source: 微信公众号 url: https://mp.weixin.qq.com/s?__biz=MzkwNjc0OTMzNg==&mid=2247489057&idx=1&sn=a861ff10a2afa0f4129b8bb54e002dda&chksm=c1a0706f628c6ca7f35ba616718bc09781b2cf05b8ad4b60fc4fea2b227cb5415670144901e1&mpshare=1&scene=1&srcid=0523QSHymm2O90hYIfgFnlrO&sharer_shareinfo=33a55bc8fe35560ffec6e47e508c2e1b&sharer_shareinfo_first=33a55bc8fe35560ffec6e47e508c2e1b#rd saved: 2026-05-23 14:30:03

id: 8d22ae23-8fe4-48c0-ac13-2cd5c77fb714

公众号名称：卡码笔记

作者名称：小卡

发布时间：2026-05-22 14:00

上一篇我们讲了 工具设计决定 Agent 上限。

核心就一句话：工具不是 API 列表，而是 Agent 的行动边界。

工具描述、参数 Schema、返回值、权限边界、错误恢复，这些东西设计不好，Agent 一定会乱。

但讲到这里，录友很容易继续问：

“如果每个工具都要自己接，那不同工具、不同产品、不同模型之间，岂不是又要重复造轮子？”

没错。

这就是 MCP 要解决的问题。

现在很多 Agent 项目最大的问题，不是模型不会调用工具，而是工具接入太碎。

接 GitHub 要写一套。

接数据库要写一套。

接本地文件要写一套。

接 Slack、飞书、Notion、Jira、Sentry，又各写一套。

今天给 Claude 接一遍，明天给 Cursor 接一遍，后天给自己公司内部 Agent 再接一遍。

越做越像胶水工程。

所以这篇我们来讲一个现在 Agent 面试越来越容易被问到的东西：

MCP，Model Context Protocol。

你可以先把它理解成一句话：

MCP 是一套标准协议，用来让 AI 应用以统一方式连接外部工具、数据和提示模板。

注意，它不是模型。

也不是 Agent 框架。

它更像是 Agent 时代的“工具接入协议”。

MCP解决的问题：不要让每个AI应用重复接每个工具

一、为什么会有 MCP

先别急着背架构。

我们先看没有 MCP 的世界是什么样。

假设你要做一个代码助手，让它能完成这些事：

  • 读本地文件

  • 搜 GitHub Issue

  • 查数据库

  • 看 Sentry 报错

  • 发 Slack 消息

  • 读公司知识库

如果没有统一协议，每接一个系统，都要自己定义一套工具格式：

  • 工具怎么发现？

  • 参数 Schema 怎么描述？

  • 工具怎么调用？

  • 工具结果怎么返回？

  • 工具权限怎么控制？

  • 本地工具和远程工具怎么通信？

  • 工具变了，客户端怎么知道？

这些问题如果每个产品都自己解决，就会非常乱。

对工具提供方也很痛苦。

比如你做了一个数据库查询工具。

你想让 Claude Desktop 能用。

想让 Cursor 能用。

想让 VS Code 里的 AI 插件能用。

想让公司内部 Agent 也能用。

难道每个宿主都写一套插件？

这就太浪费了。

MCP 的思路是：

工具提供方按 MCP 标准暴露能力，AI 应用按 MCP 标准连接这些能力。

这样工具和 AI 应用之间就有了一层统一协议。

就像前后端之间用 HTTP API 通信。

就像数据库客户端通过统一协议连接数据库。

MCP 解决的不是“模型怎么推理”。

它解决的是：AI 应用怎么标准化地拿到上下文、调用工具、使用提示模板。

​

二、MCP 不是 Function Calling 的替代品

很多录友第一次听 MCP，会把它和 Function Calling 混在一起。

这俩有关系，但不是一回事。

Function Calling 解决的是：

模型这一次响应里，要不要调用某个函数，以及参数是什么。

它更贴近模型调用层。

比如你把工具定义发给模型，模型返回：

{
  "name": "get_order_detail",
  "arguments": {
    "order_id": "202605200001"
  }
}

