知序
返回
保存草稿
发布
H1
H2
H3
1
2
3
Excalidraw 图
AI 写作
AI 优化
目录
输入内容后显示目录
Markdown
# 09 - MCP 协议与工具生态 > 导读:本文从"为什么每换一个 LLM 框架、每接一个工具,集成代码几乎都要重写一遍"这个痛点出发,把 MCP 的定位、客户端/服务端架构、Tools/Resources/Prompts 三种能力、Server 开发与客户端配置方式、与 Function Calling 及 LangChain Tools 的差异、以及生态选型与安全边界逐项讲透,最后给出工程实践与踩坑清单。适合正在做 Agent 工具集成、准备面试大模型应用/Agent 架构方向的同学。 ## 一、先建立全局认知 ### Q:MCP 是什么?它要解决的根本问题是什么? A:结论先行——MCP(Model Context Protocol,模型上下文协议)是 Anthropic 提出的一个开放协议,用于标准化 LLM 应用(客户端)与外部工具、数据源(服务端)之间的通信方式;它要解决的根本问题是"工具集成与 LLM 应用之间的强耦合"。 为什么这件事值得单独造一个协议?在没有统一标准之前,工具集成的工作量是乘法关系:假设你有 M 个 LLM 应用、N 个外部工具,理论上需要 M×N 份集成代码。每一份代码都要重复处理"怎么向模型描述工具、怎么传参、怎么把执行结果塞回上下文、怎么处理异常"这几件事,而每个框架的约定还不一样。 ```text 没有 MCP 的现状: LangChain 的工具格式 ≠ OpenAI 的 Function Calling ≠ 其他框架的约定 → 换一个 LLM 或框架,工具代码要重写 → M 个应用 × N 个工具 ≈ M×N 份适配代码 有 MCP 之后: 工具按统一协议暴露能力 任何支持 MCP 的客户端都能直接使用 → 客户端实现 1 次、服务端实现 1 次,整体近似 M+N 类比:USB 接口——统一标准,即插即用 ``` "M×N 收敛为 M+N"是理解 MCP 价值的第一层论证,也是面试里最常被追问的起点。它背后的设计思想和适配器模式(Adapter)/防腐层(Anti-Corruption Layer)是一致的:把不稳定的、多对多的适配关系,收敛到一对稳定的接口上。 需要划清边界:MCP 标准化的是"应用与工具/数据源之间"的通信,它不管模型推理本身,也不管 Agent 与 Agent 之间的协作——后者是另一类协议要解决的问题。 ### Q:MCP 的整体架构是什么样的?有哪些角色? A:结论先行——MCP 是经典的客户端/服务端(Client/Server)架构:MCP Client 通常在 LLM 应用侧(如 Claude、Kiro、你自研的 Agent 应用),MCP Server 是能力提供方(如文件系统、数据库、API 服务),两者通过 MCP 协议通信,底层消息格式为 JSON-RPC。  *图:MCP Client 与 Server 通过 MCP 协议通信,Server 暴露三种能力* ```text ┌──────────────┐ MCP 协议 ┌──────────────┐ │ MCP Client │ ←──────────────→ │ MCP Server │ │ (LLM 应用) │ │ (工具提供方) │ │ │ JSON-RPC 通信 │ │ │ Claude │ │ 文件系统 │ │ Kiro │ │ 数据库 │ │ 自定义应用 │ │ API 服务 │ └──────────────┘ └──────────────┘ MCP Server 暴露三种能力: Tools:可调用的工具(函数) Resources:可读取的数据源(文件、数据库记录) Prompts:预定义的 Prompt 模板 ``` 抓住三个关键点,架构就理解透了: 1. **角色不对称。** Client 是消费者,它负责把 Server 声明的能力转换成 LLM 能理解的工具描述,并在模型决定调用时真正发起调用;Server 是提供者,它只负责按协议声明自己的能力并执行被请求的操作。这个分工意味着"工具描述怎么给模型看"是客户端的责任,"工具怎么执行"是服务端的责任。 2. **通信是结构化的。** 底层使用 JSON-RPC,请求有方法名、有参数、有响应,而不是一段自由文本。这带来可校验性——参数结构可以用 JSON Schema 描述,服务端可以据此做参数校验,客户端可以据此生成给模型的说明。 