↑點選藍字 關注我們
大型語言模型（LLMs）強大但受限於上下文。它們：
→ 缺乏對
業務、資料和工作流程
的感知
→ 獨立執行，容易產生
通用、不相關
的回應
→ 無法訪問
即時外部知識
雖然RAG（檢索增強生成）和Agentic AI（代理式 AI）為增強 AI 檢索能力與工具互動能力提供了方向，但它們的實現目前依然零散，常是定製開發、難以規模化的解決方案。
🧠 什麼是 Model Context Protocol（MCP）？
Anthropic 推出的 MCP（模型上下文協議），旨在標準化 RAG 和代理式 AI 的實現方式，實現 LLM 應用的：
✅ 可擴充套件性
✅ 穩定性
✅ 深度上下文感知
🔧 MCP 是如何工作的？
❯ 1. 主機環境（Host Environment）
LLM 應用所執行的基礎設施，包括：
-
實體機器 – 工作站、本地伺服器
-
虛擬機器 – 雲端 VM、遠端伺服器
-
容器 – Docker、Kubernetes
❯ 2. 主機應用（Host）
LLM 驅動的實際應用，比如：
-
聊天機器人、搜尋助手
-
工作流自動化 AI 代理
-
帶程式碼補全和除錯功能的 IDE
❯ 3. MCP 客戶端（Clients）
MCP 客戶端執行在主機應用內，向 MCP 伺服器請求外部資料或操作指令。
❯ 4. MCP 伺服器（Server）
MCP 伺服器在 LLM 和外部知識源之間架起一座橋樑，連線：
-
各類 API – CRM、ERP、企業工具
-
資料庫 – 業務資料庫、資料倉庫
-
程式碼倉庫與本地檔案
-
即時事件流 – SSE、WebSocket
MCP 不止用於資料檢索，還支援執行能力：
-
修改配置
-
執行指令碼
-
觸發自動化流程
❯ 5. 傳輸層（Transport Layer）
MCP 透過結構化通訊協議（如 JSON-RPC 2.0）進行資料交換，支援：
-
標準輸入輸出（Stdio）
-
伺服器推送事件（SSE）
-
可自定義的實現（根據具體需求）
🚀 MCP 將如何改變 AI？
MCP 代表了 AI 演進的關鍵一環，它為核心 AI 模式提供標準協議：
✔
RAG
– 從外部檢索知識的模式
✔
Agentic AI
– 讓 AI 能夠與工具互動的模式
✔
MCP
– 將這兩者規範化、結構化的實現協議
Gitee 釋出官方 MCP Server，讓開發者可以藉助 AI 助手直接訪問程式碼倉庫，讀取檔案內容、檢視 PR 變更、理解 Issue 描述，甚至直接操作程式碼管理任務，比如建立 PR、合併分支、釋出版本等。
簡單來說，Gitee MCP Server 讓 AI 不再是「程式碼的旁觀者」，真正成為了參與軟體開發過程的智慧助手。
開源地址
：
↓更多精彩內容，歡迎預約直播↓
推薦閱讀