一、引言：模型与世界的”巴别塔”#

大模型的短板从来不是”会说话”，而是”够不着世界”。它想查数据库、发邮件、操作浏览器、读写文件——每个能力背后都是一套不同的 API、不同的鉴权方式、不同的数据结构。开发者想让 AI 帮手干活，就得为每一条外部能力写一遍定制集成：连 Slack 写一份 Slack 集成，连 GitHub 再写一份 GitHub 集成，换个模型全得重来。

这就是 N×M 问题：N 个 AI 应用、M 个外部工具，传统做法需要 N×M 条定制连接。每加一个模型或一个工具，连接数就涨一大截，代码重复、维护爆炸、生态割裂。

Anthropic 的解法很直白：与其每家各拉各的线，不如定一个公共插座。2024 年 11 月 25 日，MCP 以开源协议的形式发布（MIT 许可），定义了一整套”AI 应用 ↔ 外部工具/数据源”的标准通信方式。工具侧只需实现一次 MCP server，任何支持 MCP 的 AI 应用都能即插即用；应用侧只需实现一次 MCP client，就能连上所有 MCP server。N×M 次定制，被压缩成 N+M 次实现。

二、架构拆解：三个角色、三类原语#

MCP 采用典型的客户端-服务器架构，但多了一个明确的”宿主”概念，命名一度让人犯晕，拆开看其实很清爽：

• MCP Host（主机）：你正对着的 AI 应用本身，比如 Claude Desktop、Cursor IDE、任何自定义 Agent。它负责跑模型、管理会话、向用户展示结果。
• MCP Client（客户端）：跑在 Host 内部的”翻译官”，每个 Client 与一个 MCP Server 保持 1<1> 连接。你的 Agent 想连 Gmail、Slack、GitHub 三个服务，Host 里就跑三个 Client。
• MCP Server（服务器）：一个轻量进程，把某个外部服务包装成 MCP 能懂的接口。有 Gmail server、GitHub server、PostgreSQL server……它只做翻译，把”模型发来的标准请求”转成”对应服务的原生 API 调用”。

通信底层是 JSON-RPC 2.0，传输方式两种：stdio（本地进程间通信，适合开发工具、本地插件，低延迟免鉴权）和 HTTP + SSE（远程服务，支持多用户、标准 HTTP 鉴权）。协议设计了初始化握手（initialize）和能力协商——Client 声明自己支持什么，Server 回声明自己有什么，避免运行时意外。

每个 Server 能暴露三种能力，论文里叫 原语（primitives），区别在于”谁掌握控制权”：

• Resources（资源）：只读的上下文数据——文件内容、数据库记录、API 返回值。由应用/服务器控制，模型可以读、不能改，适合给模型”喂背景”。
• Tools（工具）：可执行的函数——发邮件、跑代码、调第三方 API。控制权在模型手里，模型判断”现在该调用哪个”，Server 执行后把结果返回。
• Prompts（提示模板）：可复用的提示词/工作流模板，比如”排查一笔失败支付”的结构化流程。控制权在用户手里，用来保证交互一致性。

三种原语合起来，正好覆盖”AI 从被动读数据到主动做动作”的全谱系，再加上后来补充的 Sampling（模型主动向 Server 请求补全） 和 Roots（权限边界），就是一个完整的 Agent 集成层。

三、与 LSP 的血缘：把”解耦”再做一遍#

MCP 最容易被理解的方式，是拿 LSP（Language Server Protocol，语言服务器协议） 做类比——Anthropic 自己也是这么讲的。LSP 是微软 2016 年提出的协议，让代码编辑器与语言分析引擎解耦：语言工具厂商写一次语言服务器，所有编辑器（VS Code、Vim、Emacs……）都能用；编辑器厂商实现一次客户端，就能支持所有语言。它的伟大之处不在技术，而在让”一对一”变成”一对多”。

MCP 就是把 LSP 的模式复制到 AI 领域，主角从”编辑器/语言服务器”换成”AI 应用/外部工具”。甚至设计哲学都一脉相承：LSP 解决”每家编辑器都要写一遍语法高亮”，MCP 解决”每个 AI 应用都要写一遍 Slack 集成”；LSP 用 JSON-RPC、MCP 也用 JSON-RPC；LSP 靠协议让生态爆炸，MCP 想复制的正是那个爆炸。

类比 USB-C 更通俗：物理世界里，一台设备配一根线是灾难，USB-C 定了统一接口，任何设备、任何线缆都能互通。MCP 就是 AI 世界的那根通用线——工具侧做一次，模型侧全兼容。

