MCP与LSP融合：AI Agent基础设施的标准化演进

从 MCP 到 LSP：保护 AI Agent、标准化上下文，以及 Rust 驱动基础设施的崛起

最初发布于 tamiz.pro。

AI 辅助开发的格局正在发生结构性转变。我们正从孤立的、基于提示词的交互转向互联的、协议驱动的生态系统。这一转变的核心是两个关键标准：Anthropic 的模型上下文协议（Model Context Protocol，MCP），它标准化了 AI 模型如何连接外部数据；以及长期以来标准化开发者如何与代码智能交互的语言服务器协议（Language Server Protocol，LSP）。

同时，为这些交互提供动力的基础设施层越来越多地由 Rust 主导。为什么？因为当 AI Agent 获得对文件系统、API 和数据库连接的访问权限时，传输层的安全性和性能要求变得不可商量。本文深入探讨这些技术的融合，审视 MCP 和 LSP 如何演进以支持安全、感知上下文的 AI Agent，以及为什么 Rust 正在成为构建使这一切可能的基础设施的事实标准语言。

AI 连接的演变：从提示词到协议

从历史来看，将 AI 集成到软件工程工作流中是一个脆弱的过程。开发者编写脚本来调用 OpenAI 或 Anthropic API，解析 JSON 响应，然后将其注入到 IDE 或 CI/CD 管道中。这种方法很容易出错，不安全，难以扩展。

语言服务器协议（LSP）：基础

LSP 在 2016 年由微软推出，用来解决一个具体问题：如何在不同编辑器和语言服务器中提供智能代码功能（自动补全、转到定义、重构）。通过将编辑器（客户端）和语言分析引擎（服务器）之间的通信抽象为 JSON-RPC 协议，LSP 使我们今天理所当然的丰富 IDE 体验成为可能。

LSP 证明了标准化代码和智能之间的接口比任何单一实现都更有价值。它创建了一个模块化的生态系统，其中 VS Code、Neovim 和 IntelliJ 都可以共享相同的底层语言服务器。

模型上下文协议（MCP）：新标准

MCP 由 Anthropic 在 2024 年中推出，解决的问题类似，但针对的是 AI 模型。在 MCP 之前，将 LLM 连接到外部数据源（如 PostgreSQL 数据库或 REST API）需要自定义的、临时的集成。每个集成都有自己的身份验证、错误处理和数据格式化逻辑。

MCP 标准化了这种连接。它定义了一个协议，其中：

• 主机（如 Claude Desktop 或带 AI 扩展的 VS Code）请求数据。
• 客户端（AI 应用）便于建立连接。
• 服务器（资源提供者）向模型公开数据和工具。

这个三层架构镜像了 LSP 模型，但专门为 LLM 的随机性、受限的上下文窗口本质设计。它允许模型动态发现和交互工具与资源，无需硬编码的集成。

融合：当 LSP 遇见 MCP

真正的力量在 LSP 和 MCP 融合时出现。现代 AI Agent 不仅需要生成代码；它们需要理解代码库、导航其结构，并与其运行时环境交互。

为 AI Agent 标准化上下文

AI 辅助开发中最大的挑战之一是上下文管理。LLM 的上下文窗口有限，将整个代码库提供给它们既低效又昂贵。

LSP 提供关于代码库的结构化信息：符号、类型、引用和定义。MCP 可以将这些 LSP 派生的数据作为资源或工具公开给 AI 模型。例如：

• MCP 资源：一个 file:// URI，指向特定文件，带有关于其大小和语言的元数据。
• MCP 工具：一个 find_references 工具，查询 LSP 服务器以查找符号的所有用法。

这种融合允许 AI Agent 以静态分析工具的精度运作，同时保持自然语言交互的灵活性。与其让 LLM"查找所有与身份验证相关的 bug"，不如让 Agent 查询 LSP 服务器查找所有用 @auth 修饰符标记的函数，然后让 LLM 分析这些函数内的逻辑。

安全隐患

这种集成引入了新的安全风险。如果 AI Agent 可以通过 LSP 查询代码库，并通过 MCP 执行工具，它实际上对开发环境拥有读/写访问权限。

• 特权提升：MCP 服务器可能公开删除文件或重启服务的工具。如果 LLM 误解了提示词，它可能执行破坏性操作。
• 数据外泄：MCP 服务器可能公开敏感配置文件或数据库架构。如果 LLM 被妥协，这些数据可能被泄露。
• 供应链攻击：恶意的 MCP 服务器可能像 npm 包一样被打包和分发，将有害工具注入 AI 工作流。

Rust 驱动基础设施的崛起

为了缓解这些风险并处理 AI Agent 的高吞吐量、低延迟要求，基础设施层越来越多地用 Rust 构建。Rust 提供了几个优势，使其成为这个角色的理想选择：

1. 内存安全和性能

AI Agent 经常处理大量数据（代码库、日志、指标），必须快速处理它们。Rust 的所有权模型在没有垃圾收集器的情况下确保内存安全，导致可预测的性能和降低的延迟。这对 IDE 中的实时 AI 交互至关重要。

2. 设计安全性

Rust 的类型系统防止了缓冲区溢出和数据竞争等常见漏洞。在构建与敏感系统交互的 MCP 服务器或 LSP 客户端时，Rust 提供的基础比 Python 或 JavaScript 更安全，这两种语言更容易出现运行时错误和安全漏洞。