3. **能力有三种形态。** 除了 Tools,还有 Resources 与 Prompts。这一点常被忽略,但正是它区分了"只读过教程"和"真正做过集成"。 由于 MCP Server 通常以独立进程承载,它还天然具备进程级隔离能力,这是它相对"同进程函数调用"的一个结构性优势,后文会专门展开。  *图:MCP 客户端与服务端架构* ### Q:MCP 在 Agent 技术栈里处于什么位置? A:结论先行——MCP 位于"Agent 运行时"与"外部世界"之间,是工具与数据接入层(Tooling/Integration Layer),它向上给 Agent 提供统一的能力发现与调用接口,向下屏蔽各类数据源与服务的差异。  *图:MCP 在 Agent 技术栈中的位置* ```text ┌───────────────────────────────────────────┐ │ 用户 / 上层应用 │ └──────────────────┬────────────────────────┘ ▼ ┌───────────────────────────────────────────┐ │ Agent 运行时(决策 / 规划 / 循环) │ │ ReAct、Plan-and-Execute、图编排 … │ └──────────────────┬────────────────────────┘ ▼ ┌───────────────────────────────────────────┐ │ MCP Client(能力发现 + 调用) │ ← MCP 在这一层 └──────────────────┬────────────────────────┘ JSON-RPC / stdio / 网络传输 ┌──────────────────┴────────────────────────┐ │ MCP Server A MCP Server B MCP Server C│ │ (文件系统) (数据库) (搜索/API) │ └───────────────────────────────────────────┘ ``` 放在这个位置带来两个工程结论: - **Agent 逻辑与工具实现解耦。** 换工具实现、加工具,不用改 Agent 的推理逻辑;反之换 Agent 框架,工具也不用重写。 - **能力接入可以独立演进。** Server 可以独立部署、独立升级、独立限权,符合"边界清晰、职责单一"的架构原则。 同时也要看到它的边界:MCP 不负责"该不该调用这个工具"的决策,那是 Agent 的策略与权限体系的事;也不负责工具之间的编排顺序,那是编排层(如状态图)的事。 ## 二、理解核心机制 ### Q:MCP Server 暴露的 Tools、Resources、Prompts 三种能力有什么区别? A:结论先行——Tools 是"模型可以主动调用的动作",Resources 是"可以被读取的数据",Prompts 是"可复用的提示词模板";三者最本质的差异是"发起方"和"是否常驻上下文"。 | 能力 | 语义 | 谁发起 | 典型例子 | 类比 | |---|---|---|---|---| | Tools | 可调用的函数/动作 | 模型(由 LLM 决策调用) | get_weather、query_db | 遥控器上的按钮 | | Resources | 可读取的数据源 | 应用或用户(通常按需读取) | 文件内容、数据库记录 | 书架上的一本书 | | Prompts | 预定义的提示词模板 | 用户或应用 | "代码审查"模板 | 一张填好的表单 | 为什么必须区分这三者?因为它直接决定上下文成本与安全边界: - **Tools 的描述需要常驻上下文。** 每个工具的名称、描述、参数 Schema 都要给模型看,所以工具越多,上下文开销越大,模型误选概率也越高。这正是后文"最小暴露原则"的根因,而不是一句空洞的最佳实践。 - **Resources 通常按需读取。** 它不是常驻的,天然更适合承载大块数据——把数据"放在旁边"和"塞进上下文"是两种截然不同的成本模型。 - **Prompts 是给人复用的。** 它不是模型自主发现的"工具",而是把某个高质量提示词固化下来,供用户或应用调用。 工程上要提醒一点:不同客户端对 Resources、Prompts 的支持程度并不一致,实际可用性需结合客户端实现与协议版本确认,不要假设"协议里有"就等于"客户端一定支持"。 ### Q:一次 MCP 工具调用的完整生命周期是怎样的? A:结论先行——可以概括为"连接与初始化 → 能力发现 → 构造工具描述 → 模型决策 → 发起调用 → 返回结果 → 结果进入上下文"这条链路,其中能力发现与调用是两个独立阶段。 ```text 1. 连接建立:Client 按配置拉起 Server(或连上远程 Server),完成初始化握手 2. 能力发现:Client 调用 list_tools(示例代码中的 @server.list_tools()) → 拿到工具名、描述、inputSchema 3. 描述注入:Client 把工具清单转换为模型可见的工具描述,放入上下文 4. 模型决策:LLM 根据用户意图与工具描述,决定"是否调用、调用哪个、传什么参数" 5. 调用执行:Client 发出 call_tool 请求 → Server 校验参数 → 执行 → 返回内容块 6. 结果回填:执行结果作为一条消息回到上下文 7. 循环或结束:模型基于结果决定继续调用其它工具,还是给出最终回答 ``` 这个链路里有三个容易被忽视的工程含义: 1. **能力发现是缓存的。** 工具清单不需要每轮对话都拉一次,但如果你在运行时动态增删工具,就要考虑清单的刷新时机。 2. **"模型决策"是概率性的。** 第 4 步不是确定性的查表,而是模型基于描述做判断,所以"描述质量"和"工具数量"会直接影响第 4 步的准确率。 3. **第 6 步是上下文成本的主要来源。** 工具返回的原文往往很长,直接回填会挤占后续推理的空间;实践上常做结果摘要或截断。 ### Q:怎么开发一个 MCP Server?给我一个最小可运行的例子。 A:结论先行——用官方 Python SDK 的 `Server` 类注册"工具列表处理器"和"工具调用处理器"两个回调,再通过 stdio 传输启动即可。 ```python # 用 Python 创建一个 MCP Server from mcp.server import Server from mcp.types import Tool, TextContent import mcp.server.stdio server = Server("my-tools") @server.list_tools() async def list_tools(): return [ Tool( name="get_weather", description="查询城市天气", inputSchema={ "type": "object", "properties": { "city": {"type": "string", "description": "城市名"} }, "required": ["city"] } ) ] @server.call_tool() async def call_tool(name: str, arguments: dict): if name == "get_weather": city = arguments["city"] # 实际调用天气 API return [TextContent(type="text", text=f"{city}:晴,18°C")] async def main(): async with mcp.server.stdio.stdio_server() as (read, write): await server.run(read, write, server.create_initialization_options()) import asyncio asyncio.run(main()) ``` 关键点解读: 1. **两个处理器对应协议的两个阶段。** `list_tools` 对应"能力发现"(客户端问:你能做什么),`call_tool` 对应"能力调用"(客户端说:执行这个)。这正是上一条生命周期里的第 2 步和第 5 步,先发现、后调用。 2. **`inputSchema` 就是 JSON Schema。** 它既是给模型的"参数说明书",也是服务端做参数校验的依据。描述写得好不好,直接决定模型传参准不准——这是可优化的、有杠杆的工程点。 3. **返回值是内容块列表。** 这里返回 `[TextContent(type="text", text=...)]`,是内容块数组而不是裸字符串。这种设计为多段内容、多模态内容预留了扩展位。 