前言
- 学习了Spring Ai的运用之后
- 引发思考，类似于Claude这类软件如何获取本地资源
- 接下来学习的MCP协议就可以解决上面的问题
MCP
- MCP 全称为：Model Context Protocol，即：模型上下文协议，它是一种社区共建的AI 开放协议，它标准化了应用向 AI 应用提供上下文的方式。
- 对于MCP的定义可以查看Spring AI官网中的架构图
- 可以看到一个AI工具内可以集成多个MCP Server来提供服务，每个Server都有明确定义的作用
- 并且MCP把各类标准都进行统一，无论是哪种架构的LLM都可以无感切换
- 可以将MCP视为AI领域的”万能适配器”，就像蓝牙技术能够将手机无线连接到耳机、键盘、智能家居等各类设备那样，MCP构建了一个通用协议层，让不同架构的AI模型可以无缝接入数据库、传感器、API接口等多元化资源，实现即插即用的智能化协作。
- 接下来再看官网中Client Server的架构图
- 从图中可以看到，由于规则的统一，无论是什么语言开发的，获得是哪种数据，最后只要都符合MCP相关规则都可以相互通信，这使得各个服务都可以进行拆分解耦
- 并且可以看到Client和Server之间有两种不同的通信方式
- 根据服务来源，MCP主要采用通信机制，本地通信时采用标准输入输出，远程通信则通过SSE进行。
- 这两种通信方式中的消息，都采用了JSON格式进行消息传输，使MCP通信过程能够标准化，并带来了可扩展性。
- MCP服务器还内置了安全机制，允许服务器自己控制资源，不用把API密钥交给大模型。Server可以直接在本地获取，最后传到大模型内只有数据，其中过程对大模型是不可见的
运行过程
-
接下来可以看看MCP整个的运行过程，如下图
- 用户发送消息：用户通过客户端应用程序发送一条消息。
- 客户端传递消息：客户端将用户的消息传递给 LLM。
- LLM 请求工具或数据：LLM 可能需要额外的工具或数据来处理请求，因此向客户端发出请求。
- 客户端向 MCP 服务器请求：客户端根据 LLM 的需求，通过 MCP 协议向 MCP 服务器发送请求。
- MCP 服务器访问数据源：MCP 服务器根据请求访问相应的数据源。
- 数据源返回数据：数据源将所需的数据返回给 MCP 服务器。
- MCP 服务器返回工具或数据：MCP 服务器将获取到的工具或数据返回给客户端。
- 客户端提供工具或数据给 LLM：客户端将工具或数据传递给 LLM。
- LLM 返回处理结果：LLM 使用提供的工具或数据生成处理结果，并返回给客户端。
- 客户端显示最终结果：客户端将 LLM 的处理结果展示给用户。
-
类似于Claude，就是相当于在你的程序中跑了MCP Client和MCP Server，当需要请求本地资源时，直接通过本地的MCP Server来获取
结论
- 以上就是MCP的相关内容
- MCP的出现主要为了弥补大模型的短板
- 让大模型不在局限于云端的沟通
- 并对协议进行统一，使得AI技术不局限于数据类型，语言
- 更好的实现解耦拆分
