，现在已成为一个开放协议，越来越多的企业和开发者开始采用。 MCP 是一个典型的客户端服务端架构，对于有编程基础的同学来说容易理解，就像开发中常见的 MySQL 一样。 与传统 API 相比，通常 AI 系统连接外部工具时，需要单独整合多个不同的 API，每个 API 都有独立的代码、文档、认证方式、错误处理和后续维护，极大地增加了开发复杂度。而 MCP 能简化这一过程。 在某些情况下，传统 API 更适合，比如应用场景需要精准且严格受控的交互方式，如需要细粒度控制、功能严格限制；更偏好紧耦合以提升性能；希望最大化交互的可预测性。 要开始使用 MCP，可按以下步骤： 1. 定义能力：明确 MCP 服务器提供的功能。 2. 实现 MCP 层：按照协议标准进行开发。 3. 选择通信方式：本地连接（标准输入输出）或远程连接（如 WebSockets）。 4. 创建资源/工具：开发或连接数据源和服务。 5. 建立客户端连接：与 MCP 服务器建立安全稳定的连接。 总之，MCP 让 AI 与外部数据、工具的连接变得更加标准化和高效。

MCP（模型上下文协议）是一种创新的开放协议，由 Anthropic 公司在 2024 年 11 月推出并开源。 其主要特点和功能包括： 统一了交互标准，是链接所有 AI 应用与工具的桥梁，兼容所有 AI 应用。 具有三大功能：工具（Tools），底层使用 Function call 实现，与 OpenAI 格式兼容；资源（Resources），为 AI 提供参考信息；提示词（Prompts），预设对话模板。 主要接口路径包括获取工具列表、调用工具、获取资源列表、读取资源内容、获取提示词列表、获取提示词内容等。 转换步骤包括客户端向 MCP 服务器请求工具列表，将 MCP 工具定义转换为 Function call 格式，发送 Function Call 定义给 LLM，接收 LLM 生成的 Function call，将 Function call 转为 MCP 工具调用，发送工具调用结果给 LLM。 MCP 就像一个“转接头”或“通用插座”，其核心作用是统一不同外部服务，通过标准化接口与 AI 模型对接。它与传统 API 的关键区别在于： 单一协议：MCP 像一个统一接口，只要一次整合，就能连接多个服务。 动态发现：AI 模型能自动识别并使用可用的工具，不用提前写死每个接口。 双向通信：MCP 支持类似 WebSockets 的实时双向通信，模型不仅能查询数据，还能主动触发操作。 MCP 最早由 Anthropic 公司开发，目的是帮助 AI 模型（如 Claude）更容易地连接工具和数据源，现在已成为一个开放协议，被越来越多的企业和开发者采用，逐渐成为 AI 与工具互动的新标准。 官方文档：https://modelcontextprotocol.io/

