MCP 初学者完全指南

MCP 初学者完全指南 | 前端进阶之旅

Full translation

完整中文译文

MCP 的基础知识

Anthropic 在 2024 年 11 月为其 Claude AI 创建的 MCP（Model Context Protocol，模型上下文协议）已经风靡整个 AI 领域。从 OpenAI 和 Neon，到 Cloudflare 和 Sentry，每家公司都在尝试构建自己的 MCP Server。让我们深入了解一下 MCP 或模型上下文协议的快速概览。

模型（MODEL）：指大语言模型或 AI 模型

上下文（CONTEXT）：提供给 AI 模型的数据或相关信息

协议（PROTOCOL）：一套规则或标准

因此，MCP 成为了一套标准，我们用它来向大语言模型提供上下文或相关信息。Anthropic 将其比作 AI 模型的 USB-C 接口——一种通用的连接和交互方式。

还记得我们曾经用过的各种不同充电器和数据线的混乱状况吗？USB-C 简化了所有这些。一个接口连接几乎所有东西——电源、数据、显示器等等。这是一个通用标准。

MCP 的目标是为 AI 做同样的事情。与其让每个 AI 工具都需要一种独特的、定制的连接方式来连接每个单一数据源（想象一下试图将 10 个不同的 AI 模型连接到 20 个不同的工具——那就是 200 个定制集成！），MCP 为它们创建了一种标准的对话方式。这将"M × N"问题转化为更简单的"M + N"设置。

MCP 的架构组件

Host（主机）：通常是你的 AI 应用程序，比如 IDE（想象 Zed、VS Code 或 Cursor）或桌面 AI 应用程序（如 Claude Desktop）。Host 是管理器，监督一切。

MCP Clients（MCP 客户端）：在 Host 内部，你有 Clients。可以把它们看作专用的通信线路。每个 Client 连接到一个特定的 MCP Server。

MCP Servers（MCP 服务器）：这些是网关。服务器位于特定数据源之前，例如你公司的文档驱动、代码仓库、数据库，或像网络搜索函数这样的工具。它知道如何与该特定系统交互，并使用 MCP 规则暴露其功能。

这些组件使用 JSON-RPC 2.0 进行通信，这只是一种使用 JSON 来回发送消息的结构化方式。这确保了无论 Client 或 Server 由谁构建，通信都清晰一致。

它们可以交换什么样的"上下文"？

MCP 使用三个主要构建块（称为"原语"）标准化了往返传递的内容：

Resources（资源）：这是 Server 可以提供给 AI 的结构化数据。想象代码片段、文档的一部分或数据库结果——任何能提供事实背景的东西。通常，应用程序控制何时提供资源。

Prompts（提示词）：这些是 Server 可以提供的预制指令或模板。想象拥有用于总结文本或以特定风格生成代码的保存提示词。通常，用户选择何时使用这些。

Tools（工具）：这些是 AI 可以要求 Server 执行的实际操作（通常需要你的批准！）。这些包括查询数据库、搜索网络，甚至发送电子邮件。AI 模型通常决定何时需要一个工具。

通过标准化这些，任何使用 MCP 的 AI 都可以理解如何通过任何兼容的 MCP Server 请求数据（Resources）、使用预设指令（Prompts）或执行操作（Tools）。

本地设置与云访问：本地和远程服务器

现在，这些 MCP Servers 在哪里运行？有两种方式：

Local MCP Servers（本地 MCP 服务器）：这些在你的计算机上运行，通常与 Host 应用程序（如你的 IDE）一起。你可能自己设置它们，给它们一个 API 密钥，它们会直接从你机器上的 Client 监听请求。它们通常使用直接通信管道（stdio——标准输入/输出）。非常适合本地工作的开发人员。

Remote MCP Servers（远程 MCP 服务器）：这些存在于云中。你通常在线连接到它们，通常使用安全的登录方法，比如 OAuth。它们使用网络协议进行通信（SSE/HTTP——Server-Sent Events 和标准网络请求）。

为什么要用 Remote？最终用户不需要设置——只需登录！它们很容易更新，更重要的是，它们允许基于网络的 AI agent 访问工具和数据，而不仅仅是本地桌面应用程序。

