模型上下文协议如何将LLM连接到现实世界

最新一期的《In the Loop》节目深入解析了模型上下文协议(MCP)，这是Anthropic在2024年11月推出的开源标准。MCP旨在解决应用人工智能中的一个关键问题：如何将大语言模型(LLMs)与现实世界工具和私有数据连接起来，使其不仅能分析信息，还能根据信息采取行动。

模型上下文协议(MCP)实现的功能

从高层次来看，MCP使大型语言模型能够通过标准化的客户端-服务器协议与外部工具、API和数据源进行交互。目前大多数大型语言模型都是在公共数据上训练的，无法访问专有或实时信息。它们也无法代表用户执行操作。MCP解决了这两个挑战。

通过为模型和系统之间的输入输出定义统一结构，MCP为模型提供了在更复杂环境中运行所需的上下文和控制能力。这种结构使得大语言模型能够获取相关数据并触发特定操作，所有这一切都在一个统一的接口内完成。

MCP 架构

MCP遵循客户端-服务器模型，包含三个关键组件：

• MCP主机: 进行交互的界面。示例包括Cursor或Claude Desktop等开发环境。主机协调模型与工具的交互。
• MCP客户端: 这些客户端在主机与各个服务器之间建立一对一连接，负责维护通信管道。
• MCP服务器: 这些服务器提供特定功能，例如访问文件、API或其他工具。服务器使用MCP标准以确保兼容性。

核心构建模块：提示、资源与工具

MCP标准化了三个核心基础组件，用于驱动模型与外部系统之间的连接：

• 提示词(Prompts): 定义模型应如何响应的模板或指令。这些由用户控制，用于引导大语言模型的行为。
• 资源: 上下文数据，如文件内容或版本历史记录。这些由客户端管理并作为只读输入，类似于REST API中的GET请求。
• 工具: 可执行函数，如写入文件或进行API调用。这些由模型控制，行为类似于POST请求。

这种结构化输入与可调用工具的结合，使LLM能够以更复杂的方式进行推理和行动。

消除冗余工作

在MCP之前，每个新工具的集成通常意味着需要从头开始重建逻辑。这些定制化实现难以复用，且很少能在不同环境中正常工作。MCP通过提供可复用的模块化系统消除了这种重复劳动。它还解决了"N乘以M"问题——即多个客户端应用必须分别与多个服务器进行单独集成的问题。借助MCP，工具和模型可以通过单一的共享协议进行交互。

入门指南

Anthropic发布了多种编程语言的SDK，帮助开发者创建兼容MCP的服务器。Python SDK允许用户通过简单的装饰器定义提示、资源和工具，从而以最少的样板代码快速启动服务器。

本期《In the Loop》节目将逐一介绍这些组件，解释它们如何协同工作，并包含开发者如何在生产环境中使用MCP使LLM发挥更大实际效用的真实案例。

观看完整剧集请点击：