然后你的程序执行这个函数，把结果再发回模型。

这是 Function Calling。

MCP 解决的是另一个层面：

这些工具从哪里来？怎么发现？怎么连接？怎么通信？怎么暴露给不同 AI 应用？

也就是说，Function Calling 更像“模型和工具之间的一次调用格式”。

MCP 更像“AI 应用和工具服务器之间的一套连接协议”。

可以这么理解：

Function Calling 关注模型怎么调用工具。

MCP 关注工具怎么标准化接入 AI 应用。

它们不是互斥关系。

很多 AI 应用会先通过 MCP 发现工具，再把这些工具转换成模型可用的 Function Calling / Tool Use 格式，让模型决定调用哪一个。

MCP 和 Function Calling 的关系：一个管工具接入，一个管模型调用

这也是面试里最容易问的点。

如果面试官问：

“MCP 和 Function Calling 有什么区别？”

你不要回答：

“MCP 更高级。”

这很虚。

你应该说：

“Function Calling 是模型侧的工具调用机制，重点是模型输出哪个函数和参数；MCP 是应用侧的工具接入协议，重点是 AI 应用如何发现、连接和调用外部工具、资源和提示模板。实际系统里，MCP 可以作为工具来源，Function Calling 可以作为模型选择和调用工具的方式。”

这个回答就稳。

​

三、MCP 的核心架构：Host、Client、Server

MCP 官方架构里有三个角色：

Host、Client、Server。

这三个词一定要分清。

否则一讲 MCP 就容易乱。

1. Host：AI 应用本体

Host 就是用户真正使用的 AI 应用。

比如：

  • Claude Desktop

  • Claude Code

  • VS Code 里的 AI 插件

  • Cursor 这类代码助手

  • 公司自己做的 Agent 平台

Host 负责用户交互、模型调用、权限决策、上下文聚合。

简单说，Host 是“大脑所在的应用壳”。

用户不是直接跟 MCP Server 聊。

用户是在 Host 里提问。

2. Client：Host 里负责连接某个 Server 的组件

MCP Client 不是一个独立产品。

它通常是 Host 里面的一段连接组件。

一个 Host 可以连接多个 MCP Server。

每连接一个 Server，Host 里通常就会创建一个对应的 Client。

所以 Client 的职责是：

  • 和某个 MCP Server 建立连接

  • 做协议版本和能力协商

  • 发送工具列表请求

  • 发送工具调用请求

  • 接收结果和通知

  • 维护这条连接的安全边界

你可以把它理解成：

一个 MCP Client 对应一个 MCP Server 的连接通道。

3. Server：提供工具、资源和提示模板

MCP Server 是真正提供能力的一方。

比如：

  • 文件系统 Server：暴露读文件、列目录等能力

  • GitHub Server：暴露 issue、PR、代码仓库能力

  • 数据库 Server：暴露 schema、查询工具

  • Sentry Server：暴露错误事件和监控能力

  • 公司内部 Server：暴露订单、工单、知识库、日志平台

Server 不负责和用户聊天。

Server 只负责按 MCP 协议提供能力。

这些能力主要有三类：

Tools、Resources、Prompts。

后面我们单独讲。

MCP 核心架构：Host 管应用，Client 管连接，Server 提供能力

这套架构最大的好处是隔离。

一个 Host 可以连接多个 Server。

但每个 Server 不应该直接看到全部对话，也不应该随便访问其他 Server 的数据。

Host 负责统一管理权限和上下文。

Server 只暴露自己该暴露的能力。

这点很关键。

MCP 不是让所有工具互相打通。

MCP 是让 Host 在可控边界内组合多个工具服务器。

​

四、MCP 有两层：数据层和传输层

很多人讲 MCP，只讲“它能接工具”。

这太浅了。

MCP 至少要理解两层：

数据层和传输层。

1. 数据层：定义消息和语义

数据层负责定义：

  • 初始化怎么做

  • 能力怎么协商

  • 工具怎么列出

  • 工具怎么调用

  • 资源怎么读取

  • Prompt 怎么获取

  • 通知怎么发送

  • 错误怎么返回

MCP 的数据层基于 JSON-RPC。

比如工具发现可以是 tools/list。

工具调用可以是 tools/call。

资源读取可以是 resources/read。

Prompt 获取可以是 prompts/get。

注意，MCP 不是随便用 HTTP 路径写几个接口。

它有自己的协议方法、请求结构和响应结构。

2. 传输层：定义消息怎么传

传输层负责把这些 JSON-RPC 消息送过去。

常见有两种：

stdio。

本地进程之间通过标准输入输出通信。

比如 Claude Desktop 启动一个本地文件系统 MCP Server，然后通过 stdio 和它通信。

这种方式适合本地工具，性能好，不需要网络。

Streamable HTTP。

通过 HTTP 和远程 Server 通信，也可以支持流式能力和标准鉴权。

比如连接远程的 Sentry MCP Server、公司内部 MCP 网关。

这种方式适合远程服务、多用户场景、需要认证授权的场景。

MCP 两层结构：数据层定义语义，传输层负责通信

所以你面试时不要只说：

“MCP 是一个工具协议。”