以下是关于如何使用 MCP 的详细教程： 前置准备工作： 任选一个客户端软件进行配置，大致分为四步： 1. 填入大模型 API 密钥。 2. 找到 MCP 配置界面。 3. 填入 MCP Server 对应的 json 脚本。 4. 使用 MCP。 不同客户端软件的配置方法： 1. Cherry Studio（推荐）： 版本：2025 年 4 月发布的 1.1.17。 配置大模型 API：填入之前准备好的 AiHubMix 的 API 密钥。 配置 MCP：例如，图中填写的就是 Playwright 的 MCP Server 和百度地图的 MCP Server。 使用 MCP。 2. Cursor（推荐）： 配置大模型 API：如果 Cursor Pro 在免费试用期，这一步可以不做；如果不在免费试用期，最好的办法是氪金，也可以试试填入之前准备好的 AiHubMix 的 API 密钥。 配置 MCP Server：填入 MCP Server 的 json，保存。 回到 Cursor 的 MCP 配置页面，等待几秒钟，多点几次蓝色框里的按钮，直到绿灯亮起，并显示出所有 MCP 工具。 使用 MCP：Ctrl+Shift+L 新建对话，将模式设置为 Agent。 3. Claude Desktop： 配置 MCP Server：用文本编辑器（VSCode、Sublime Text 等）打开 claude_desktop_config.json 文件，填入 MCP Server 对应的 json 文件，保存。 重启 Claude Desktop。 查看 MCP Server 连接状态。 使用 MCP。 MCP 的好处： 1. 简化开发：一次整合，多次复用，不再重复开发。 2. 灵活性强：轻松切换 AI 模型或工具，无需复杂的重新配置。 3. 实时互动：长连接保证数据实时更新。 4. 安全可靠：内置标准化安全和权限控制。 5. 扩展性强：AI 系统扩展时，只需连接新的 MCP 服务器。 传统 API 更适合的场景： 1. 需要细粒度控制、功能严格限制。 2. 更偏好紧耦合以提升性能。 3. 希望最大化交互的可预测性。 快速集成 MCP 的步骤： 1. 定义能力：明确您的 MCP 服务器提供哪些功能。 2. 实现 MCP 层：按照协议标准进行开发。 3. 选择通信方式：本地连接（标准输入输出）或远程连接（如 WebSockets）。 4. 创建资源/工具：开发或连接您的数据源和服务。 5. 建立客户端连接：与 MCP 服务器建立安全稳定的连接。 MCP 与 API 的比较： MCP 与传统 API 之间的主要区别在于： 1. 单一协议：MCP 充当标准化的“连接器”，因此集成一个 MCP 意味着可能访问多个工具和服务，而不仅仅是一个。 2. 动态发现：MCP 允许 AI 模型动态发现可用工具并与之交互，而无需对每个集成进行硬编码知识。 3. 双向通信：MCP 支持持久的实时双向通信 类似于 WebSockets。AI 模型既可以检索信息，也可以动态触发操作。 以 Cursor 驱动 blender 自动化建模的 MCP 项目为例： 首先，在 github 上找到项目说明（https://github.com/ahujasid/blendermcp）。以 Mac 安装为例，首先要安装一个 uv 包（如果不懂，就直接新建一个项目文件夹后，将相关需求丢给 AI）。显示 uv 安装完毕后（初次使用可能需要安装一系列的环境，只要一路让 AI 安装就可以了），还是找到点击界面右上角的小齿轮图标。找到 MCP 模块 Add new global MCP server，将相关内容粘贴进去。退回 MCP 界面时，就会发现已经连接上了这个 blender 服务器，并且增加了很多具体功能。

MCP（模型上下文协议）是由 Anthropic 在 2024 年 11 月推出并开源的一项创新标准。它就像一个“转接头”或“通用插座”，其核心作用是统一不同的外部服务（如 Google Drive、GitHub、Slack、本地文件系统等），通过标准化接口与 AI 模型对接。 MCP 的好处包括： 简化开发：一次整合，多次复用，不再重复开发。 灵活性强：轻松切换 AI 模型或工具，无需复杂的重新配置。 实时互动：长连接保证数据实时更新。 安全可靠：内置标准化安全和权限控制。 扩展性强：AI 系统扩展时，只需连接新的 MCP 服务器。 与传统 API 相比，MCP 更适合需要上下文理解的场景，而传统 API 更适合需要精准且严格受控的交互方式，如需要细粒度控制、功能严格限制，更偏好紧耦合以提升性能，希望最大化交互的可预测性的场景。 开发 MCP 的步骤如下： 1. 定义能力：明确 MCP 服务器提供的功能。 2. 实现 MCP 层：按照协议标准进行开发。 3. 选择通信方式：本地连接（标准输入输出）或远程连接（如 WebSockets）。 4. 创建资源/工具：开发或连接数据源和服务。 5. 建立客户端连接：与 MCP 服务器建立安全稳定的连接。 MCP 是一个典型的 CS 架构，对于有编程基础的同学来说容易理解。开发 MCP 前需要进行环境安装，包括下载并安装 Python（官网：https://www.python.org/），安装 uv（借助 uv 进行虚拟环境创建和依赖管理，它是一个 Python 依赖管理工具，采用 Rust 编写，兼有创建虚拟环境和包管理工具的功能，可以平替 pip，venv）。

在金融业中，AI 有以下应用场景和技术： 1. 风控和反欺诈：用于识别和阻止欺诈行为，降低金融机构的风险。 2. 信用评估：评估借款人的信用风险，帮助金融机构做出更好的贷款决策。 3. 投资分析：分析市场数据，辅助投资者做出更明智的投资决策。 4. 客户服务：提供 24/7 的客户服务，回答客户常见问题。 例如，Hebbia 获得近 1 亿美元 B 轮融资，其 AI 技术能够一次处理多达数百万份文档，在短时间内浏览数十亿份包括 PDF、PowerPoint、电子表格和转录内容等，并返回具体答案，主要面向金融服务公司，如对冲基金和投资银行，同时也适用于律师事务所等其他专业领域。

