MCP入门指南:大模型连接外部工具的标准化协议

MCP 是用标准化协议让大模型调用外部工具、复用传统软件资产的桥梁。
文章基于 B 站公开课内容,梳理了 MCP(模型上下文协议)的核心逻辑。文章指出,大模型能理解自然语言,却无法直接使用为程序设计的 HTTP 接口和 RPC 调用,因为后者缺少自然语言形式的工具描述。MCP 作为一套规则和约束,定义了大模型如何发现工具、调用工具和接收结果,从而让不同厂商的模型与不同语言编写的工具在统一框架下协作。其核心价值在于复用:把已有的电商、库存等 Java 接口封装成 MCP 工具,无需重写代码即可被 Agent 调用。文章还简要提及 Skill 与 MCP 处于不同抽象层,并给出先理解协议模型、再动手封装接口的入门路径。
在AI大模型快速渗透各行各业的当下,如何让模型真正“用起来”成为开发者关注的焦点。B站上有一类教程试图回答这个问题:把MCP讲清楚,并手把手带人从入门走到代码实战。本文基于这类公开课的内容,梳理MCP的核心逻辑,并对比另一个常被提及的概念——Skill,帮助你建立清晰的认知框架。
为什么大模型需要MCP?
要理解MCP,先得回到一个现实问题:大模型虽然能理解自然语言,但它对传统软件系统的接口一无所知。过去我们开发的电商系统、库存查询服务,接口都是给程序调用的,比如Java里的一个方法,参数是什么、返回什么,只有写代码的人知道。你把一段用户请求直接丢给ChatGPT,它并不知道你背后有一个库存查询接口可以调用。
传统的HTTP接口、RPC调用,本质上都是为程序之间的通信设计的。前端访问后端,后端再调数据库,这一整套链路对机器友好,但对大模型不友好。大模型需要的是“工具描述”——用自然语言说明这个工具能做什么、需要什么参数。这正是MCP要解决的问题:让大模型以标准化的方式连接外部工具或业务系统。

协议的本质是规则和约束
主讲人用了一个很直白的类比:就像HTTP协议规定了互联网请求和响应的格式一样,MCP也是一种协议,是一种规则和约束。它定义了大模型如何发现工具、如何调用工具、如何接收结果。有了这层标准,不同厂商的模型、不同语言写的工具,都能在一个统一的框架下协作。

RPC(远程过程调用) 是一种让程序像调用本地函数一样调用另一台机器上服务的技术,常见实现包括 gRPC、Dubbo、Thrift 等。它的核心是强类型接口约定:调用方必须知道方法名、参数类型和返回结构,通常依赖 IDL(接口定义语言)或代码生成来保证两端一致。这与大模型的工作方式存在根本冲突——大模型无法阅读 IDL,也无法在没有自然语言说明的情况下推断某个方法该在什么场景下使用。MCP 并非取代 RPC,而是在 RPC/HTTP 之上增加一层面向模型的“语义描述层”,让模型能基于自然语言理解工具用途,再由 MCP 运行时把调用翻译成实际的 RPC 或 HTTP 请求。
MCP如何盘活传统软件资产
理解MCP的价值,关键看它带来的复用效应。假设你有一个已经上线的电商系统,里面有商品查询、库存查询等接口。这些接口是用Java写的,逻辑稳定,但大模型无法直接使用。通过MCP,你可以把这些接口封装成MCP工具——用什么语言封装都行,关键是给工具配上自然语言描述。
封装之后,当用户向Agent提出“查一下苹果手机的库存”时,大模型理解意图后发现自己有一个库存查询工具可用,直接调用即可。工具背后走的还是你原先那套数据库查询逻辑,代码一行没重写。这就实现了对传统业务系统的复用。

主讲人在这里强调了一个观点:MCP相当于打通了大模型世界和传统软件世界之间的连接。以前Java做Java的、Python做Python的、大模型做大模型的,彼此独立;现在通过MCP,大模型可以调用传统工具,传统系统获得了新的入口。

为什么MCP现在这么火
一个重要的背景是:大模型出现之前,业界已经积累了海量的传统软件系统。不能因为大模型来了,就把之前的系统全部推倒重来。MCP提供了一条渐进式路径——不用重建,只需封装。这解释了他为什么在Agent开发体系中占据重要位置:但凡你要做Agent,就绕不开工具调用,而MCP是目前让工具调用标准化的主流方案。
Agent(智能体) 指由大模型驱动的、能够自主规划步骤并调用外部工具完成任务的系统。与单轮问答不同,Agent 的核心循环是“思考—行动—观察”:模型先判断需要什么工具,发起调用,读取返回结果,再决定下一步。这一循环对工具调用的标准化要求极高,因为模型需要在运行时动态发现可用工具及其参数格式。MCP 正是为这一循环提供统一接口的协议层,使 Agent 不必为每个外部系统编写定制化的适配代码,这也是它在 Agent 开发体系中占据基础位置的原因。
MCP与Skill:两个容易混淆的概念
课程的第二部分转向Skill。原始素材对Skill的展开非常有限,只提到会与MCP做对比讲解,但没有给出Skill的详细定义和用法。从上下文推断,Skill大概率指代Agent平台中预置的某种能力单元或技能封装,与MCP的工具连接协议处于不同抽象层。两者的具体差异需要结合更完整的课程内容来理解,本文不做过度延伸。
在 Agent 平台语境中,Skill(技能) 通常指封装了特定任务流程的能力单元,往往包含提示词模板、步骤编排和若干工具的组合,面向“完成一类任务”而非“连接一个系统”。可以粗略地把 MCP 理解为底层的能力接入协议,解决“模型能调用什么”;Skill 则是上层的任务编排封装,解决“模型按什么流程做事”。一个 Skill 内部可能调用多个 MCP 工具,但 MCP 本身不规定任务流程。二者是层次关系而非替代关系,实际选型时应先明确需求是接入新系统(用 MCP)还是固化已有流程(用 Skill)。
给开发者的实践建议
对于正在学习大模型应用开发的工程师,MCP是必须接触的一环。入门路径可以这样走:先理解协议的基本模型(工具描述、调用请求、结果返回),然后动手把一个已有的简单接口封装成MCP工具,最后在Agent流程中测试调用。关键在于体会“自然语言描述工具”和“程序调用接口”之间的思维转换。
公开课这种形式的好处是带有思维导图,课下可以找助教索取,方便复习。但仅靠观看不够,MCP的细节藏在动手封装的过程中,建议边看边写。
总结
MCP的核心价值一句话可以概括:用标准化协议让大模型理解并调用外部工具,从而复用已有的软件能力。它不是要替代传统开发,而是在大模型和传统系统之间架一座桥。对于Agent开发者来说,掌握MCP意味着你的模型不再只是聊天,而是能真正操作业务系统。
相关推荐

Dify 工作流实战:本地部署与私有知识库智能体落地指南
基于 B 站 Dify 实战课程整理:Windows Docker 本地部署、MySQL 连接配置、五类应用与工作流节点案例、外部大模型接入选择,以及应用发布为站点或 API 的完整落地路径。

大模型分布式训练全解析:DP/TP/PP/SP一次讲透
从单卡显存瓶颈出发,系统讲解大模型分布式训练中的DP数据并行、TP张量并行、PP流水线并行与SP序列并行,剖析各自切分维度、通信代价与混合并行实战选型逻辑。

DeepSeek Harness保姆级教程:安装配置到插件实战
DeepSeek Harness保姆级教程:详解Node.js环境配置、客户端安装步骤,以及对话式、插件市场、命令行三种插件安装方式,助你快速上手这款开源AI Agent框架。