MCP協議：從意外通用性到跨平臺AI能力插座

AI能力集成的現實問題

開發者常遇到這些情況：

• 每個新模型都要重寫調用邏輯，參數校驗、序列化、錯誤處理重復造輪子
• 同一個文本生成能力，在VS Code插件里用一次，在Chrome擴展里又要適配一遍
• 客服系統想接入語音識別，但供應商只提供Python SDK，而線上服務是Go寫的

MCP協議沒打算當“標準”，它最初只是幾個開發者在調試多Agent協作時，為統一能力描述和調用方式隨手定義的一組約定。結果發現：只要把能力注冊成結構化描述、調用走固定HTTP接口，Web、桌面、終端工具都能直接用——它自然成了跨平臺AI能力插座。

協議核心：能力注冊與結構化調用

能力注冊：用JSON描述“能做什么”

MCP不規定模型怎么實現，只約定怎么聲明能力。每個能力必須包含三部分：

• name：全局唯一標識符（如 text_generation）
• inputs：輸入參數列表，每個含 name 和 type（支持 string/int/float/boolean/array/object）
• outputs：輸出字段列表，同樣帶 name 和 type

注冊示例：

{
  "name": "text_generation",
  "inputs": [
    {"name": "prompt", "type": "string"},
    {"name": "max_length", "type": "int"}
  ],
  "outputs": [
    {"name": "generated_text", "type": "string"}
  ]
}

這個JSON就是能力的“說明書”。Server收到后存進內存或數據庫，Client調用時按此校驗參數。

結構化調用：統一接口，不關心實現

調用不走自定義RPC或SDK，只用兩個HTTP端點：

• POST /register：注冊能力（上面那個JSON）
• POST /call/{capability_name}：傳入參數字典，返回結構化響應

VS Code插件調用示例：

from mcp_client import MCPClient

client = MCPClient("http://localhost:8000")
response = client.call("text_generation", prompt="你好，世界", max_length=50)
print(response["generated_text"])

關鍵點：

• Client不依賴模型框架（PyTorch/TensorFlow/JAX都無關）
• Server可自由替換后端（本地Ollama、遠程vLLM、甚至調用AWS Bedrock）
• 參數自動校驗：如果傳了 prompt 但漏了 max_length，Server直接400返回缺失字段

輕量、安全、可組合的底層邏輯

• 輕量：協議只有2個端點、1種注冊格式、1種調用格式。無狀態、無會話、無長連接。
• 安全：權限控制在Server層實現（如JWT鑒權、IP白名單），Client只管發請求；所有輸入輸出類型明確，防注入更直接。
• 可組合：一個能力的輸出字段名，可直接作為另一個能力的輸入字段名。比如 image_captioning 輸出 caption，下游 translate 能力就能聲明 {"name": "text", "type": "string"} 接收它——編排靠字段名對齊，不是硬編碼。

VS Code官方插件、Chrome擴展、以及終端工具mcp-cli已原生支持該協議，驗證了它在真實開發環境中的可用性。

快速啟動MCP Server：FastAPI實現

環境準備

pip install fastapi uvicorn pydantic

最小可行Server

from fastapi import FastAPI, HTTPException, Depends
from pydantic import BaseModel
from typing import List, Dict, Any

app = FastAPI()

class InputParam(BaseModel):
    name: str
    type: str

class OutputParam(BaseModel):
    name: str
    type: str

class Capability(BaseModel):
    name: str
    inputs: List[InputParam]
    outputs: List[OutputParam]

capabilities: Dict[str, Capability] = {}

@app.post("/register")
def register_capability(capability: Capability):
    if capability.name in capabilities:
        raise HTTPException(400, f"Capability '{capability.name}' already registered")
    capabilities[capability.name] = capability
    return {"message": "registered"}

@app.post("/call/{capability_name}")
def call_capability(
    capability_name: str,
    inputs: Dict[str, Any]
):
    cap = capabilities.get(capability_name)
    if not cap:
        raise HTTPException(404, f"Capability '{capability_name}' not found")

    # 參數校驗
    for param in cap.inputs:
        if param.name not in inputs:
            raise HTTPException(400, f"Missing input: {param.name}")

    # 實際執行（此處替換成你的模型調用）
    if capability_name == "text_generation":
        prompt = inputs["prompt"]
        max_length = inputs["max_length"]
        result = f"{prompt} 這是生成的文本，長度為 {max_length}。"
        return {"generated_text": result}

    raise HTTPException(501, f"Capability '{capability_name}' not implemented")

啟動與測試

uvicorn mcp_server:app --reload --port 8000

注冊能力：

curl -X POST http://localhost:8000/register \
  -H "Content-Type: application/json" \
  -d '{
    "name": "text_generation",
    "inputs": [{"name": "prompt", "type": "string"}, {"name": "max_length", "type": "int"}],
    "outputs": [{"name": "generated_text", "type": "string"}]
  }'

調用能力：

curl -X POST http://localhost:8000/call/text_generation \
  -H "Content-Type: application/json" \
  -d '{"prompt": "你好，世界", "max_length": 50}'

提示：生產環境需添加日志、超時控制、模型加載緩存。但協議本身不強制這些——Server可以極簡，也可以復雜。

真實變現：電商客服的MCP落地

場景

某電商客服系統日均對話100萬次。人工響應平均耗時42秒，其中60%是標準問題（退貨政策、物流查詢、優惠券使用）。他們用MCP做了三件事：

1. 將內部訓練的客服微調模型封裝成 customer_support 能力，注冊到MCP Server
2. 在現有Java客服后臺中引入輕量MCP Client（僅30行HTTP調用代碼）
3. 對接規則：用戶消息命中關鍵詞（如“退貨”“物流單號”）時，自動調用該能力

商業模式

• 提效分成：人力成本下降50%，節省50萬元/月；AI供應商按效果分成，拿10萬元/月（基于解決率和用戶滿意度達標）
• 按量計費：未達標的對話仍走人工，只對AI成功響應的對話計費（0.02元/次）

關鍵收益

• 集成耗時3人日（非AI工程師完成），無需改動前端或數據庫
• 新增能力只需注冊+改調用邏輯，不用重發客服系統版本
• 當需要接入語音識別時，直接注冊 speech_to_text 能力，客服系統代碼零修改

下一步：動手做點什么

• 把你手頭一個腳本化的AI工具（比如PDF摘要、日志分析）包裝成MCP能力，注冊到本地Server
• 用curl或Python腳本調用它，確認輸入輸出符合預期
• 在VS Code里裝上mcp-vscode插件，把能力暴露給編輯器
• 如果已有SaaS產品，挑一個高頻AI功能（如郵件潤色、SQL生成），用MCP協議替換原有集成方式

MCP的價值不在設計多精巧，而在足夠簡單——簡單到開發者愿意立刻試，試完發現真能省事。