1. 背景
一句话理解：从“每个 Agent 手写工具调用”到“标准化协议”，MCP 解决了工具发现、跨模型复用与供应商锁定问题。
为什么需要 MCP？
大模型应用的发展大致经历了三个阶段：
text
Prompt Engineering → RAG → Agent → Agent Ecosystem- Prompt Engineering：模型只负责生成文本。
- RAG：模型基于检索结果回答。
- Agent：模型自主调用工具、分解任务、多轮迭代。
- Agent Ecosystem：大量 Agent、工具、数据源需要互操作。
当进入 Agent Ecosystem 阶段后，每个 Agent 都手写工具集成，会带来几个问题：
- 重复集成：每个 Agent 都要为同一个数据库/API/文件系统写一遍封装。
- 发现困难：Agent 不知道当前环境有哪些可用工具，只能硬编码。
- 跨模型复用差：OpenAI 的 function schema、Claude 的 tool use、Gemini 的 function calling 格式略有不同。
- 供应商锁定：工具实现与某个框架或模型供应商深度绑定，迁移成本高。
- 权限与审计分散：每个 Agent 自己管认证、限流、日志，安全策略难以统一。
MCP 想要做的，就是给这些外部能力定义一个统一的“接口形状”，让能力提供方（Server）和能力消费方（Client/Host）解耦。
从 Function Calling 到 MCP
- Function Calling：模型直接输出 JSON 调用请求，由应用层解析执行。最灵活，但发现、注册、复用都靠手写。
- MCP：在 Function Calling 之上增加标准化的发现、协商、调用、通知协议，Server 可以独立进程/服务运行。
- Skills：更工程化的能力封装，把 auth、telemetry、sandbox 打包，可直接在 Runtime 内复用。可以看作 MCP 在 Runtime 内的“轻量本地化”形态。
MCP 没有替代 Function Calling，而是把 Function Calling 的发现与调用过程标准化。
MCP 与相关概念的区别
| 概念 | 核心问题 | 与 MCP 的关系 |
|---|---|---|
| REST / OpenAPI | 人类/程序如何调用 HTTP API | MCP Server 内部可以用 REST 实现，但 MCP 关注“模型视角”的能力发现与调用 |
| A2A（Agent-to-Agent） | Agent 之间如何协作通信 | A2A 解决多 Agent 协作，MCP 解决 Agent 与外部能力连接；两者互补 |
| Skills | Runtime 内如何封装能力单元 | Skills 可在 Runtime 内原生运行，MCP 强调跨进程/跨服务的协议互操作 |
| Function Calling | 模型如何表达工具调用 | MCP 复用 function calling 的 JSON schema 思想，并扩展了发现与生命周期 |
| LLM Gateway | 多模型统一接入 | Gateway 在模型侧，MCP 在工具/资源侧，两者可在 Agent 架构中并存 |
| Agent Runtime | Agent 如何执行 | Runtime 可通过 MCP Client 接入 Server，也可直接 function calling |
一句话：MCP 是模型视角的“能力 USB-C”，不是替代 REST 或 Function Calling，而是让它们对模型更可发现、可复用。
MCP 解决的关键问题
- 标准化发现：Server 启动后通过
tools/list、resources/list、prompts/list告诉 Client 自己能做什么。 - 动态协商：Client 与 Server 在
initialize阶段交换 capability，双方只启用都支持的能力。 - 解耦实现：Server 可以是本地 Python 脚本、Docker 容器、远程 HTTP 服务，Client 不感知实现细节。
- 跨 Host 复用：同一个 Server 可以被 Claude Desktop、Cursor、Cline、OpenAI Agents SDK 同时使用。
- 安全集中：Host 掌握最终决策权，决定哪些 Server 能运行、哪些 Tool 能调用、哪些 Resource 能读取。
主流生态
| 产品/项目 | MCP 角色 | 说明 |
|---|---|---|
| Claude Desktop / Claude Code | Host | 官方 Host，支持通过配置文件添加 MCP Server |
| Cursor | Host | IDE 内置 MCP，可直接调用文件、数据库、搜索等 Server |
| Cline | Host | VS Code 插件，支持 MCP Server 扩展 |
| OpenAI Agents SDK | Client/Host | 通过 MCPServerStdio / MCPServerSse 接入 MCP Server |
| modelcontextprotocol/servers | Server 集合 | 官方参考 Server：filesystem、fetch、sqlite、postgres 等 |
| python-sdk / typescript-sdk | SDK | 官方提供的 Server/Client 开发包 |
为什么现在 MCP 变得重要？
- Agent 数量爆炸：每个业务线都在做 Agent，工具集成不能重复造轮子。
- 模型供应商多样化：企业同时使用 Claude、OpenAI、Gemini、自研模型，需要跨模型复用工具。
- 安全与治理需求：工具调用涉及数据访问、代码执行、外部 API，需要统一的认证、审计、审批。
- 生态成熟度：Anthropic 开源 MCP 后，官方 SDK、参考 Server、主流 IDE 快速跟进，生态已经越过“概念验证”阶段。
本章小结
MCP 的产生是 Agent 生态演进的必然结果：当外部能力（文件、数据库、API、提示模板）越来越多、Agent 越来越普及时，就必须有一个开放协议来统一能力的声明、发现与调用。它不是替代 Function Calling 或 REST，而是站在模型视角，把“每个 Agent 自己写工具集成”变成“一次实现、到处复用”。
参考来源