MCP详解:为何对智能体而言,暴露功能比固定端点更优。
什么是MCP以及为何它如此重要:模型上下文协议的客户端与服务器,它与固定API的区别,以及Figma和Render在人工智能代理方面的展现。
迟早每个开发者都会遇到MCP这三个字母。无论是Supabase、Figma,还是几乎所有的开发者工具,都会提供自己的MCP接口。人们的常见反应是点头认同,却并不真正了解这个术语的含义以及它究竟能带来什么帮助。以下是用通俗语言做出的解释。
一个简单的例子就能说明其效果。某款应用需要一个落地页,以Figma设计图作为基础。AI助手建议连接Figma的MCP服务器。一旦连接成功,无需任何人手动编写布局代码,几分钟内页面就完成了。有趣的问题是:MCP究竟是什么?为何它能改变现状?
后端系统的传统运作方式
在设计传统 API 时,其用途早已明确。客户端需要产品列表,服务就会直接提供该列表,可能是通过 SELECT * FROM products 查询,或者在涉及 ORM 时使用如 productRepository.find() 这样的方法。端点的设计围绕一个固定的用途展开,没有任何灵活性。
这就是传统 API 的特点:客户端清楚自己的需求,开发者也只需针对该需求进行有限度的开发。在编写任何一行端点代码之前,需求就已经确定。
AI 带来了什么变化
如今,不再只有人类能够使用应用程序,AI 智能体也需要使用它,这就引出了一个显而易见的问题:为何不让他们像普通客户端一样直接调用现有的 API 呢?
问题在于,API通常预设了特定的使用场景。而对于智能体而言,开发者往往无法提前确定它们想要执行什么操作。因此,MCP并非再创建一个更为僵化、功能有限的接口,而是旨在开放应用程序的更多部分,让人工智能能够探索这些部分并按需使用。
定义
MCP,即模型上下文协议,是由Anthropic推出的开放标准。它规定了诸如Claude这类人工智能应用连接外部工具、数据源和系统的通用方式。这是一种所有智能体都必须遵循的协议或规范,而非特定的产品或集成方案。任何人都可以基于此标准进行开发。
在实际应用中,它分为客户端和服务器两部分。像 Figma 或 Render 这样的应用程序或服务会提供一个 MCP 服务器,而 Claude 这类 AI 应用则充当 MCP 客户端并与其连接。服务器会声明自身提供的功能,客户端则负责发现并使用这些功能。
服务器端由几个核心组件构成:
- 智能体可以调用的工具。
- 它能够读取的资源。
- 可重复使用的提示语,这样智能体就不必自行猜测如何处理常见任务。
客户端也有自己的组成部分,称为 roots,用于界定服务器可访问的范围。任何理解 MCP 的智能体都已经掌握了这些内容,因此连接过程只需简单配置即可,无需每次都进行定制化集成。
安全优势
MCP也有助于提升安全性。虽然只是间接方式,但代理仍能访问到您的数据。服务器是唯一与数据库交互的组件,且仅具备预先定义的功能。代理无法自行执行查询或查看数据结构。它通过已构建的接口进行交互,而实际工作则由服务器代劳。这种抽象层可以按需设置得尽可能深入,因此代理几乎不会了解内部的实现细节。
所有这些都是在现有 API 之上构建的,并不会取代它们。MCP 将这些 API 包装在标准且可发现的接口中,任何 AI 智能体都能连接到该接口并理解其功能。与普通 API 的主要区别在于,无需事先规定客户端具体能做什么。更多的功能——无论是工具、资源还是数据——都会被暴露出来,智能体会根据当前情况自行决定如何使用它们。
一旦智能体连接上,它就能发现这些已暴露的功能,并据此规划完成任务的方法,因此无需为它可能执行的每一个操作都编写硬编码代码。
以 Figma 和 Claude 为例的实操演示
