智能体与上下文协议MCP核心概念及重要性深度解析

Agent和上下文协议的革命性意义，带你了解AI自动化的新篇章。
核心内容：
1. Agent概念的起源与发展，及其在AI自动化中的关键作用
2. Agent的组成：大脑、眼睛/手、工作纪要、行为SOP等
3. Agent如何实现AI的类人工作和思考方式，以及其应用前景

这几天，Agent 相关的概念沸沸扬扬的，几乎成了AI圈最热的话题之一。

不做词义追源，单从大众认知的角度看，这事儿真正开始发酵，其实是在前年初，也就是2023年的2-3月。当时的几个标志性事件，算是给今天的讨论埋下了引线：

• AutoGPT 等开源项目的发布：这基本上是第一波基于自然语言的AI自动化实践。你给它一个任务，它就会通过自然语言自我对话，把这个任务拆解、规划并试着去实现。你可以把它看作是后来Manus这类产品的前辈——虽然当时成功率很低，能干的事也有限，但方向已经定下了。

• 斯坦福小镇一类的项目实践：给不同的Bot赋予不同的人格，再配上记忆窗口，让它们之间相互交流。这已经是在模拟人类社会的初步形态了。

• 《Toolformer》论文与OpenAI的插件计划：2023年2月发表的论文《Toolformer：大模型可以教自己使用工具》，以及3月底OpenAI发布的插件计划，标志着一个重要转折——大模型从一个纯粹的“思想家”，通过对外部工具的调用，变成了一个“实干家”。

《AI 学会使用工具了》

2023年2月14日，报道自赛博禅心

由于语言的泛化，今天出现了一个有趣的现象：「Agent 是什么」这个问题，已经没有了标准定义。

一个比较常见的认知是：Agent，就是让AI以类似人的工作和思考方式，来完成一系列任务。一个Agent可以是一个Bot，也可以是多个Bot的协作。这就像职场里，简单的工作可以独立完成，复杂的工作则需要团队协作。

具体到每个Bot，通常会包含以下四个核心组件：

• 一个大脑：负责判断和规划行为。这里通常需要GPT-4或更高水平的LLM来支撑。

• 眼睛和手：负责确认信息和使用外部工具。一般对应的是各种插件、Actions或API。

• 工作纪要：负责储存已经发生的事。常见的媒介包括上下文窗口、一个todo文件，或者是数据库。

• 行为SOP：明确这个Agent的身份、任务、目标和运行机制。这个SOP可能是用户提供的，也可能由其他Bot生成。

说得再具体一点，这里从GPTs里截了个图，能更直观地展示：

GPTs，通常被认为是OpenAI设计的最简版Agent。在默认情况下，它只支持单Bot交互：

• 一个大脑：在ChatGPT的GPT Store里，GPT-4是唯一可选的大脑。

• 眼睛和手：可以在Capabilities里勾选OpenAI提供的第一方能力，也可以通过Actions来拓展外部能力。

• 工作纪要：一般来说就是对话记录，GPTs可以回顾之前的对话。

• 行为SOP：存放在Description、Instructions以及Knowledge里。

在这里，大脑要连接眼睛和手，需要一种“神经信号”——在代码世界里，它被称为协议。

最早的协议是OpenAI的Plugin协议，发布于差不多两年前的这个时候，当时是定向邀请制。之后，Anthropic在去年发布了MCP协议，一个公开的版本。

当时也做了一个简评：

从进步的角度看，它一定程度上解决了Claude不能输出结构化信息的问题：之前Claude想要结构化输出，只能靠 prompt + prefill + regex 硬凑。

