MCP 通过标准化协议连接 LLM 与外部资源，类似于 USB-C 接口，让 LLM 突破能力边界，更智能地服务于业务。
原文标题：学习 MCP 最好的时机是 7 个月前，其次是现在
原文作者：阿里云开发者
冷月清谈：
怜星夜思：
2、文章中将 MCP Server 提供的能力分为 Resources、Tools 和 Prompts 三种。你认为哪种能力对 LLM 的智能化提升最关键？为什么？
3、文章提到“LLM 友好性”可能会成为产品力评估的维度。你认为未来哪些产品特性可以被认为是“LLM 友好”的？企业应该如何提升自身产品的“LLM 友好性”？
原文内容
阿里妹导读
本文旨在为尚不了解 MCP 的同学介绍什么是 MCP 以及 MCP 可以做什么，并非手把手教学。
作为一名互联网从业者，相信大家的工作和生活或多或少都和 AI 产生了关联。无论是工作中用到的研发小蜜和编码助手，还是生活中父母亲戚问来的 “DeepSeek 是什么”，都印证生成式 AI 已渗透至每个人的生活之中。但当技术讨论热度指数级增长时，并非所有同学都能直接参与到 LLM 相关的研发中，就好似“热闹是他们的，我什么也没有”。但如果你稍有留心，肯定对 MCP 这个字样有所印象。
什么是 MCP
概念
如果你在社区里浏览过其他介绍 MCP 的文章，那么一定对这张图不陌生。MCP 是 Model Context Protocol 的缩写，Model 强调服务主体是 LLM，Context 强调其信息枢纽功能，Protocol 则凸显信息交互的标准化特性，MCP 如同 USB-C 接口般通过统一协议实现 LLM 与外部能力的高效互联。
以这张图为例，作为算力核心的 LLM，既需要调用本地数据（如磁盘存储），也需对接远程服务（如邮件服务器），而 MCP 正是实现这种多源能力整合的转换器。其价值在于可以通过标准化协议广泛地接入外部资源，让 LLM 在完成训练后还可以突破被固有的能力边界。MCP 官网展示的就是最经典的案例：通过接入气象数据接口 LLM 就可以准确回答 “明天会下雨吗” 这类即时性问题。
图片来源：https://composio.dev/blog/what-is-model-context-protocol-mcp-explained/
组成
MCP 采用经典高效的客户端-服务器架构，通过标准化协议实现 LLM 与外部资源的高效互联，其通常包含三个部分：
-
MCP Host：能够通过 MCP 集成外部能力的主体。Host 通常承担最终用户交互界面的角色，其既可以是独立的 LLM Desktop，也可以是基于 LLM 构建的生产力工具（如 IDE）。它代表的是需求方，是 MCP Client 的运行时环境，负责协调用户、LLM 与外部资源之间的交互。
-
MCP Client：Host 内部负责与 MCP Server 交互的组件。Client 由 Host 创建并与 Server 建立一对一的有状态会话，会将 Host 的请求转换为符合 MCP 标准的消息发送给 Server，再将 Server 的响应解析为 Host 可以理解的格式。
-
MCP Server：LLM 需要的外部能力的具象化。这里指的能力可以是读取本地磁盘文件，写入本地数据库，查询天气/股票价格等等，但 Server 不是能力/资源本身，Server 是通过统一的标准协议将能力对外暴露的代理。
图片来源：https://blog.dailydoseofds.com/p/visual-guide-to-model-context-protocol
显然 MCP Server 是为 LLM 赋能的关键，Server 本身对外暴露的能力又分为三种：
-
Resources：可供加工的数据。一般是静态或者半动态的原始数据，这些数据可以直接被 LLM 理解并放在上下文中用于推理。比如是日志或配置等基础信息，类似于一个只读的文件或者数据库。
-
Tools：执行一个具体的任务。当 LLM 将用户需求拆分为多个具体的子步骤时，可以通过调用 Tools 实现其中的一步或者多步。可以是写入数据库，可以是基于敏感信息进行计算然后输出脱敏信息，也可以是调用另外一个没有提供 MCP 接口的系统。通常一个 Server 中的 Tools 通常具有相关性，它们在一起描述了一个服务拥有的所有能力。
-
Prompts：可复用的 LLM 提示模板。通常 LLM 在处理不同任务时会使用预定义的 Prompt 模板进行引导，但当处理一些私域场景时可能需要一些特化逻辑，比如输入/输出格式或上下文片段等，这些逻辑可以固化为 Prompts 保存在 MCP Server 中。
图片来源：https://blog.dailydoseofds.com/p/visual-guide-to-model-context-protocol
用做饭来比喻的话，Resources 是各种未处理/预处理的食材，Tools 定义了 “菜刀”，而 Prompts 定义了偏好。当我向一个基于 LLM 扮演厨师的 Agent 提出想吃 “凉拌黄瓜” 时，Agent 基于 LLM 理解了做饭的流程，通过 Prompts 知道了成品一定要放香菜，通过 Resources 得到了老家产的黄瓜，调用了多次 Tools 切出黄瓜块。需要指出的是，与 MCP Server 的哪些资源/能力进行交互是 LLM 自己判断并选择的，因此对资源/能力的描述要准确无误。如果提供了 “黄瓜牌西红柿”，也是有可能得到 “凉拌西红柿” 的。
