MCP：可以从四个方面理解。

在过去，AI Agent只能依赖预训练的数据，缺乏与实时外部资源（如文件、数据库、工具等）互动的能力。

MCP的定义一套通用规则，让AI智能体能够连接到外部资源，提升响应的准确性和实用性。

MCP（Model Context Protocol，模型上下文协议）是由Anthropic公司在推出的一项技术协议。这个协议是为了解决AI Agent、LLM、用户与外部数据、工具之间交互的问题。

Anthropic将MCP设计为一个开放标准，并提供了文档、SDK和示例服务器，供开发者自由使用。这是一个标准的方法，每个人都可以借助这种标准方法，快速实现自己的Agent任务意图。

1. MCP协议有何价值？

作为一种数据交换的规范，它有以下几个方面的价值。

• 连接标准：MCP是基于JSON-RPC 2.0的通信协议。这为AI Agent与外部资源建立起统一连接标准，将AI与工具、数据源解耦，使Agent能以统一方式访问数据库、文件、API等。

• 上下文感知：能为Agent提供丰富上下文信息，将本地或云端数据以统一格式提供给AI，帮助Agent更好地理解任务背景和环境，使回复更准确、相关。

• 简化调用流程：Agent执行任务需调用各种工具，MCP服务器可提供工具及执行环境，Agent通过MCP客户端查询、调用。

• 提升开发效率：开发者利用MCP可快速构建Agent应用，无需为每个数据源和工具编写定制代码，降低开发成本和难度，加快开发速度，且更新或维护时更便捷。

• 促进协作互操作性：在多Agent系统中，MCP为Agent间通信和协作提供标准方式，使它们能共享数据、协同工作，提高任务处理能力和效率。

2. MCP依赖LLM哪些能力？

MCP（Model Context Protocol）协议的价值，依赖于LLM（大型语言模型）的多种能力，同时MCP也会从多方面影响LLM的工作。

若要MCP能够发挥作用，LLM需准确理解MCP提供的各种上下文信息及任务指令，生成符合语法、语义连贯且有实际价值的回复，以实现MCP连接与交互的意义。

MCP可能会整合文本、图像、音频等多模态数据，LLM需具备处理多模态信息的能力，才能充分利用MCP提供的丰富数据，释放其价值。

此外，基于MCP提供的上下文和任务要求，LLM要快速推理并做出合理决策，为用户提供及时准确的结果。

MCP会带来不同领域、来源的知识，LLM需将这些知识与自身知识体系融合，并能根据新数据更新知识，以保证输出的准确性和时效性。

说白了，目前mcp还是claude的“私生子”。其他LLM本体不支持（不敏感），mcp的价值也很有局限性。

3. MCP是如何影响LLM工作的？

MCP为LLM提供更丰富、准确、有针对性的上下文数据，作为输入，能帮助LLM更好地理解任务背景和用户意图，使生成的结果更符合需求。

MCP通过协议规范和任务描述，引导LLM在推理过程中关注关键信息，沿着符合业务逻辑的方向进行推理，提高推理效率和准确性。

借助MCP，LLM能连接到更多外部资源和工具，从而拓展到更多应用场景，如智能医疗诊断、金融风险评估等，在不同领域发挥作用。

MCP规范了LLM与外部的交互方式，使LLM在与用户或其他系统交互时更流畅、高效，提升用户体验，促进LLM在实际应用中的推广。

4. MCP与LLM协同的工作机制是什么？

MCP（Model Context Protocol）影响LLM（大型语言模型）的具体机制如下：

在数据方面，MCP会从各种数据源筛选并整合数据，将其整理成适合LLM输入的格式，比如将结构化和非结构化数据转换为文本序列，去除噪声和冗余信息，为LLM提供清晰、有价值的输入。

此外，MCP可为输入数据添加元数据，如数据来源、时间戳等，帮助LLM理解数据的背景和重要性，在处理信息时给予不同的权重。

在任务引导方面，MCP将任务指令以特定的格式嵌入到LLM输入中，使LLM明确任务目标，如在文本生成中指定生成风格、主题等，引导LLM朝着期望的方向生成内容。

MCP也通过提供上下文信息，构建出任务的场景和背景，让LLM在理解任务时有更丰富的参考，例如在对话场景中提供前文对话内容，使LLM的回复更具连贯性和针对性。

从交互角度来看，MCP在调用外部工具后，将工具的输出结果反馈给LLM，作为补充信息供LLM进一步整合，如调用知识库获取相关知识后，将结果传递给LLM，辅助其推理和回答。

在多轮交互中，MCP也会协调LLM与用户或其他系统的交互过程，记录交互历史和状态，确保LLM在每一轮的回复都能基于完整的交互信息，保持交互的流畅性和一致性。

此外，MCP可以根据任务的预期结果和实际输出，为LLM提供监督信号，用于模型的训练和优化，如标记正确和错误的输出，让LLM学习如何更准确地生成结果。

MCP可根据LLM在不同任务和数据上的表现，动态调整输入数据和任务设置，使LLM能自适应不同的应用场景和用户需求，提高模型的泛化能力和性能。

编者：

MCP，是个阳谋，这场麻将牌四缺二，已经有了claude和Cursor开发者，已经赢了小半场。 如果再来一家llm下场，这个局面就相当有趣了。

协议=生态，这是个没有硝烟的战场，是决胜千里的战斗。如果中国几个大厂能够联手，做个open mcp啥的，就好玩儿了，这需要胸怀，需要放下短期商业利益的决心

** 扩展阅读 **

AI推理的反馈对于用户心理影响

AI Agent与传统软件产品到底有哪些不同？

有6种提示语，让你的AI对话飞起来

AI大模型反映了什么？

DeepSeek万能提问公式大揭秘

“DeepSeek什么是你不擅长的？”

大模型的局限性六个方面

最新！山姆·奥特曼的三个观察

---

原文链接：https://mp.weixin.qq.com/s/0ItKOtYqXQ4XJCPsFdF3FA

来源：DeepSeek