在MCP出現之前，AI應用與外部工具的互動依賴於手動API連線、外掛介面和Agent框架等方法，這些方法存在複雜性高、可擴充套件性差等問題

1. MCP架構：MCP由三個核心元件構成：MCP主機、MCP客戶端和MCP伺服器。這些元件協同工作，實現AI應用與外部工具和資料來源之間的無縫通訊。
• MCP主機：提供執行AI任務的環境，並執行MCP客戶端。
• MCP客戶端：作為主機環境中的中介，管理MCP主機與一個或多個MCP伺服器之間的通訊。
• MCP伺服器：提供外部系統和操作的訪問許可權，具備工具、資源和提示三種核心能力。

MCP的傳輸層和通訊機制

傳輸層是MCP架構中的關鍵組成部分，負責在MCP客戶端和MCP伺服器之間實現安全、雙向的通訊；通訊流程的具體步驟：

1. 初始請求：MCP客戶端向MCP伺服器傳送初始請求，查詢伺服器的功能和可用工具。
2. 初始響應：MCP伺服器接收到請求後，返回一個初始響應，列出其提供的工具、資源和提示，供客戶端使用。
3. 持續通知：在建立連線後，MCP伺服器會持續向客戶端傳送通知，即時更新伺服器狀態或任務進度，確保客戶端能夠及時獲取最新資訊。

1. MCP伺服器生命週期：
• 建立階段：涉及伺服器註冊、安裝程式部署和程式碼完整性驗證。此階段面臨的風險包括名稱衝突、安裝程式偽造和程式碼注入/後門。
• 執行階段：伺服器在此階段處理請求、執行工具呼叫，並與外部資源進行互動。風險包括工具名稱衝突、斜槓命令重疊和沙箱逃逸。
• 更新階段：確保伺服器保持安全、最新，並適應不斷變化的需求。風險包括更新後許可權持續、版本控制問題和舊版本配置漂移。

三、MCP生態系統

• 關鍵採用者（Key Adopters）：
• Anthropic 和 OpenAI 等行業領導者已將MCP整合到其產品中，例如Anthropic的Claude桌面版和OpenAI的Agent SDK，顯著提升了AI代理與外部工具的互動能力。
• 百度地圖、BlenderMCP 和 Replit 等工具也透過MCP實現了與外部API和服務的無縫整合。
• 開發者工具和IDE，如 Cursor、JetBrains 和 TheiaIDE，透過MCP集成了AI工具，提升了開發效率。
• 社群驅動的MCP伺服器（Community-Driven MCP Servers）：
• 儘管Anthropic尚未釋出官方MCP市場，但社群已經建立了多個獨立的伺服器集合平臺，如 MCP.so、Glama 和 PulseMCP，提供了數千個MCP伺服器。
• SDKs和工具（SDKs and Tools）：
• 官方SDK支援多種語言（如TypeScript、Python、Java等），方便開發者在不同環境中實現MCP。
• 社群貢獻了多種框架和工具，如 EasyMCP、FastMCP 和 Foxy Contexts，簡化了MCP伺服器的開發和部署。

四、MCP用例

• OpenAI：
• OpenAI透過在Agent SDK中整合MCP，簡化了AI代理與外部工具的互動，提升了多步任務執行的效率。
• 計劃將MCP整合到ChatGPT桌面應用中，進一步擴充套件AI代理的功能。
  
• Cursor：
• Cursor透過MCP集成了AI驅動的程式碼助手，使開發者能夠在IDE中直接呼叫外部API和工具，自動化複雜任務，提升開發效率。
  
• Cloudflare：
• Cloudflare提供了遠端MCP伺服器託管服務，消除了本地配置的複雜性，支援多租戶環境中的安全訪問和管理。
• 透過OAuth認證和沙箱機制，確保了AI驅動的工作流在分散式環境中的安全執行。

五、安全與策略

• 建立階段：建議建立嚴格的名稱空間策略、實施加密伺服器驗證和設計基於聲譽的信任系統。
• 執行階段：建議開發高階驗證和異常檢測技術，以識別和緩解欺騙性工具描述。
• 更新階段：建議實施嚴格的許可權撤銷策略、確保許可權變更在所有伺服器例項中一致傳播，併為API金鑰和會話令牌設定自動過期機制

技術交流群邀請函

△長按新增小助手

掃描二維碼新增小助手微信

請備註：姓名-學校/公司-研究方向

（如：小張-哈工大-對話系統）

即可申請加入自然語言處理/Pytorch等技術交流群

關於我們

MLNLP 社群是由國內外機器學習與自然語言處理學者聯合構建的民間學術社群，目前已經發展為國內外知名的機器學習與自然語言處理社群，旨在促進機器學習，自然語言處理學術界、產業界和廣大愛好者之間的進步。

社群可以為相關從業者的深造、就業及研究等方面提供開放交流平臺。歡迎大家關注和加入我們。