直观体验
如前文所述，MCP 包含 Host/Client 和 Server 两大部分，前者代表具备通用能力的 LLM 应用，后者代表了具备专项能力的外部模块。在目前这种如火如荼的氛围里，我们可以快速感受 MCP 对 LLM 在用户体验上的改善，我这里直接使用 VS Code 中的通义灵码插件进行演示。
如图所示，通义灵码（集成了 MCP Client）支持注册额外的 MCP Server 来改变智能体的行为，依次点击 “MCP 工具” —— “MCP 广场” —— “12306-MCP车票查询工具” 就可以为一个编码 Agent 安装查询 12306 车票的 MCP Server。需要注意的是，这里要将通义灵码从默认的 “智能问答” 切换到 “智能体” 模式。
安装成功后可以在 “我的服务” 里看到 “12306-mcp”，MCP 协议支持 LLM 查询服务器提供了哪些方法，LLM 会在解决相关问题时自主选择执行哪些 Tools（因此通常需要为 Tools 提供 LLM 可以理解的精准描述）。
我以 “周末想从上海去北京玩，帮我随便找几班快点的车次” 进行提问，可以看到通义灵码依次调用了四次 MCP 工具，分别查看了 “当前的时间”、“出发城市的车站代码”、“目标城市的车站代码” 以及 “出发到目的之间的车票信息”。在得到基础的信息后，LLM 可以基于已有的通用能力判断出哪班车次的速度更快并进行推荐。
更进一步，我以 “有没有哪班车还有二等座的票” 进行提问，虽然 “12306-mcp” 中没有定义哪个方法可以过滤无票的车次，但是 LLM 在获得信息后自己实现了筛选，并且延续了前文中对车次速度的要求进行了推荐。
如果询问与 MCP Server 提供的 Tools 无关的问题，LLM 也不会“迂腐” 地强行调用。
当然，我们也可以自己快速实现一个简单的 MCP Server 来体验这个过程，相关的教程在社区上非常丰富。目前实现 MCP Server 的编程语言主要是 Node.js、Python 和 Java，分别对应了前后端一体化开发、开发友好性和生产环境友好性。我这里体验了 Node.js 和 Python，个人更喜欢后者一些。下图左侧给出了一个非常简单的 MCP Server，里面定义了一个 1+1=3 的 Tool，右侧则是告诉 MCP Client 如何启动这个 Server。点击通义灵码插件右上角的用户名称，选择 “个人设置” —— “MCP 服务” —— “右上角的 ➕ 号” 即可选择手动/配置文件添加。
这个例子主要想展示 MCP Server 对 LLM 基础能力的一种 “侵入型” 表现，LLM 理解 1+1 不等于 3 但还是会选择执行对应的 Tool 并输出。生产环境因为历史遗留问题总会有一些看起来奇奇怪怪但是“不遵循就会爆炸”的规则，能够遵循这些规则本身也是生产力的一种表现。
MCP 的意义是什么
讲 MCP 肯定会提及 Function Calling，23 年 OpenAI 发布的 GPT Function Calling 也可以实现类似的功能：通过指定的格式将外部工具传给 LLM 用于扩展其能力的边界。但 Function Calling 是模型能力而非标准协议，不同供应商的 LLM 支持 Function Calling 的格式各不相同。为了适配一个外部平台同一类工作可能要重复多遍，还有隐含的调优成本，因此基于 Function Calling 的产品化成本高昂。但 MCP 通过统一协议让低成本接入成为可能，当一种成本被快速降低时，想象力的空间就会急速上升。无论是 Function Calling 还是 MCP，落脚点都是为 LLM 提供更多的业务理解。在已经初步具备与人相近理解能力的基础上，再赋予其足够多、足够广的业务能力，智能体就能脱离于个人展现出通用的生产力，我理解这才是 MCP 如此广泛被讨论的原因。
球踢到了业务同学的脚下
进一步讲，MCP 带来的既是入场券也是角斗场。不同于只有部分对口团队才能参与到提升 LLM 能力的战役中，几乎每一个业务团队都能通过 MCP 将自己暴露到构建智能体的浪潮中。如果你承认智能体是比看文档更爽快的人机交互方式，那么积极拥抱才能获得更大的生存空间，历史上的例子数不胜数。而且 MCP 的实现效果也是不一而同，当 “LLM 友好性” 被列到产品力评估的维度中时，市场格局会发生怎样的变化。
退一步讲，MCP 让 LLM “飞入寻常百姓家”。最简单的例子是业务团队可以将自己积攒多年的操作手册，值班文档，故障复盘等资源通过 MCP 提供给 LLM，提升与自己有业务往来的兄弟团队的交互体验，降低团队内部同学的负担，对新加入的同学也是友好的。当 LLM 的理解能力达到更高水平时，降本增效也是预期内的事情。
不过也不需要太过焦虑。将 MCP 带到生产环境还有很多问题需要解决：Tools 的组合调用如何更贴合业务场景，如何实现 MCP 避免 LLM 上下文爆炸，基于智能体的操作如何鉴权，MCP 协议本身的安全和性能问题等等。但没有一项技术是先完善再投入市场的，历史也总是螺旋式上升的，是否入局和团队属性息息相关，但保持关注才不会错失良机。
一键训练大模型及部署GPU共享推理服务
通过创建ACK集群Pro版，使用云原生AI套件提交模型微调训练任务与部署GPU共享推理服务。
点击阅读原文查看详情。