你可以说：

“MCP 的数据层基于 JSON-RPC，定义工具、资源、Prompt、生命周期和通知等语义；传输层负责消息通信，常见是本地 stdio 和远程 Streamable HTTP。”

这就明显专业很多。

​

五、MCP Server 暴露三类能力：Tools、Resources、Prompts

这是 MCP 最重要的一块。

MCP Server 不是只能暴露工具。

它主要暴露三类能力：

Tools、Resources、Prompts。

这三个一定要分清。

1. Tools：模型可以主动调用的动作

Tools 是最像 Function Calling 的部分。

它表示模型可以主动调用的函数。

比如：

  • 查询订单

  • 搜索日志

  • 创建工单

  • 发送消息

  • 查询数据库

  • 修改文件

Tool 通常有名称、描述、参数 Schema。

模型根据用户问题和上下文决定要不要调用它。

一句话：

Tools 解决“Agent 能做什么动作”。

2. Resources：提供上下文的数据源

Resources 是给 AI 应用读取的上下文数据。

它更偏“被动提供信息”。

比如：

  • 文件内容

  • 数据库 schema

  • API 文档

  • 用户偏好

  • 日历信息

  • 项目 README

Resources 不一定是模型主动调用的动作。

很多时候是 Host 或应用根据需要读取，然后放进上下文。

一句话：

Resources 解决“Agent 能看到什么信息”。

3. Prompts：可复用的提示模板

Prompts 是预先定义好的交互模板。

比如：

  • “帮我规划一次旅行”

  • “帮我总结会议”

  • “帮我根据错误日志生成排查步骤”

  • “帮我按公司规范写 PR 描述”

Prompt 可以告诉模型应该怎么使用某些工具和资源。

一句话：

Prompts 解决“Agent 应该按什么套路做事”。

MCP 三类核心能力：Tools负责动作，Resources负责上下文，Prompts负责套路

这里有一个很好的记法：

Tools 是能做什么。

Resources 是能看什么。

Prompts 是怎么做更稳。

很多人只把 MCP 理解成“工具调用协议”，其实有点窄。

MCP 真正想标准化的是：

AI 应用和外部上下文之间的连接方式。

工具只是其中最显眼的一部分。

​

六、MCP 一次工具调用大概怎么跑

我们用一个简单例子串起来。

用户在 AI 应用里问：

“帮我查一下支付服务昨天晚上为什么变慢。”

