MCP (Model Context Protocol) 介紹

MCP 是 Anthropic 在 2024 年 11 月推出的標準化工具呼叫協定，讓大型語言模型能夠：

1. 動態探索外部工具（如天氣 API、資料庫、GitHub 等）
2. 使用結構化參數自動呼叫工具
3. 執行複合式任務流程（如天氣查詢任務）

目錄

1. 什麼是 MCP
2. MCP 核心問題解析
3. MCP 運作原理
4. MCP 配置方法
5. MCP Server中工具使用流程設計

什麼是 MCP

MCP (Model Context Protocol) 是由開發 Claude 模型的美國新創公司 Anthropic 推出的標準化工具箱，它為大型語言模型提供了與外部工具和 API 交互的統一框架。

簡而言之：MCP 是大模型的標準化工具箱。

MCP 核心問題解析

1. 大模型如何發現工具箱中的工具？

MCP 提供標準化工具發現機制，每個 MCP 伺服器需公布：

• 🔧 工具名稱
• 📝 功能描述
• 🛠️ 參數格式
• 🧪 使用示例

2. 工具調用參數規範

MCP 工具參數使用 JSON Schema 規範定義：

{
  "$schema": "http://json-schema.org/draft-07/schema#",
  "type": "object",
  "properties": {
    "param1": {"type": "string"},
    "param2": {"type": "number"}
  }
}

3. MCP 與 Function Call 關係

Function Call 是大型語言模型調用外部功能的一種機制，而 MCP 可以被視為 Function Call 的標準化和擴展版本。

特性	Function Call	MCP 優勢
標準化程度	各平台實現不同	統一跨平台調用接口
工具發現	靜態定義	動態工具發現機制
功能範圍	基本工具調用	複合工具流程支持
兼容性	特定模型專用	多層適配架構
參數驗證	有限	完整 JSON Schema 支持
上下文處理	單次調用	支持多輪上下文

MCP 在設計上是 Function Call 的進一步發展和標準化，它提供了更完整的框架來處理模型與外部工具的交互，特別是在處理複雜的多步驟工作流程時更加強大。

4. 模型兼容性

• ✅ 原生支持 function call 模型
• 🔄 需適配層轉換模型
• 🌐 通用協議設計

MCP 運作原理

MCP 採用三階段循環架構：

1. 上下文初始化

   • 模型載入基礎環境設定
   • 建立通訊管道

2. 動態數據交換

   graph LR
   A[模型] -->|請求| B(MCP伺服器)
   B -->|響應| A
   

3. 持續優化階段

   • 模型根據任務需求動態選擇工具
   • 根據工具回傳結果調整後續行動

MCP 配置方法

MCP 傳輸模式比較：Stdio vs SSE

Model Context Protocol (MCP) 支援多種傳輸模式，其中最常用的是 Stdio 和 SSE。本文檔簡要對比這兩種傳輸方式的差異與通訊特點。

特性	Stdio	SSE
全名	Standard Input/Output	Server-Sent Events
通訊模型	進程間通訊	HTTP 長連接推送
適用場景	本地開發與測試	分布式系統與網絡服務

通訊模式對比

graph TD
    subgraph "Stdio 通訊模式"
        A[模型/客戶端] <-->|stdin/stdout| B[MCP 工具服務]
    end

    subgraph "SSE 通訊模式"
        C[模型/客戶端] -->|HTTP POST 請求| D[MCP 工具服務]
        D -->|事件流推送| C
    end

不同傳輸模式配置方法

Stdio (Standard Input/Output)

# 服務器配置 > transport="stdio"
if __name__ == "__main__":
    print("Starting MCP server...")
    mcp.run(transport="stdio")

//客戶端配置示例
{
  "Weather_MCP": {
    "command": "python",
    "args": [
      "./server.py",
      "run",
      "server.py"
    ],
    "disabled": false,
    "autoApprove": []
  }
}