通过登录页的修改过程最能清晰地看出变化所在。对于界面和样式方面的工作,常规做法是通过截图来推进:先截取设计图,交给人工设计师,然后双方反复沟通,指出遗漏之处,放大细节查看,阐明设计意图。人眼能够捕捉到仅凭平面图像难以精确判断的信息。
这次的第一步有所不同。首先向人工设计师说明了目标,并询问实现该目标的最佳方法,它便提出了 Figma 的 MCP。这总体来说是个好习惯。人工智能本质上是预测引擎,其回答的质量在很大程度上取决于所接收的上下文信息。通常情况下,直接询问人工智能最佳的解决方案比局限于已知的几种方法更为有效。将人工智能的限制过多反而会浪费它的优势,尤其是在面对陌生任务时。而这次它推荐的正是 MCP。
接下来在本地搭建了 Figma MCP,并将 Claude 与之连接。完成身份验证后,设计数据即可被获取,这样 Claude 就可以直接读取真实的设计内容,无需截图。它分阶段处理设计,将任务拆解为计划并逐一执行。最终成果几乎已完成,近乎一次性实现且近乎完美。
实际上,MCP 让智能体拥有了与人相同的“眼睛”。因为智能体可以直接查看设计本身,所以无需任何人充当中间人,将设计中的内容转化为智能体能够使用的形式。
为何服务提供商应该关注
Figma 的案例涉及使用他人的服务器。这也引发了为应用程序搭建专用服务器的疑问,这样智能体及其开发者就能实现超出最初规划的功能。
用于部署应用程序的平台 Render 就有一个实例。其 MCP 服务器会暴露部署日志、CPU、内存和请求延迟等服务指标,甚至允许以只读方式访问 Postgres 数据库。通常情况下,要获取这些信息都需要登录 Render 的控制面板。而通过连接 MCP 服务器,人们可以要求智能代理构建定制的部署统计控制面板、标记异常日志的激增情况,或追踪资源使用情况的变化趋势。Render 无需预先设计这样的控制面板,也无需为此开发 API——它只需暴露底层功能,由智能代理根据需求将它们组合起来即可。
关键点就在这里。开发者可能会以为客户想要功能ABC,而实际上他们想要的是XYZ。如果只有固定的API,用户就只能使用开发者预设的功能。MCP则改变了这一状况。它不会将智能体或背后的用户限制在预先定义的功能范围内,而是明确说明应用程序能够实现的功能,将具体开发什么的决定权交给智能体,就如同Render的服务器将仪表板的设计决策权交给用户一样。
因此,用户无需使用仅有少数预设视图的仪表板,而是可以要求智能体创建完全定制化的视图,而智能体能够做到这一点,因为它清楚应用程序内部具备哪些功能。向用户传达的信息也从“应用程序可执行的固定操作列表”转变为“应用程序能够实现的功能描述”,由用户自行决定所需功能。
由于MCP是一项标准,它的应用范围远不止某个应用或某个智能体。任何支持MCP的智能体都可以使用相同的协议连接到任何提供该标准的应用程序。正因如此,它才被视为真正的变革,而非仅仅是便利功能。
思维方式的转变
MCP不仅仅是用于人工智能的API。它代表了一种思维方式的转变——从为特定的已知用例进行开发,转变为提供各种可能性,让人工智能在上下文引导下决定如何利用这些可能性。此外,这种方式还能让智能体更安全地与应用程序交互,因为它们永远无法直接访问数据库或内部结构,只能看到预先设定的界面,而实际的工作则由MCP服务器来完成。
任何正在开发可能被人工智能智能体使用的产品的团队都应了解这一界限:什么是预先定义好的,什么是可以实现的。
相关阅读
- 从开发者视角看MCP:主机、客户端、服务器与工具调用 —— 为何大型语言模型需要工具协议,MCP主机、客户端和服务器如何分工,以及一个请求如何从用户端传递到工具端再返回。
- MCP服务器详解:工具、资源、提示词以及何时需要添加网关 —— 用通俗语言讲解MCP服务器:主机、客户端和服务器如何连接,MCP与API有何不同,使用MCP能实现什么功能,以及何时需要使用网关。