大数跨境

模型上下文协议:开发者入门

模型上下文协议:开发者入门 云云众生s
2025-05-17
0
导读:爆!AI Agent集成新范式!一文读懂[Anthropic](https://www.anthropic.com/)力推的[模型上下文协议](https://modelcontextprotocol

 

爆!AI Agent集成新范式!一文读懂Anthropic[1]力推的模型上下文协议[2] (MCP)。它通过JSON-RPC[3] over HTTP,简化LLM与外部工具、数据源交互。支持LangChain[4]、OpenAI Agent SDK[5]等,解锁Agent新姿势!

译自:Model Context Protocol: A Primer for the Developers[6]

作者:Janakiram MSV

模型上下文协议[7] (MCP) 正逐渐成为将外部资源集成到自主工作流[8]中的黄金标准。虽然开发者可以使用特定于大型语言模型 (LLM) 的机制来集成工具,但 MCP 正迅速成为集成的 REST 等效项。

本系列向 Python 开发者介绍 MCP 的基本原理及其架构。我将从 MCP 的动机和高级架构开始,然后详细介绍服务器和客户端的实践实现。

什么是模型上下文协议?

Anthropic 于 2024 年 11 月宣布[9]的 MCP 是一种开放标准[10],旨在简化 AI 模型[11]与外部工具、数据源和资源交互的方式。

Anthropic 将 MCP 引入作为 LLM 的通用工具连接器。它将其比作 USB-C 标准化硬件连接的方式,允许开发者通过单个协议将任何工具或数据源与其 AI 应用程序集成。通过采用与语言无关的方法并为 Python、TypeScript、Java、Kotlin 和 C# 提供 SDK,MCP 消除了对自定义的一次性集成的需求。

MCP 通过两个主要组件运行:服务器,用于公开工具、资源和提示;客户端,用于将 AI 模型连接到这些服务器。通信通过 HTTP 上的 JSON-RPC[12] 处理,支持同步和异步工作流。安全性是不可或缺的,通过显式权限和本地优先设计确保隐私。MCP 已经得到主要 AI 平台的支持,并促进了快速的生态系统增长,使其成为构建强大的、具有上下文感知能力的 AI Agent 的基础技术。

LangChain[13]、OpenAI Agent SDK[14]、Google Agent Developer Kit[15] 和 Microsoft Copilot Studio[16] 是原生支持 MCP 的一些框架和平台。

深入了解 MCP 服务器和 MCP 客户端

自主工作流[17]需要两个基本要素才能自主运行:最新的数据和对现有系统的访问。数据作为上下文提供给 LLM,以提供事实信息,这有助于 LLM 做出决策。一旦做出采取行动的决定,它们就需要对系统的编程访问,这些系统通常作为 API 公开,并作为工具提供。
有趣的是,MCP 服务器和客户端可以在没有任何 LLM 依赖项的情况下运行。当客户端与 LLM 集成时,它构成了自主工作流的基础。

在 MCP 架构中,服务器抽象了对数据和工具的访问。例如,数据库可以作为资源成为 MCP 服务器的一部分。客户端具有对此资源的只读访问权限以获取数据。资源还支持参数以应用过滤器或限制与客户端共享的数据。例如,员工工资单信息是资源的理想选择。

此外,MCP 服务器还公开了工具,使客户端能够执行超出获取数据的操作。虽然资源支持只读访问,但工具支持调用操作数据或采取行动的 API。例如,调用 Stripe API 以完成支付交易是工具的绝佳选择。

除了资源和工具之外,MCP 服务器还可以充当预定义提示的中心。客户端可以检索这些提示并将它们发送到 LLM。这实现了一致且标准的提示存储库。

可以查询 MCP 服务器以检索它们公开的资源、工具和提示的列表。这充当基本的发现机制。总而言之,MCP 服务器可以向客户端公开资源、工具和提示。客户端做什么取决于开发者的想象力。

MCP 客户端位于宿主应用程序、聊天机器人或 Agent 中。宿主应用程序的典型示例是 Claude Desktop[18] 和 Cursor AI[19]。开发者可以使用与一个或多个 MCP 服务器交互的多个客户端创建一个自主应用程序。
我们可以创建一个不与 LLM 通信的 MCP 客户端。但是,该客户端可以成为 LLM 访问 MCP 服务器的强大管道。

在典型的工作流程中,主机应用程序(例如,聊天机器人或代理)连接到 MCP 服务器,检索可用的资源和工具,并以预期的格式将其传递给 LLM。

基于提示,LLM 可能会返回到主机以访问资源或通过 MCP 客户端调用工具。大多数代理框架(例如 OpenAI Agents SDK 和 Google ADK)通过使 LLM 和主机应用程序之间的往返过程透明化来抽象此功能。

MCP 服务器和 MCP 客户端之间的通信

MCP 架构最关键的方面是通信协议。MCP 服务器支持两种传输协议:STDI[20]O[21] 和 SSE[22]。

第一种选择很简单,对许多开发人员来说是显而易见的。想象一下,通过传递几个参数来调用命令行工具,并将输出复制并粘贴到聊天机器人窗口中作为提示的一部分。

当使用 STDIO 作为传输协议时,MCP 客户端直接调用 MCP 服务器并传递所需的参数。然后,它捕获从服务器输出的内容(写入到控制台),并将其传递给主机应用程序。