4. **stdio 是本地 Server 的主流形态。** 客户端把 Server 当子进程拉起,通过标准输入输出通信。代码里 `stdio_server()` 拿到的 `read`/`write` 就是这对管道。 5. **异步贯穿始终。** 处理器都是 `async`,因为工具执行往往是 I/O 密集(网络、磁盘),异步可以避免阻塞。 两点提醒:示例中的天气值是硬编码的模拟值,真实实现需要接天气 API 并处理超时与错误;SDK 的装饰器名称、类型路径与签名可能随版本演进,落地时需结合所用版本确认,不要照抄后假设永远可用。 ### Q:MCP 的通信基础与传输方式是什么? A:结论先行——MCP 基于 JSON-RPC 交换结构化消息,传输层支持本地 stdio 与网络(如 SSE)等形态,协议语义与传输方式解耦。 为什么这样设计?因为不同场景的约束完全不同: - **本地工具**(读写本地文件、访问本地数据库)用"子进程 + stdio"最自然:无需开端口、无需处理网络认证、权限边界清晰。 - **远程能力**(云服务、团队共享服务)必须走网络传输,此时就要引入认证、鉴权、网络隔离等一整套外部服务的安全考量。 "同一套语义、多种承载方式"是典型的协议与传输分层设计。工程含义有两点: 1. stdio 形态下,Server 的生命周期通常与 Client 绑定——随客户端启动而拉起、随客户端退出而结束,所以它的状态默认是易失的。 2. 网络形态下,应当把它当作"外部服务"来评估:谁可以访问、凭证怎么存、故障怎么降级。 具体支持哪些传输方式、各版本默认行为如何,需结合协议版本与服务端实现确认。 ### Q:MCP 的"能力发现"是一次性的还是动态的?这件事为什么重要? A:结论先行——能力发现本质上是一次"协商",Client 通过 `list_tools` 之类的接口向 Server 询问当前可用能力;它既可以在启动时做,也可以在运行中重新拉取,但"何时刷新"取决于客户端实现,不是协议强制行为。 为什么值得单独讨论?因为它决定了三件事: 1. **上下文成本的可控性。** 工具清单最终要变成模型可见的描述,清单越大,每次推理的固定开销越大。如果能在不同任务下只暴露相关工具的子集,成本就能显著下降。 2. **动态工具的可行性。** 有些 Server 的能力依赖运行时状态(例如"当前登录用户可访问的仓库"),这类工具清单天然是变化的,需要"重新发现"的能力。 3. **一致性问题。** 如果 Client 缓存了工具描述,而 Server 实际能力已经变化,就会出现"模型以为能调用、实际调用失败"的不一致。工程上要么缩短缓存时间,要么为调用失败设计明确的降级路径。 面试里如果被问到"如何降低 Agent 的上下文开销",答"减少常驻工具描述的数量、按任务动态装载工具"就是一条扎实的答案,而 MCP 的能力发现机制正是它的实现基础。 ## 三、对比与选型 ### Q:MCP、Function Calling、LangChain Tools 到底差在哪? A:结论先行——Function Calling 是模型厂商的专有能力,LangChain Tools 是框架内部的约定,MCP 是跨框架、跨语言、带进程隔离的开放协议。 ```text 维度 Function Calling LangChain Tools MCP 标准化 OpenAI 专有 框架专有 开放协议 跨框架 ✗ ✗ ✓ 进程隔离 ✗(同进程) ✗(同进程) ✓(独立进程) 语言无关 ✗(Python) ✗(Python) ✓(任何语言) 生态 OpenAI 插件 LangChain Hub MCP Hub 安全隔离 弱 弱 强(进程级别) ``` 逐条解释差异的来由,而不是背表格: 1. **标准化来源不同,决定了复用的天花板。** Function Calling 由模型厂商定义,能力与模型绑定;LangChain Tools 是框架内部抽象;MCP 公开且有独立生态。来源不同,导致"工具能复用到哪里"的答案完全不同。 2. **跨框架意味着迁移成本。** 只在 LangChain 内可用的工具,迁移框架就要重写;MCP Server 只要客户端支持协议就能复用,复用边界从"框架内"扩到"生态内"。 3. **进程隔离是结构性差异。** 同进程调用意味着工具代码崩溃会拖垮主应用,工具越权也难控制;独立进程可以单独限制文件、网络、凭证,并让故障影响范围止步于进程边界。 4. **语言无关降低接入成本。