RAG（RetrievalAugmented Generation）即检索增强生成，是一种结合检索和生成能力的自然语言处理架构，旨在为大语言模型（LLM）提供额外的、来自外部知识源的信息。 大模型需要 RAG 进行检索优化的原因在于其存在一些缺点： 1. LLM 无法记住所有知识，尤其是长尾知识，受限于训练数据和学习方式，对长尾知识的接受能力不高。 2. LLM 的知识容易过时且不好更新，微调效果不佳且有丢失原有知识的风险。 3. LLM 的输出难以解释和验证，存在内容黑盒、不可控以及受幻觉等问题干扰的情况。 4. LLM 容易泄露隐私训练数据。 5. LLM 的规模大，训练和运行成本高。 RAG 具有以下优点： 1. 数据库对数据的存储和更新稳定，不存在模型学不会的风险。 2. 数据库的数据更新敏捷，可解释且对原有知识无影响。 3. 数据库内容明确、结构化，加上模型的理解能力，能降低大模型输出出错的可能。 4. 知识库存储用户数据，便于管控用户隐私数据，且可控、稳定、准确。 5. 数据库维护可降低大模型的训练成本，新知识存储在数据库即可，无需频繁更新模型。 RAG 的核心流程是根据用户提问，从私有知识中检索到“包含答案的内容”，然后把“包含答案的内容”和用户提问一起放到 prompt（提示词）中，提交给大模型，此时大模型的回答就会充分考虑到“包含答案的内容”。其最常见应用场景是知识问答系统。 一个 RAG 的应用可抽象为 5 个过程： 1. 文档加载：从多种不同来源加载文档，LangChain 提供了 100 多种不同的文档加载器，包括 PDF 在内的非结构化数据、SQL 在内的结构化数据，以及 Python、Java 之类的代码等。 2. 文本分割：文本分割器把 Documents 切分为指定大小的块，称为“文档块”或者“文档片”。 3. 存储：涉及将切分好的文档块进行嵌入转换成向量的形式，并将 Embedding 后的向量数据存储到向量数据库。 4. 检索：通过某种检索算法找到与输入问题相似的嵌入片。 5. 输出：把问题以及检索出来的嵌入片一起提交给 LLM，LLM 会通过问题和检索出来的提示一起来生成更加合理的答案。

即梦 3.0 模型具有以下显著特点，这也是很多人认为它好用的原因： 1. 超真实： 质感提升：图片不再有磨皮过度的“假脸感”、“油腻感”，皮肤纹理、物品材质更自然。 情绪到位：人物表情不再僵硬或眼神空洞，能表现出更细腻、更有感染力的情绪，如开心、严肃、沮丧落泪等。 2. 超高清：默认能生成 1K 分辨率图片，还支持到 2K，画面更清晰，结构更准确。 3. 超专业： 影像大师：能更精准地理解电影类型（如恐怖片、爱情片、公路片）和镜头语言（如大特写、鱼眼镜头、俯视视角）。 动漫高手：动漫风格更多元（日漫、国漫、皮克斯风等），细节更丰富，色彩更统一，告别“抠图感”。 文字设计：不仅能准确生成大字、小字，还支持超多字体（细体、粗体、可爱体、毛笔字、涂鸦体等），排版更专业、更有设计感。 4. 超智能：能更好地理解自然语言描述，简单的指令也能出好图，支持“一句话 P 图”的自然语言编辑能力。 此外，即梦 3.0 在文字处理方面表现出色，不仅提升了大字的准确性、设计感和丰富度，还大幅解决了小字的稳定性问题。相比之下，在中文场景中，其他模型可能存在一些局限性，如 GPT4o 可能存在不识别某些中文字、难以生成特别设计感的字体等问题。而即梦 3.0 作为中文 AI 绘图模型，在中文的表现性上对国内用户更有用且友好。

“通往 AGI 之路”（WaytoAGI）是一个致力于人工智能学习的中文知识库和社区平台： 旨在为学习者提供系统全面的 AI 学习路径，涵盖从基础概念到实际应用的各个方面，帮助用户有效地获取 AI 知识，提高自身能力。 由开发者、学者和 AI 爱好者共同参与建设，提供丰富的学习资源，包括文章、教程、工具推荐以及最新的 AI 行业资讯等。 定期组织活动，如视频挑战赛、模型创作大赛等，鼓励成员在实践中学习，促进交流与合作。 其品牌 VI 融合了独特的设计元素： 选择彩虹色作为主要的配色方案，代表多样性、包容性和创新。 标志性图案是一只鹿，与“路”谐音，象征着通往 AGI 未来的道路，寓意优雅与智慧。 选用简洁现代的非衬线字体，强调信息传达的清晰度和直接性。 此外，WaytoAGI 里有个离谱村： 是由 WaytoAGI 孵化的千人共创项目，让大家学习和接触 AI 更容易、更感兴趣。 参与者不分年龄层，一起脑洞和创意，都可以通过 AI 工具快速简单地创作出各种各样的作品。 离谱村是一个没有被定义的地方，每个人心中都有自己想象中的离谱村，是灵魂的避风港，激励着每一个生命体发挥其无限的想象力，创造属于自己的独特生活方式。 如果您对 AI 学习感兴趣，加入“通往 AGI 之路”社区将是一个不错的选择。在这里，您可以获取最新的 AI 知识，参与实践活动，与志同道合的学习者共同成长。