• 通訊方式：透過標準輸入/輸出流進行資料交換
• 連接方式：直接進程啟動，沒有網絡開銷
• 資料流向：雙向、同步的資料流
• 優勢：設置簡單，適合快速開發和測試
• 限制：僅限於本地機器上的工具調用

SSE (Server-Sent Events)

# 服務器配置 > transport="sse"
if __name__ == "__main__":
    print("Starting MCP server...")
    mcp.run(transport="sse")

// 客戶端配置示例
{
  "Weather_MCP": {
    "url": "http://localhost:8000/sse"
  }
}

• 通訊方式：基於 HTTP 協議的單向伺服器推送
• 連接方式：HTTP 長連接
• 資料流向：主要是服務器到客戶端的推送
• 優勢：支持分布式部署，跨網絡調用
• 限制：需要網絡連接和合適的防火牆設置

MCP Server中工具使用流程設計

配置到VScode Cline客戶端

以查詢「我明天要去花蓮玩 有哪些推薦的景點 天氣怎樣?」為例：

flowchart TD
    A[使用者輸入：明天去花蓮玩，想知道天氣與景點] --> B[Lat_Lan_Tools<br/>取得經緯度]
    B --> C[Weather_Tools<br/>根據經緯度查詢天氣]
    C --> D{有景點推薦工具嗎？}
    D -- 是 --> E[呼叫景點工具<br/>取得推薦景點]
    D -- 否 --> F[使用模型知識<br/>列出知名景點]
    E --> G[組合天氣與景點回答]
    F --> G[組合天氣與景點回答]

步驟一：查詢經緯度 調用'Lat_Lan_Tools'

向大語言模型詢問「我明天要去花蓮玩 有哪些推薦的景點 天氣怎樣?」

get_lat_lan("花蓮")

模型會根據工具描述自行填入參數: Arguments：

{
  "place": "花蓮"
}

Response：

{
  "latitude": 23.991,
  "longitude": 121.6015
}

步驟二：查詢天氣預報 調用'Weather_Tools'

使用 Weather_Tools 傳入上一步經緯度，取得天氣資訊。

get_weather(latitude=23.991, longitude=121.6015)

模型會根據工具描述自行填入參數: Arguments：

{
  "lat": 23.991,
  "lon": 121.6015
}

Response：

{"coord": {"lon": 121.601, "lat": 23.9926}, "weather": [{"id": 804, "main": "Clouds", "description": "\u9670\uff0c\u591a\u96f2", "icon": "04n"}], "base": "stations", "main": {"temp": 20.73, "feels_like": 21.13, "temp_min": 20.73, "temp_max": 20.73, "pressure": 1018, "humidity": 87, "sea_level": 1018, "grnd_level": 954}, "visibility": 10000, "wind": {"speed": 2.11, "deg": 309, "gust": 1.4}, "clouds": {"all": 100}, "dt": 1744725312, "sys": {"type": 2, "id": 2096350, "country": "TW", "sunrise": 1744666338, "sunset": 1744712078}, "timezone": 28800, "id": 1668885, "name": "Shuiyuandi", "cod": 200}

步驟三：補充景點推薦 沒有相關工具

未找到景點相關工具時，模型根據現有知識提供資訊

最後總結輸出結果

花蓮明日天氣預報：
- **天氣狀況：多雲
- **溫度：20.73°C
- **體感溫度：21.13°C
- **濕度：87%
- **風速：2.11 m/s

推薦景點：
1. 太魯閣國家公園 - 以壯麗峽谷和步道聞名
2. 七星潭 - 新月形海灣適合觀賞日出和星砂
3. 鯉魚潭 - 環湖自行車道與水上活動
4. 東大門夜市 - 在地美食聚集地（推薦炸彈蔥油餅）
5. 雲山水夢幻湖 - 落羽松秘境與生態園區

這種多步驟工具呼叫設計展示了 MCP 在複雜任務中的應用能力。