** 任何语言写的程序,只要实现协议就能当 Server,不必强行统一到某个语言的技术栈。 5. **生态位置不同。** MCP 有独立的 Hub 生态与大量现成 Server,可以直接"组装"而不是"从零实现"。 一句话总结:MCP 的核心优势是让工具和 LLM 应用解耦,一次开发、到处使用。 ### Q:MCP 和 OpenAPI/Swagger 是一回事吗? A:结论先行——不是。OpenAPI 描述的是 HTTP API 的路径、方法和数据模型,面向通用客户端与开发者;MCP 定义的是 Agent/客户端与工具、资源、Prompt 之间的会话与发现协议,强调模型上下文与工具交互。 | 维度 | OpenAPI | MCP | |---|---|---| | 描述对象 | HTTP 接口契约 | 模型可用的工具/资源/提示 | | 交互模型 | 一次请求一次响应 | 有会话、有能力发现、有调用生命周期 | | 主要消费者 | 人类开发者、代码生成器 | LLM 客户端 / Agent | | 是否感知模型 | 不感知 | 为模型消费而设计 | | 参数描述 | Schema 描述传输数据 | Schema 兼作给模型的"使用说明" | 两者是互补而非替代关系:常见做法是用 MCP Server 包装既有的 OpenAPI 服务,把 REST 接口"翻译"成模型能用的工具。这也就回答了面试高频追问——"我已经有 Swagger 了,还需要 MCP 吗?"答案是:Swagger 解决"人怎么调",MCP 解决"模型怎么调",面向的消费者不同。 ### Q:什么场景不该用 MCP? A:结论先行——单应用、单工具、无复用需求、且对延迟极其敏感的场景,直接用框架内的工具定义更简单;引入 MCP 是引入了一套协议和进程模型,有明确收益才值得。 判断时可以问三个问题: - **工具有复用需求吗?** 只有一个应用会用、且不会换框架,MCP 的"M+N"收益体现不出来。 - **需要进程隔离或跨语言吗?** 需要,则 MCP 的结构性优势明显;不需要,则同进程更简单、延迟更低。 - **团队有能力维护 Server 的生命周期、权限与可观测性吗?** 引入 Server 就引入了运维成本,包括进程管理、凭证管理、日志审计。 不要为了"看起来架构先进"而引入协议层,这与"不要为了用而用多 Agent"是同一种工程判断。 ### Q:MCP 和 Function Calling 是替代关系还是协作关系? A:结论先行——是协作关系。模型侧仍然通过厂商的 Function Calling 能力"决定调用哪个工具、传什么参数",MCP 负责的是"工具从哪来、怎么被发现、怎么被执行"。 把两者放到同一条链路上看就清楚了:  *图:多 Agent 串行流水线与写文章示例* ```text 用户提问 │ ▼ 模型推理(这里的"工具选择"能力由模型厂商的 Function Calling 提供) │ 决定:调用 get_weather(city="北京") ▼ MCP Client 把这次决策转换为 MCP 调用请求 │ ▼ MCP Server 执行并返回结果 → 结果回到上下文 ``` 所以它们处在不同层次:Function Calling 是"模型能力的接口形态",MCP 是"工具的接入与执行标准"。模型可以没有 MCP 而直接 Function Calling(同进程执行工具),MCP 也可以服务于不依赖特定厂商调用约定的客户端。理解这个分层,能避免在面试中把两者对立起来谈。 ## 四、工程实践与踩坑 ### Q:MCP 客户端的配置长什么样? A:结论先行——通过一份 JSON 配置文件声明要启动哪些 Server,包含启动命令、启动参数与启用开关。 ```json // .kiro/settings/mcp.json 或 ~/.kiro/settings/mcp.json { "mcpServers": { "weather": { "command": "python", "args": ["weather_server.py"], "disabled": false }, "filesystem": { "command": "npx", "args": ["-y", "@modelcontextprotocol/server-filesystem", "/path/to/dir"] }, "database": { "command": "uvx", "args": ["mcp-server-sqlite", "--db-path", "data.db"] } } } ``` 关键点与踩坑: 1. **`command` + `args` 描述"如何把 Server 拉起来"。