Vercel 和 Cloudflare 提供远程或基于服务器的 MCPs 的托管，使部署和根据需要进行更改变得更容易。

通信通道：传输类型

Client 和 Server 之间的消息实际上是如何传输的？这就是"传输层"。MCP 在这里很灵活（传输无关），但两种常见方式与我们的本地与远程概念相关：

Standard Input/Output（标准输入/输出，stdio）：完美适合本地服务器。消息在运行在同一机器上的 Client 和 Server 进程之间直接传递。简单、直接、无需网络。

Server-Sent Events（SSE）/ HTTP：远程服务器的首选。Server 使用高效的 SSE 流式传输向 Client 发送消息，Client 使用标准 HTTP 请求向 Server 发送消息。可以跨互联网和防火墙工作。

因此，MCP 定义了"什么"（原语）和"如何"（JSON-RPC 结构），而传输层提供了路径（本地的 stdio，远程的 SSE/HTTP）。

安全性考量

Model Context Protocol（MCP）虽然对 AI agent 互操作性很有前景，但存在重大安全挑战，用户和开发人员必须主动解决，因为它在默认情况下缺乏强大的安全治理。

缺乏固有安全性：MCP 本身不强制执行严格的安全措施。责任主要落在实现者身上，需要在其周围构建安全层。

Tool Poisoning（工具投毒）：恶意行为者可以通过工具描述或提供给 AI 的上下文数据注入有害指令或命令。在没有适当验证和清理的情况下，AI 可能会无意识地执行这些指令。

将敏感数据提供给另一个工具：这是一个重大风险，当 AI 助手可以访问多个工具时。一个恶意的或被破坏的工具可能会欺骗 AI 使用另一个权限更高的工具的权限，以便在没有适当授权或用户意识的情况下访问或窃取敏感数据。

Local Servers（本地服务器）：风险很高，因为它们通常以用户级权限运行，授予对本地文件、网络和系统资源的访问权限。它们很难有效地沙箱隔离，类似于运行不受信任的桌面应用程序的风险。

Remote Servers（远程服务器）：引入基于网络的攻击向量（如中间人攻击）、数据窃取的担忧，以及与安全认证、授权和 API 密钥管理相关的挑战。

解决这些风险需要深思熟虑的策略，比如将每个工具视为具有最小必要权限的不同安全边界。以及为远程服务器实现 OAuth 等健壮控制，并为本地服务器遵循最小权限原则。

虽然 MCP 是一个强大而稳健的基础协议，但它不应该被认为在"开箱即用"时是安全的。开发人员和用户必须保持警惕，并实施综合安全措施来降低固有风险。

Claude Skills 与 MCP 的对比

Claude Skills 是可重用的、任务特定的能力，为 Claude 提供结构化、程序化的知识来完成定义的工作流。

Claude Skills 不仅仅依赖于一般推理，而是为如何执行特定任务（如资格认证潜在客户、生成结构化报告、对支持工单进行分类或执行多步骤流程）提供分步指令、最佳实践和背景。例如，你可以为市场营销工作流构建 Claude Skills，以自动化诸如潜在客户资格认证、性能报告或内容分发之类的事情。

MCP 处理外部连接，将 Claude 与第三方服务和数据源链接。Skills 封装了程序逻辑，定义了如何执行特定任务或工作流。

MCP 的一些使用案例

IDEs 中更智能的编码助手：MCP 允许集成开发环境（IDEs）中的 AI 编码助手直接连接到你的特定代码库、文档和相关工具。

超上下文企业聊天机器人：企业可以构建能够安全地使用内部知识库的助手，而不是通用聊天机器人。

更强大的 AI 助手：AI 应用程序可以使用 MCP 来安全地与你计算机上的本地文件、应用程序和服务交互。

总结

MCP 为连接 AI 模型到数据和工具的世界创建了一种通用语言和即插即用标准。通过简化这些连接、确保它们安全，并标准化信息交换的方式，它为跨桌面、IDEs 和网络的更智能、更强大、真正有益的 AI 助手铺平了道路。

准备好开始了吗？

规模化你的集成战略，以创纪录的速度交付客户需要的集成。