假设 Host 已经连接了一个监控 MCP Server 和一个日志 MCP Server。

大概流程是这样的。

第一步：初始化连接。

Host 为每个 MCP Server 创建 Client。

Client 和 Server 做协议初始化，协商版本和能力。

比如 Server 声明自己支持 tools、resources。

第二步：发现工具。

Client 向 Server 发 tools/list。

Server 返回自己有哪些工具，比如：

  • query_api_latency

  • search_service_logs

  • get_deploy_records

Host 把这些工具整理成模型可用的工具列表。

第三步：模型决定调用工具。

模型看到用户问题后，决定先调用 query_api_latency。

它生成工具名和参数。

第四步：Client 调用 MCP Server。

Host 通过对应 Client 发出 tools/call。

MCP Server 执行真实查询，返回结构化结果。

第五步：模型根据结果继续判断。

如果延迟从 22:10 开始升高，模型可能继续调用发布记录工具。

如果发现 22:05 有发布，再调用日志工具。

这就回到了我们前面讲的 ReAct 循环。

MCP 在这里负责的是工具接入和调用协议。

Agent 的规划、判断、反思，仍然由 Host 里的模型和应用逻辑负责。

MCP 工具调用流程：初始化、发现工具、调用工具、根据结果继续判断

注意一个细节：

MCP Server 通常不会自己决定“用户最终该怎么回答”。

它只是提供能力。

真正把工具结果组织成回答的，还是 Host 里的 AI 应用。

所以不要把 MCP Server 理解成一个完整 Agent。

它更像一个标准化能力提供者。

​

七、MCP 为什么适合 Agent

Agent 最怕什么？

不是没工具。

是工具太多、太散、太不统一。

MCP 对 Agent 的价值主要有四个。

1. 工具接入标准化

没有 MCP，每个 AI 应用都要自己写工具适配层。

有了 MCP，工具提供方可以按标准暴露能力。

Host 只要支持 MCP，就能连接不同 Server。

这会明显降低接入成本。

2. 工具发现动态化

传统 Function Calling 往往是开发者在代码里写死工具列表。

MCP 里，Client 可以向 Server 发 tools/list，动态发现当前 Server 提供什么工具。

如果工具变化，Server 还可以通过通知让 Client 知道。

这对大型 Agent 平台很重要。

因为工具不是一成不变的。

3. 上下文和动作分开

Tools 是动作。

Resources 是上下文。

Prompts 是模板。

这比“所有东西都包装成函数”更清楚。

比如数据库 schema 更适合作为 Resource。

查询 SQL 才适合作为 Tool。

面试时能讲清这点，很加分。

4. 多工具组合更自然

一个 Host 可以连接多个 MCP Server。

比如：

  • 文件系统 Server

  • GitHub Server

  • 数据库 Server

  • Sentry Server

  • 公司知识库 Server

Host 把这些能力聚合后，模型可以围绕一个任务组合使用。

这就是 Agent 需要的能力。

MCP 让 Agent 更适合多工具组合：不同 Server 暴露不同能力，Host 统一聚合

但这里也要注意。

MCP 让工具接入更标准，不代表 Agent 自动变可靠。

工具描述烂，参数设计烂，权限边界烂，MCP 也救不了。

上一篇讲的工具设计原则，仍然成立。

MCP 只是把“怎么接入”标准化。

不是把“怎么设计好工具”自动解决掉。

​

八、本地 MCP 和远程 MCP 怎么选

MCP Server 可以跑在本地，也可以跑在远程。

这两种场景差别很大。

1. 本地 MCP：适合文件、命令行、开发环境

本地 MCP Server 常用 stdio。

Host 启动一个本地进程，通过标准输入输出通信。

适合：

  • 读本地文件

  • 搜索代码

  • 操作本地 Git 仓库

  • 运行本地脚本

  • 访问开发者机器上的临时环境

优点是快、简单、没有网络开销。

缺点是更依赖本机环境，也更需要注意本地权限。

比如文件系统 Server 绝对不能默认开放整个磁盘。

应该限制可访问目录。

2. 远程 MCP：适合企业服务和平台能力

远程 MCP Server 常用 Streamable HTTP。

适合：

  • 公司知识库

  • 监控平台

  • 日志平台

  • 工单系统

  • CRM

  • 内部数据库网关

  • SaaS 服务

优点是集中部署、统一鉴权、方便多人使用。

缺点是要处理认证、授权、网络延迟、审计和多租户隔离。

本地 MCP 和远程 MCP：一个贴近开发环境，一个适合平台服务

所以选型可以这么讲：

本地文件、代码和开发工具，适合本地 MCP。

企业系统、多人共享和需要统一鉴权的能力，适合远程 MCP。

不要把所有东西都做成本地。

也不要把所有东西都做成远程。

看数据在哪里、权限怎么管、谁在使用。

​

九、MCP 的安全边界，不能只靠模型自觉

MCP 让 AI 应用更容易连接工具。

但连接越容易，安全问题也越明显。

这点一定要讲。

否则你面试时只说 MCP 好，面试官很容易追问：

“那工具权限怎么控制？MCP Server 会不会拿到不该拿的数据？恶意工具怎么办？”

你就卡了。

MCP 的安全边界，核心在 Host。

Host 要负责：

  • 连接哪些 Server

  • 给每个 Server 什么权限

  • 工具调用前是否需要用户确认

  • 传给 Server 哪些上下文

  • 是否允许执行高风险动作

  • 调用记录是否可审计

Server 也要克制。

Server 不应该默认读取所有上下文。

不应该默认访问所有文件。

不应该把工具描述写得误导模型。

不应该偷偷扩大权限。

尤其是高风险动作：

  • 删除文件

  • 修改代码

  • 发消息

  • 改数据库

  • 提交订单

  • 执行命令

  • 调用生产接口

这些都不能让模型“想调就调”。

应该有权限限制、用户确认和审计记录。

MCP 安全边界：Host 管权限，Server 暴露有限能力，高风险动作要确认

所以你要记住：

MCP 不是安全魔法。

它提供了标准协议和边界设计空间。

但最终安不安全，取决于 Host 怎么管权限、Server 怎么暴露能力、工具怎么做确认和审计。

这和上一篇工具设计是连着的。

只要涉及外部动作，就必须按工程安全来做。

​

十、MCP 项目在简历里怎么写

如果你做过 MCP 相关项目，简历不要只写：

“接入 MCP Server，实现 Agent 工具调用。”