** 这印证了本地 Server 是子进程模型——配置文件本质上是"启动命令清单"。 2. **`disabled` 是灰度开关。** 出问题时可临时关掉某个 Server,而不必删除配置。 3. **项目级 vs 用户级配置。** 示例给出了项目级(`.kiro/settings/mcp.json`)与用户级(`~/.kiro/settings/mcp.json`)两种路径,前者通常只影响当前项目,后者影响本机所有项目;两者的优先级与合并规则以客户端文档为准。 4. **JSON 里不能写注释。** 上面为了讲解保留了注释,实际配置文件必须去掉,否则解析失败——这是最常见的低级故障。 5. **启动命令依赖环境。** `python`、`npx`、`uvx` 必须在客户端进程的 PATH 中可见;IDE 启动的进程与终端的环境变量可能不一致,这是"终端里能跑、IDE 里连不上"的典型原因。 ### Q:有哪些常用的 MCP Server?怎么挑、怎么用? A:结论先行——优先复用官方/社区成熟 Server,它们基本覆盖文件系统、数据库、搜索、Git/GitHub、协作工具、云文档这几类常见需求。 ```text 官方/社区提供的 MCP Server: 文件系统: @modelcontextprotocol/server-filesystem 数据库: mcp-server-sqlite / mcp-server-postgres 搜索: @modelcontextprotocol/server-brave-search Git: @modelcontextprotocol/server-git GitHub: @modelcontextprotocol/server-github Slack: @modelcontextprotocol/server-slack AWS 文档: awslabs.aws-documentation-mcp-server 社区维护了大量 MCP Server,覆盖各种 API 和服务 ``` 选型与使用建议(踩坑集中区): 1. **最小暴露原则。** 不要把某个 Server 的全部工具都打开。工具越多,模型越容易误选,攻击面与上下文成本也越大。按业务场景只暴露必要能力,读写分离,生产与测试使用不同 Server 或不同权限。 2. **连接前做信任检查。** 核对来源与版本、审查工具及权限范围、确认凭证存储方式与网络访问、在隔离环境试运行,并为敏感工具设置人工审批与审计。"支持 MCP"不等于"可信"。 3. **权限最小化落地。** 文件系统 Server 只挂载必要目录(示例里显式传 `/path/to/dir` 就是这个思路),数据库 Server 从只读账号起步,需要写权限时逐级放开。 4. **工具描述当成产品来打磨。** 描述含糊会导致选错工具、传错参数,这属于"上下文工程"而非文档工作。 5. **可观测性要跟上。** 工具调用必须进 Trace,记录工具名、脱敏后的参数、结果摘要,方便复盘与审计。 ### Q:同时接入多个 MCP Server 时,工程上要怎么治理? A:结论先行——把每个 Server 当作一个独立的"外部依赖"来治理:独立权限、独立凭证、独立配额、独立监控,并在 Agent 侧做工具命名空间隔离与总量控制。  *图:MCP Server 的七个治理维度与具体做法* ```text 治理维度 具体做法 ───────────────────────────────────────────── 权限 每个 Server 单独限定可访问的文件/网络/数据范围 凭证 凭证不要共用;按 Server 单独存储与轮换 配额与限流 按 Server 限制调用频率与资源消耗,防止单个 Server 拖垮全局 命名空间 工具名加前缀或分组,避免不同 Server 的工具重名、语义冲突 总量控制 暴露给模型的工具总数设上限,超出则按任务动态筛选 监控审计 按 Server 维度采集调用量、成功率、延迟、错误类型 故障隔离 单 Server 故障时应降级而非整体不可用(超时 + 兜底) ``` 这里最容易被低估的是"命名空间与总量控制"。多个 Server 叠加后,工具总量很容易超过模型能稳定分辨的范围,直接后果就是选错工具、参数张冠李戴。工程上的应对是"分组暴露":把工具按业务域分组,一次只把与当前任务相关的组交给模型。 ### Q:进程隔离带来的安全性是不是"一劳永逸"? A:结论先行——不是。进程隔离只是把风险关进一个更小的笼子,它不能替代输入校验、权限控制和审计。 ```text 进程隔离能做到: ✓ 独立限制文件、网络、凭证访问范围 ✓ 把崩溃与异常的影响限制在进程内,不拖垮主应用 ✓ 便于按 Server 维度做最小授权与独立升级 进程隔离做不到: ✗ 阻止 Server 内部实现自身的逻辑漏洞 ✗ 阻止模型"合法地"选错工具或传入错误参数 ✗ 替代输出侧的脱敏与审核 ``` 所以正确的姿势是"隔离 + 校验 + 授权 + 审计"四件套,缺一不可。这也是安全设计中反复出现的原则:任何单一机制都不是完整方案,纵深防御(Defense in Depth)才是。 ### Q:线上出现"Server 连不上 / 工具不生效",排查思路是什么? A:结论先行——按"配置 → 进程 → 协议握手 → 工具清单 → 模型选择 → 调用执行"的顺序逐段排除,先定位断在哪一段。 ```text 配置层: JSON 是否合法?路径、命令、参数是否正确?disabled 是否为 true? 进程层: 命令能否在客户端环境下执行?依赖是否安装?日志是否报错退出? 握手层: 初始化是否成功?传输方式(stdio/网络)是否匹配? 清单层: list_tools 是否返回预期工具?是否被客户端正确加载? 选择层: 模型是否"看见"了工具描述?描述是否清晰?工具数量是否过多? 执行层: call_tool 是否被触发?参数是否通过校验?执行是否超时/异常? ``` 把这条链路记住,比记住任何一个具体工具的用法都值钱:它是可迁移的排障框架,也正好对应前面讲的"一次调用的完整生命周期"。 ## 小结 - MCP 是 LLM 工具调用的统一协议,定位类似 USB 接口,把 M×N 的集成问题收敛为 M+N。 - 架构是 Client/Server,基于 JSON-RPC 通信,支持本地 stdio 与网络传输等形态,协议与传输解耦。 - MCP Server 暴露 Tools、Resources、Prompts 三种能力,三者的发起方与上下文成本各不相同。 - 与 Function Calling、LangChain Tools 相比,MCP 的核心增量是跨框架、跨语言与进程级隔离。 - MCP 与 OpenAPI 互补:一个面向模型消费,一个面向人类开发者;可用 MCP Server 包装既有 REST 服务。 - 生态丰富,优先复用现成 Server;同时坚持最小暴露、信任检查、权限最小化与可观测性。 - 进程隔离是安全体系的一环,不是万能药;排障时沿"配置 → 进程 → 握手 → 清单 → 选择 → 执行"逐段定位。 ## 思考题 1. MCP 和 OpenAPI/Swagger 有什么区别? - **参考答案:**OpenAPI 描述 HTTP API 的路径、方法和数据模型,面向通用客户端;MCP 定义 Agent/客户端与工具、资源、Prompt 的会话和发现协议,强调模型上下文与工具交互。两者可互补,例如用 MCP Server 包装既有 OpenAPI 服务。 2. MCP 的进程隔离对安全性有什么帮助? - **参考答案:**它将工具运行时与主应用隔离,可独立限制文件、网络、凭证和崩溃影响范围,也便于按 Server 最小授权。隔离不是万能的,仍需校验输入、限制权限和审计调用。 3. 为什么 MCP Server 的工具清单也应遵循最小暴露原则? - **参考答案:**工具越多,模型越容易误选,攻击面与上下文成本也越大。按业务场景暴露必要能力,并为读写、生产测试环境使用不同 Server 或权限。 4. 连接第三方 MCP Server 前应完成哪些信任检查? - **参考答案:**核对来源与版本、审查工具及权限范围、确认凭证存储方式和网络访问、在隔离环境试运行,并为敏感工具设置人工审批与审计。不要因"支持 MCP"就默认可信。
预览
发布文章
添加摘要让读者更快了解文章内容
取消
确认发布
AI 写作助手
输入一个主题,AI 将为你生成一篇 Markdown 博客文章
AI 正在写作中...
取消
开始生成
AI 优化助手
描述你的修改需求,AI 将在原文基础上进行补充或微调
AI 正在优化中...
取消
开始优化
画布
从已有图里选
✕
图名
保存后生成 /images/excalidraw/<图名>.svg(只能用字母、数字、短横线、下划线、点)
取消
保存并插入