3. WebAssembly 兼容性

Rust 可以轻松编译为 WebAssembly（Wasm），允许 AI 基础设施在基于浏览器的环境或沙箱容器中安全运行。这对于在不可信环境中运行 MCP 服务器至关重要。

4. 生态系统成熟

Rust 生态系统已大幅成熟，拥有 tower（用于异步服务）、serde（用于序列化）和 tokio（用于并发）等库。这些库使得构建强大的、高性能的 MCP 和 LSP 服务器变得直接了当。

在 Rust 中构建一个安全的 MCP 服务器

让我们看一个实际例子，说明如何使用 Rust 构建一个安全的 MCP 服务器。我们将使用 mcp-rs 库（假设的，基于当前趋势）来创建一个服务器，该服务器公开一个从本地代码库读取代码片段的工具。

先决条件：

• Cargo 包管理器
• 对异步 Rust 的基本理解

步骤 1：初始化项目

cargo new mcp-code-server
cd mcp-code-server

步骤 2：添加依赖项

将必要的依赖项添加到你的 Cargo.toml：

[dependencies]
mcp = "0.1.0" # Hypothetical MCP library for Rust
tokio = { version = "1.0", features = ["full"] }
serde = { version = "1.0", features = ["derive"] }
serde_json = "1.0"
tracing = "0.1"

步骤 3：实现 MCP 服务器

use mcp::{Server, Tool, Resource};
use serde_json::json;
use std::fs;

#[tokio::main]
async fn main() -> Result<(), Box<dyn std::error::Error>> {
    // Initialize the MCP server
    let mut server = Server::new("code-server", "0.1.0");

    // Define a secure tool to read code snippets
    let read_code_tool = Tool::new(
        "read_code",
        "Reads a code snippet from a specified file path",
        json!({
            "type": "object",
            "properties": {
                "path": {
                    "type": "string",
                    "description": "The absolute path to the code file"
                }
            },
            "required": ["path"]
        }),
        |args| async move {
            let path = args["path"].as_str().unwrap();

            // Security Check: Ensure the path is within the allowed directory
            let allowed_dir = std::env::current_dir()?.canonicalize()?;
            let resolved_path = std::path::Path::new(path).canonicalize()?;

            if !resolved_path.starts_with(&allowed_dir) {
                return Err("Access denied: Path outside allowed directory".into());
            }

            // Read the file content
            let content = fs::read_to_string(&resolved_path)?;
            Ok(json!({
                "content": content,
                "path": path
            }))
        }
    );

    // Register the tool
    server.register_tool(read_code_tool);

    // Start the server
    server.run().await?;
    Ok(())
}

运行：

cargo run

这个服务器公开了一个 read_code 工具，允许 AI 模型读取代码文件，但带有一个关键的安全限制：它只允许访问当前目录内的文件。这防止了路径遍历攻击，并限制了 AI 访问的范围。

保护 AI Agent 基础设施的最佳实践

当你将 MCP 和 LSP 集成到开发工作流中时，考虑这些最佳实践：

• 最小权限原则：仅向 AI Agent 授予其需要的资源访问权限。为 MCP 服务器使用沙箱环境。
• 审计日志：为所有 MCP 和 LSP 交互实现全面的日志记录。这有助于检测异常活动和调试问题。
• 输入验证：严格验证来自 AI 模型的所有输入。永远不要盲目信任 LLM 输出。
• 速率限制：通过限制 AI Agent 对 MCP 服务器的请求数量来防止滥用。
• 定期更新：保持你的 MCP 和 LSP 库最新，以受益于安全补丁和性能改进。

AI 驱动开发的未来

MCP、LSP 和 Rust 的融合只是开始。我们可以期待看到：

• 跨 IDE 的 AI Agent：通过利用标准化协议，无缝跨 VS Code、IntelliJ 和 Neovim 工作的 AI Agent。
• 企业级安全：MCP 服务器内置的安全功能，如 OAuth2 身份验证和基于角色的访问控制（RBAC）。
• 性能优化：基于 Rust 的 MCP 服务器，能够每秒处理数百万请求，在规模上启用实时 AI 辅助。

常见问题

MCP 与现有的 LSP 服务器兼容吗？

是的，MCP 设计为与 LSP 可互操作。MCP 服务器可以查询 LSP 服务器获取代码智能，LSP 客户端可以使用 MCP 工具获取 AI 驱动的功能。这种集成通过标准化的 JSON-RPC 消息便于进行。

为什么相对于 Python，Rust 更受青睐来构建 MCP 服务器？

Rust 提供更好的性能、内存安全和并发处理，这对于高吞吐量、低延迟的 AI 交互至关重要。虽然 Python 在 AI 模型开发中很受欢迎，但 Rust 更适合为这些模型提供动力的基础设施层。

我如何保护我的 MCP 服务器免受恶意提示词的影响？

实现严格的输入验证，沙箱化服务器环境，并限制对 AI 模型公开的工具和资源。定期审计日志中的异常活动，并使用速率限制来防止滥用。

如需更多关于构建安全 AI 基础设施的见解，请查阅 Tamiz 的 Insights，了解开发者工具和 AI 的最新趋势。

如需进一步操作，你可以考虑屏蔽此人和/或举报滥用。