MCP 的产生背景
受限于训练数据的实时性、隐私数据等因素，大型语言模型（LLM）的能力并非包罗万象。为了扩展其功能边界，通常需要借助外部工具。这些工具可以以 API 的形式接入，也可以是私有向量数据库。大型语言模型可以通过对提示词（Prompt）进行匹配识别，或者依赖于各家厂商自定义的 Function call 结构化匹配，从而在众多已注册的工具中选择最合适的进行调用。
更进一步，我们的任务通常难以通过单一工具独立解决，而往往需要在理解上下文的基础上，协调多个工具按序执行。这就催生了 Agent（智能体）的概念，作为负责协调和管理的模块。我们常用的代码编辑器 Cursor 就是一个代码领域的 Agent，它可以根据用户的需求在大模型的协助下编写相应的代码，如果发现缺少代码运行环境，可以在用户授权的情况下，调用相关工具进行安装和测试。
尽管上述方案能够扩展大型模型的能力，但问题在于不同大型模型之间的具体实现方式存在差异。即使是同一个大型模型，其对不同类型工具的调用方式也可能不同。MCP（Model Context Protocol，模型上下文协议）的出现，正是为了解决这种不规范的情况。通过遵循同一套标准，所有接入大型模型的工具能够实现标准化对接，从而大幅降低了工具与大型模型集成的复杂度和工作量。例如，对于最常用的网络搜索服务，只需编写一个符合 MCP 标准的服务，即可供所有支持 MCP 协议的大型模型使用。
MCP结构
具体来看，MCP 主要包含两个核心部分：MCP Client 和 MCP Server。MCP Client 代表用户使用的应用（例如 Cursor, Claude），其职责包括：
-
为大语言模型提供 MCP 协议的概述，保证交互的一致性
-
向 MCP Server发起请求，并把结果返回给大模型
MCP Server 作为连接 LLM 外部能力的服务中介，其职责包括：
-
提供了标准化的 JSON-RPC 接口以供工具或资源访问
-
将所有 API 转化为 MCP 兼容的格式
-
处理身份校验
-
定义对外提供的能力
资源、提示词和工具是 MCP 可以对外提供的三种主要能力类型。
MCP 的核心在于，可以把 LLM 提供的上下文内容结构化，结合过去的记忆、现有的工具和当前状态，逐步完成上下文中要求的任务目标。
例子
安装 Node,并确保 npx 命令可用。
访问网址https://mcp.composio.dev/，找到你想集成的服务（这里以 Gmail 为例），点击 Generate 按钮，复制生成的命令，打开本地命令行工具，粘贴并回车执行。
打开 Cursor 的MCP 设置页面，可以看到添加的 Gmail 服务。
在对话框中，使用 Agent 模式，提问“昨天收到的 gmail 邮件”，其回复如下图所示。
One More Thing
除了 Composio 平台，Smithery (https://smithery.ai/) 也是一个优秀的 MCP 平台，值得您了解和尝试。