这句话太浅。

你要写出你解决了什么工程问题。

比如：

“基于 MCP 接入内部知识库、工单系统和日志平台，将原本硬编码在 Agent 中的工具适配逻辑抽象为独立 MCP Server，实现工具发现、参数 Schema 校验、调用审计和权限控制，支持 Agent 在故障排查场景下动态调用监控、日志和发布记录工具。”

这就明显更像项目。

它体现了几个点：

  • 你知道 MCP 是工具接入协议

  • 你知道 Server 应该独立封装能力

  • 你做了工具发现和参数校验

  • 你考虑了审计和权限

  • 你能把 MCP 放进具体业务场景

再比如：

“设计订单客服 MCP Server，暴露订单查询、物流查询、退款规则检查、退款草稿创建等工具，并将订单状态、退款规则文档作为 Resources 提供给 Agent，避免把所有业务数据塞进 Prompt，提升工具调用稳定性和可维护性。”

这就比“做了智能客服 Agent”强很多。

​

十一、面试官怎么问 MCP

最后给录友整理几个高频问法。

面试官问：MCP 是什么？

可以这样答：

“MCP，全称 Model Context Protocol，是一套让 AI 应用标准化连接外部工具、数据源和提示模板的协议。它采用 Host-Client-Server 架构，Server 暴露 Tools、Resources、Prompts，Host 通过 Client 连接多个 Server，并把这些能力提供给模型使用。”

面试官问：MCP 和 Function Calling 有什么区别？

可以这样答：

“Function Calling 更偏模型侧，解决模型如何选择函数和生成参数；MCP 更偏应用接入层，解决工具、资源和 Prompt 如何被 AI 应用发现、连接和调用。实际系统里，Host 可以通过 MCP 获取工具列表，再转成模型支持的 Function Calling 格式让模型调用。”

面试官问：MCP 的核心角色有哪些？

可以这样答：

“核心是 Host、Client、Server。Host 是 AI 应用，负责用户交互、模型调用、权限和上下文聚合；Client 是 Host 内部连接某个 Server 的组件；Server 负责暴露工具、资源和提示模板。一个 Host 可以有多个 Client，每个 Client 通常对应一个 Server。”

面试官问：Tools、Resources、Prompts 怎么区分？

可以这样答：

“Tools 是模型可以主动调用的动作，比如查数据库、发消息；Resources 是只读上下文，比如文件内容、数据库 schema、API 文档；Prompts 是可复用的提示模板，用来指导模型按某种流程使用工具和资源。简单说，Tools 是能做什么，Resources 是能看什么，Prompts 是怎么做。”

面试官问：MCP 有什么安全风险？

可以这样答：

“MCP 让工具接入更标准，但不等于天然安全。Host 必须控制 Server 连接权限、上下文传递范围和高风险工具确认；Server 要暴露最小能力，不能默认访问所有数据。有副作用的工具，比如删文件、发消息、改数据库，需要用户确认、权限校验和审计记录。”

这套回答基本够用了。

​

十二、别把 MCP 神化

MCP 很重要。

但不要把它神化。

它不是万能 Agent 框架。

不是用了 MCP，Agent 就会自动规划、自动反思、自动变可靠。

MCP 解决的是连接问题。

它让工具、资源、提示模板能以标准方式接入 AI 应用。

但 Agent 能不能稳定完成任务，还要看：

  • 工具描述清不清楚

  • 参数 Schema 严不严

  • 返回值能不能驱动下一步

  • 权限边界有没有做

  • 错误能不能恢复

  • Host 有没有做工具选择和上下文管理

  • 高风险动作有没有确认和审计

所以你可以这样理解：

Function Calling 是模型调用工具的一种方式。

MCP 是工具接入 AI 应用的一套标准协议。

Agent 是围绕目标持续行动的系统。

这三者不是互相替代。

它们在不同层面解决不同问题。

把这层关系讲清楚，面试官就知道你不是在追热词。

你是真知道 MCP 放在 Agent 工程里的哪个位置。

cover_image

原创 小卡 卡码笔记

内容效果不满意？点此反馈