四、生态影响：从”Claude 的协议”到”行业的协议”#

MCP 发布时的身份是”Anthropic 的开放标准”，但它很快跑出了 Anthropic 的射程。几个关键节点：

• 首发即装机：Claude Desktop 是第一个支持 MCP 的 Host，用户能本地装 server 直接连文件、连数据库。
• 开发者工具跟进：几个月内 Cursor、Windsurf、Zed 等主流 IDE/编辑器全面接入——这些跟 Anthropic 没有从属关系，纯靠开放协议吸引来的。
• 最大对手下场：2025 年 3 月，OpenAI 官宣在其产品中支持 MCP——这是决定性的时刻。紧接着 Google 的 Gemini 生态也跟进。此前被视为”Anthropic 私货”的协议，就此成为事实标准。
• 社区爆发：官方维护 TypeScript、Python SDK，社区补齐 Java、Go、Rust、C#；GitHub 上 modelcontextprotocol 组织下，官方+社区的 MCP server 数以千计，覆盖 Slack、GitHub、Google Drive、PostgreSQL、浏览器自动化等主流场景。规范文档在 modelcontextprotocol.io，全程开放。

从公司战略看，MCP 对 Anthropic 的意义远超一个技术产品。它把 Anthropic 从一个”卖模型的公司”抬进了”定义行业接口的公司”行列——竞争对手可以不用你的模型，但不得不用你的协议。这跟 Anthropic 一贯的”研究驱动、生态开放”路线一脉相承，也是它对抗 OpenAI/Google 生态壁垒的筹码。

收尾：我的一点看法#

MCP 的成功，我认为一半靠设计，一半靠时机。设计上，它没有发明任何高深技术——JSON-RPC、客户端-服务器、能力协商全是成熟套路，它做对的是”把正确的边界画出来”：用原语区分”读、执行、模板”三种交互，让控制权归属清晰。时机上，2024 年底正是 Agent 概念爆发的当口，所有人都被”工具碎片化”卡得难受，MCP 恰好在痛点最痛的时候递上了方案。好协议往往不是”技术最先进”，而是”出现得比想象中早一点”。

很多人把 MCP 和 USB-C 类比，我觉得更准确的类比是 LSP。USB-C 是物理标准，换一次插头就没有回头路；而 MCP 的价值恰恰在于它是软件协议——进可攻退可守，随时可以迭代。LSP 用了十年才让”编辑器支持所有语言”变成理所当然，MCP 才两年就走到了”OpenAI 都得低头”，这个速度本身就是行业焦虑的写照：Agent 时代来了，没人愿意被锁在别人的私有连接里。

如果说这篇解读要留一句话，我想是：Anthropic 在 2024 年做了两件”送别人武器”的事——MSJ 把自家模型的漏洞公开，MCP 把自家生态的地基开源。前者短期内让对手也受益，后者长期看让全行业受益。一家公司的安全研究和商业战略能导向同一个”开放”结论，这在巨头林立的 AI 行业里，是相当罕见的姿态。

当然，MCP 不是终点。2025 年 A2A（Agent-to-Agent）、各家 Agent 互联协议又冒了出来，MCP 解决的是”模型↔工具”，Agent 之间的通信还是新战场。但有一个判断可以下：“模型上下文协议”这个命名已经赢了——它把”上下文（context）“从模型内部的概念，变成了行业通用的接口语言。

附：核心数据速查#

基本盘

关键数据

关键概念清单

• MCP = Model Context Protocol，模型上下文协议（AI 应用与外部工具/数据源的标准连接协议）
• N×M problem = 集成碎片化问题（N 个模型 × M 个工具需要 N×M 次定制连接）
• Host = 主机（运行 LLM 的 AI 应用，如 Claude Desktop、Cursor）
• Client = 客户端（Host 内部与单个 Server 保持 1<1> 连接的翻译中间层）
• Server = 服务器（包装外部服务、暴露 MCP 能力的轻量进程）
• Resources = 资源（只读上下文数据，控制权在应用/服务器）
• Tools = 工具（模型可调用的可执行函数）
• Prompts = 提示模板（用户控制的预定义工作流）
• Sampling = 采样（Server 反向请求模型生成补全）
• Roots = 根（权限边界机制）
• JSON-RPC 2.0 = 协议底层消息格式（请求/响应/通知三类消息）
• stdio / HTTP+SSE = 本地进程传输 / 远程网络传输
• LSP = Language Server Protocol，语言服务器协议（MCP 的设计范本）
• A2A = Agent-to-Agent（Agent 间互联协议，MCP 之后的下一战场）