在这种情况下,客户端和服务器共享同一个进程。服务器将简单地执行命令并立即退出。每次客户端调用服务器时,都会重复此过程。从本质上讲,客户端和服务器在进程内运行,不涉及任何远程调用或 RPC。当客户端和服务器位于同一台机器上,并且由于长时间运行的进程而没有延迟时,这种方式效果最佳。最重要的是,当使用 STDIO 传输时,MCP 服务器和客户端共享 1:1 连接。

MCP 支持的第二种传输协议是服务器发送事件 (SSE)。它使服务器能够通过单个、长期的 HTTP 连接将实时更新推送到客户端。一旦客户端启动连接,服务器就会在事件发生时流式传输数据,从而无需重复轮询。这种方法对于诸如实时新闻提要或通知之类的应用程序特别有效,在这些应用程序中,更新主要从服务器流向客户端。

与 REST 相比,SSE 提供了更低的延迟和更高的效率,因为 REST 需要客户端重复轮询服务器以获取新数据,从而增加了开销和延迟。SSE 还提供自动重新连接,并且可以与大多数防火墙无缝协作,从而使其在实时场景中更加强大。

MCP 使用 SSE 而不是 WebSockets[23] 进行远程通信,主要是因为 SSE 为只需要服务器到客户端流式传输的场景提供了更简单、更强大的解决方案。SSE 通过标准 HTTP 运行,从而更易于与防火墙和受限网络配合使用。它还允许服务器将实时更新推送到客户端,而无需管理全双工 WebSocket 连接的复杂性。

在 MCP 中,客户端到服务器的通信通过 HTTP POST 请求处理,而 SSE 处理从服务器到客户端的流式更新,这与 AI 工具和资源通知的典型交互模式相匹配。与双向且通常更复杂的 WebSocket 协议相比,这种方法减少了开销,简化了实现,并提高了与现有基础架构的兼容性。

虽然 SSE 是通信技术,但 JSON-RPC 是 MCP 使用的有线协议。JSON-RPC 是一种轻量级、无状态协议,专为远程过程调用而设计,非常适合 AI 工作流程中所需的快速、动态交换。

在 MCP 中,每个交互(例如,调用工具、获取数据或列出可用功能)都编码为 JSON-RPC 消息,其中包括方法名称、参数和用于跟踪响应的标识符。这种方法允许 MCP 客户端和服务器无缝通信,而不管其底层实现语言如何,并确保所有请求、响应和通知都遵循可预测的、可互操作的格式。通过构建在 JSON-RPC 之上,MCP 简化了集成,支持错误处理,并允许开发人员创建灵活的、可组合的代理工作流程,这些工作流程可以与各种外部工具和资源进行交互。

与 STDIO 传输协议不同,SSE 可以支持由单个 MCP 服务器同时服务的多个客户端。当 MCP 服务器远程托管在平台即服务 (PaaS) 和无服务器运行时等环境中时,这非常有用。

引用链接

[1] Anthropic:https://www.anthropic.com/
[2]模型上下文协议:https://modelcontextprotocol.io/
[3]JSON-RPC:https://www.jsonrpc.org/
[4]LangChain:https://github.com/langchain-ai/langchain-mcp-adapters
[5]OpenAI Agent SDK:https://openai.github.io/openai-agents-python/mcp/
[6]Model Context Protocol: A Primer for the Developers:https://thenewstack.io/model-context-protocol-a-primer-for-the-developers/
[7]模型上下文协议:https://modelcontextprotocol.io/introduction
[8]自主工作流:https://thenewstack.io/agentic-ai-is-the-next-frontier-in-enterprise-operations/
[9]宣布:https://www.anthropic.com/news/model-context-protocol
[10]开放标准:https://thenewstack.io/mcp-the-missing-link-between-ai-agents-and-apis/
[11]简化 AI 模型:https://thenewstack.io/model-context-protocol-bridges-llms-to-the-apps-they-need/
[12]JSON-RPC:https://www.jsonrpc.org/
[13]LangChain:https://github.com/langchain-ai/langchain-mcp-adapters
[14]OpenAI Agent SDK:https://openai.github.io/openai-agents-python/mcp/
[15]Google Agent Developer Kit:https://google.github.io/adk-docs/tools/mcp-tools/
[16]Microsoft Copilot Studio:https://www.microsoft.com/en-us/microsoft-copilot/blog/copilot-studio/introducing-model-context-protocol-mcp-in-copilot-studio-simplified-integration-with-ai-apps-and-agents/
[17]自主工作流:https://thenewstack.io/agentic-ai-is-the-new-web-app-and-your-ai-strategy-must-evolve/
[18]Claude Desktop:https://claude.ai/download
[19]Cursor AI:https://www.cursor.com/
[20]STDI:https://mcp-framework.com/docs/Transports/stdio-transport/
[21]O:https://mcp-framework.com/docs/Transports/stdio-transport/
[22]SSE:https://mcp-framework.com/docs/Transports/sse
[23]WebSockets:https://thenewstack.io/the-challenge-of-scaling-websockets/

 

【声明】内容源于网络
0
0
云云众生s
1234
内容 1363
粉丝 0
云云众生s 1234
总阅读0
粉丝0
内容1.4k