下面，就让我们一起来看看这个MCP协议。

Norah Sakal写过一篇不错的介绍，这里把核心内容整理出来。

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。

你可以把MCP想象成AI领域的“USB-C接口”——它能让不同的AI模型与外部工具和数据源轻松连接。

本文的核心目的，就是清晰地解释MCP的价值、工作原理，以及它与传统API的关键区别。

什么是MCP？

模型上下文协议（MCP） 就像是为AI模型量身定制的“USB-C接口”，可以标准化地连接AI系统与各类外部工具和数据源。

就像USB-C接口让你的电脑更容易连接各种设备一样，MCP让AI模型更简单地获取数据、工具与服务。

为什么要用MCP，而不是传统的API？

通常情况下，AI系统想要连接外部工具，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，这极大地增加了开发复杂度。

为什么说传统API就像每扇门都有一把不同的钥匙？

打个比方： API就像不同的门，每扇门都需要自己的钥匙和特定的规则。

传统的API要求开发者为每个服务或数据源单独编写代码和整合方案。

MCP背后是谁？

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。

但现在，MCP已经成为一个开放协议，越来越多的企业和开发者开始采用它，这也让它逐渐成为AI与工具互动的新标准。

想深入了解？可以访问官方的MCP规格文档。

MCP与API快速对比

MCP与传统API关键区别：

• 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。

为什么要有双向通信？

MCP提供实时互动，模型能：

• 拉取数据： 模型实时查询数据，如查看你的日历。
• 触发操作： 模型主动向服务器发出指令，如重新安排会议或发送邮件。

MCP如何工作：架构原理

MCP采用简单的客户端-服务器架构：

• MCP主机（Host）： 如Claude桌面应用或智能开发环境（IDE），需要访问外部数据或工具。
• MCP客户端（Client）： 与MCP服务器建立一对一的稳定连接。
• MCP服务器（Server）： 提供特定功能，连接本地或远程的数据源。
• 本地数据源： 文件、数据库或服务。
• 远程服务： 外部API或互联网服务。

简单说，MCP像一座桥梁： 它本身不处理复杂逻辑，只负责协调AI模型与工具之间的信息流动。

实际中的MCP客户端案例

比如，一个Python脚本（client.py）作为MCP客户端，可以轻松连接MCP服务器，以控制Gmail、Slack或日历应用，无需每个工具单独编写代码。

MCP应用案例：什么时候用它？

设想下面几个场景：

1. 旅行规划助手

• 使用 API 时： 分别为谷歌日历、邮件、机票预订写代码，繁琐而复杂。
• 使用 MCP 时： AI助手直接通过MCP统一协议，查看日历、订机票、发邮件确认，无须单独整合每个工具。

2. 智能IDE（代码编辑器）

• 使用 API 时： 手动连接文件系统、版本管理、包管理和文档，耗时费力。
• 使用 MCP 时： IDE 通过 MCP 一次连接所有功能，带来更丰富的上下文支持，更强大的智能建议。

3. 复杂的数据分析

• 使用 API 时： 人工管理与每个数据库、数据可视化工具的连接。
• 使用 MCP 时： AI自动发现并连接多个数据库和可视化工具，通过统一的MCP接口轻松完成分析任务。

MCP 的好处

• 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。

什么时候传统 API 更适合？

如果你的应用场景需要精准且严格受控的交互方式，那么传统API可能更合适。MCP提供广泛而灵活的动态能力，更适合需要上下文理解的场景，但不一定适用于严格受控的场合。

传统API更合适的场景：

• 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。

如何开始使用MCP？

快速集成MCP的步骤：

1. 定义能力： 明确你的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： 开发或连接你的数据源和服务。
5. 建立客户端连接： 与MCP服务器建立安全稳定的连接。

总结

再次回顾什么是MCP：

• MCP： 为AI模型统一连接数据与工具的标准接口。
• API： 传统的方式，每个服务单独连接，开发更复杂。

MCP让AI与外部数据、工具的连接变得更加标准化和高效。这不仅是技术上的进步，更可能成为未来AI自动化生态中不可或缺的基础设施。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：智能体与上下文协议MCP核心概念及重要性深度解析要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题