MCP 是什么？为什么 AI Agent 离不开 MCP？

最近在学习 AI Agent 相关内容时，遇到了几个高频概念：

• Function Calling
• Tools
• MCP（Model Context Protocol）

刚开始学习的时候，我一直有一个疑问：

带着这些问题，我整理了一下自己的理解。

Function Calling：让 LLM 调用工具

大语言模型（LLM）本身只能处理文本。

例如：

用户：

帮我查询今天北京天气

LLM 本身并不知道实时天气。

因为：

• 它没有访问互联网能力
• 它不知道当前时间的数据

所以需要给 LLM 增加：

Tools（工具）

工具本质就是：

一个可以执行具体功能的函数。

例如：

getWeather(city)searchWeb(keyword)queryDatabase(sql)

当用户提出问题时：

用户↓LLM↓判断自己无法完成↓调用工具↓获得结果↓生成最终回答

这个过程就是：

Function Calling

Function Calling 存在的问题

虽然 Function Calling 解决了：

但是随着工具越来越多，又出现了新的问题。

问题一：决策瘫痪

假设现在有很多工具：

searchGoogle()searchWeb()searchInternet()querySearch()

它们功能都类似：

搜索互联网

那么：

LLM 应该调用哪一个？

如果工具描述不够清晰：

模型很容易选择错误。

这就是：

决策瘫痪（Decision Paralysis）

问题二：上下文过载

为了让 LLM 知道有哪些工具可用。

我们需要把工具信息传递给模型：

例如：

工具名称工具描述参数返回值使用方式

如果只有几个工具：

没有问题。

但是如果：

100个工具500个工具1000个工具

这些工具描述都会进入：

Context（上下文）

导致：

• 占用大量 Token
• 减少模型推理空间
• 增加调用成本

最终：

工具越多，模型反而越难判断。

MCP 出现了

为了解决这些问题：

Anthropic 提出了：

MCPModel Context Protocol

中文：

模型上下文协议

MCP 是什么？

MCP 本质是一套：

LLM 与外部工具交互的标准协议。

它规定：

• 工具如何暴露
• 工具如何发现
• 工具如何调用
• 数据如何传输

简单理解：

以前：

每个 AI 平台都有自己的工具调用方式

现在：

所有工具统一遵守 MCP 标准

MCP 的核心架构

MCP 中主要有三个角色：

MCP ClientMCP ServerTool

关系：

用户↓MCP Client↓LLM↓MCP Server↓Tool

MCP Client

负责：

• 与 LLM 通信
• 管理工具调用流程

例如：

• Claude Desktop
• Cursor
• Trae

MCP Server

负责：

• 管理工具
• 暴露工具能力

例如：

一个 MCP Server 可以提供：

天气查询工具数据库查询工具文件读取工具

Tool

真正执行任务的函数。

例如：

getWeather()

真正执行：

查询天气 API

MCP 提供了哪些能力？

MCP 主要解决三个问题。

1. 工具搜索（Tool Discovery）

MCP Client 可以向 MCP Server 请求：

有哪些工具？

MCP Server 返回：

[ {name:"getWeather",description:"查询天气",parameters:{} }]

LLM 就知道：

当前有哪些能力。

2. 程序化工具调用

LLM 不直接执行函数。

流程：

LLM↓MCP Client↓MCP Server↓Tool

MCP Server 负责真正调用工具。

3. 工具使用示例

除了告诉模型：

工具叫什么

还可以告诉模型：

什么时候使用参数怎么传返回什么格式

提高模型选择工具的准确率。

一个 MCP 请求流程

例如：

用户在 Trae 中输入：

帮我查询上海天气

流程：

用户↓Trae（MCP Client）↓LLM↓LLM 判断需要天气工具↓Trae 请求 MCP Server↓调用 weather Tool↓返回天气数据↓发送给 LLM↓LLM 生成答案↓展示用户

LLM 如何知道有哪些工具？

这是 MCP 最核心的问题。

答案：

MCP Client 主动向 MCP Server 获取工具列表。

流程：

第一步：

MCP Client 启动。

↓

第二步：

请求 MCP Server：

list_tools()

↓

第三步：

MCP Server 返回：

工具名称工具描述参数 Schema

↓

第四步：

MCP Client 将这些工具信息配置到 LLM 的：

tools 参数

LLM 如何知道应该调用哪个工具？

LLM 并不是直接认识工具。

它依赖：

工具名称工具描述参数定义

例如：

工具：

getWeather

描述：

查询指定城市实时天气

用户：

北京今天温度多少？

LLM 推理：

用户需要天气信息↓getWeather 描述匹配↓返回调用请求

所以：

工具描述质量非常重要。

MCP 调用过程中的递归执行

实际 Agent 中：

一次任务可能需要多轮调用。

例如：

用户：

帮我分析最近销售数据

可能需要：

1. 查询数据库
2. 计算数据
3. 生成报告

流程：

用户请求↓LLM↓需要数据库工具↓调用 MCP Server↓返回数据↓继续发送给 LLM↓LLM 判断下一步↓继续调用工具↓最终回答

这个过程会不断：

messages追加↓LLM重新推理↓工具调用↓messages合并

直到得到最终答案。

如何开发一个 MCP Server？

一个简单 MCP 服务开发流程：

第一步：安装 SDK

pnpm i @modelcontextprotocol/sdk zod

其中：

@modelcontextprotocol/sdk

MCP 官方开发 SDK。

zod

用于：

定义参数类型↓自动生成 JSON Schema

例如：

z.object({ city:z.string()})

自动转换：

{ city:{type:"string" }}

让 LLM 理解工具参数。

第二步：创建 MCP Server

创建一个服务：

MCP Server

作为工具管理中心。

第三步：注册 Tool

例如：

注册天气工具：

getWeather

包含：

• 名称
• 描述
• 参数
• 执行逻辑

第四步：启动 MCP Server

让 Client 可以连接。

例如：

TraeCursorClaude Desktop

第五步：开发 MCP Client 测试

测试：

• 是否可以获取工具列表
• 是否可以调用工具
• 是否正确返回结果

面试回答：什么是 MCP？

如果面试官问：

可以回答：

MCP 是 Model Context Protocol，是一套标准化协议，用于统一 LLM 与外部工具、数据源、系统之间的交互方式。它解决了传统 Function Calling 中工具管理困难的问题，通过 MCP Server 暴露工具，让 MCP Client 获取工具定义并提供给 LLM，最终实现模型对工具的发现和调用。

面试回答：MCP 有什么作用？

主要有三个作用：1. 标准化工具调用方式2. 让 LLM 可以动态发现工具3. 提高工具选择和调用准确率，减少上下文占用

面试回答：你开发过 MCP 吗？怎么实现？

开发 MCP Server 时：首先安装 @modelcontextprotocol/sdk 和 zod。然后创建 MCP Server 实例。接着通过 Server 注册 Tool，使用 zod 定义工具参数，自动生成 JSON Schema。启动 MCP Server 后，开发 MCP Client 获取工具列表并测试调用。整个流程就是：Client 获取 Tool 信息，LLM 根据描述选择工具，Client 调用 MCP Server，Server 执行 Tool，结果返回给 LLM。

总结

一句话理解：

Function Calling：让 LLM 能调用工具。MCP：让 LLM 可以标准化、高效、准确地管理和调用大量工具。

未来 AI Agent 的核心能力：

不是单纯让模型变聪明。

而是：

LLM+Tools+MCP+Agent Workflow

共同组成真正能够完成复杂任务的智能系统。