以下是为您生成的 10 个业务价值高、具备可行性的 AI 应用场景介绍： 1. 人才招聘与筛选 What：利用 AI 技术对求职者的简历进行自动筛选和分析，评估其与岗位的匹配度。 Why：节省 HR 大量的时间和精力，提高招聘效率和准确性。 How：通过自然语言处理和机器学习算法，训练模型识别关键信息和技能。 2. 员工培训与发展 What：根据员工的技能水平和职业发展目标，定制个性化的培训计划。 Why：提升员工的能力和绩效，增强员工对企业的忠诚度。 How：利用大数据分析员工的工作表现和学习需求，推荐相关课程和学习资源。 3. 薪酬福利管理 What：运用 AI 预测市场薪酬趋势，为企业制定合理的薪酬策略。 Why：保持企业薪酬的竞争力，吸引和留住优秀人才。 How：收集和分析行业薪酬数据，结合企业的财务状况和战略目标进行优化。 4. 员工绩效评估 What：借助 AI 实时监测员工的工作表现，提供客观的绩效评估。 Why：减少人为偏差，确保评估的公正性和准确性。 How：利用工作流程数据和行为分析模型进行评估。 5. 员工关系管理 What：通过 AI 分析员工的情绪和满意度，及时发现问题并解决。 Why：营造良好的工作氛围，提高员工的工作积极性和创造力。 How：使用情感分析技术处理员工的反馈和交流信息。 6. 组织架构优化 What：利用 AI 分析企业的业务流程和人员配置，提供组织架构调整建议。 Why：提高企业的运营效率和灵活性，适应市场变化。 How：基于数据分析和模拟优化算法进行评估和推荐。 7. 人力资源规划 What：根据企业的战略目标和业务发展预测人力资源需求。 Why：提前做好人才储备和招聘计划，保障企业的正常运营。 How：运用数据分析和预测模型进行规划。 8. 企业文化传播 What：使用 AI 生成个性化的企业文化宣传内容，提高传播效果。 Why：增强员工对企业文化的认同感和归属感。 How：利用自然语言生成技术和个性化推荐算法。 9. 智能客服 What：在 HR 服务中引入 AI 客服，解答员工常见问题。 Why：快速响应员工需求，提高服务质量。 How：训练智能客服模型，涵盖常见的 HR 问题和解决方案。 10. 人才库管理 What：利用 AI 对人才库进行分类和更新，提高人才库的利用效率。 Why：方便快速找到合适的人才，降低招聘成本。 How：运用数据挖掘和分类算法进行管理。

以下是为您提供的 3 个业务价值高、具备可行性的 AI 应用场景介绍： 场景一：AI 在企业招聘中的应用 What：利用 AI 技术进行简历筛选、人才匹配和面试评估。 Why：能够快速处理大量简历，提高招聘效率和准确性，节省人力和时间成本，同时更精准地找到符合岗位需求的人才。 How：通过引入相关的 AI 招聘软件，与企业现有的招聘系统集成，对简历进行关键词提取和分析，利用机器学习算法进行人才匹配，并通过视频面试中的语音和表情分析辅助评估候选人。 场景二：AI 助力个性化人力资源管理 What：根据员工的个人特点和工作表现，提供个性化的培训计划、职业发展建议和绩效评估。 Why：能够充分发挥员工的潜力，提高员工满意度和忠诚度，促进企业的长期发展。 How：收集员工的工作数据、学习记录和绩效表现等信息，运用 AI 算法进行分析和预测，为员工制定专属的发展方案，并通过移动应用或内部系统向员工推送相关建议和培训课程。 场景三：AI 打造无人值守的 HR 平台 What：实现 HR 业务的自动化处理，如员工请假审批、薪酬计算和福利发放等。 Why：减少人工操作的错误和繁琐流程，提高 HR 工作的效率和准确性，使 HR 人员能够专注于更有价值的战略工作。 How：整合企业内部的各种 HR 系统和数据，利用 RPA 和 AI 技术实现流程的自动化，同时建立监控和预警机制，确保平台的稳定运行。