MCP 簡介:為什麼它對可擴充的 AI 應用很重要

(點選上方圖片觀看本課程影片)

生成式 AI 應用是一個重要的進步，因為它們通常允許使用者使用自然語言提示與應用互動。然而，隨著在這些應用上投入的時間和資源增加，你需要確保能輕鬆整合功能和資源，使得擴充變得容易，應用能夠支援多個模型的使用，並處理各種模型細節。簡而言之，建置生成式 AI 應用開始時很簡單，但隨著應用的發展和複雜化，你需要開始定義架構，並可能需要依賴某個標準來確保應用以一致的方式建置。這就是 MCP 出現的地方，用於組織事務並提供標準。

---

🔍 什麼是模型上下文協議（MCP）？

模型上下文協議（MCP） 是一個開放的、標準化的介面，允許大型語言模型（LLM）無縫地與外部工具、API 和資料來源互動。它提供了一種一致的架構，增強了 AI 模型的功能，超越了它們的訓練資料，實現更智慧、可擴充和響應更快的 AI 系統。

---

🎯 為什麼 AI 中的標準化很重要

隨著生成式 AI 應用變得更加複雜，採用標準以確保可擴充性、可延展性、可維護性和避免供應商鎖定變得至關重要。MCP 透過以下方式滿足這些需求：

• 統一模型與工具的整合
• 減少脆弱的、一次性的定製解決方案
• 允許來自不同供應商的多個模型在同一生態系統中共存

**注意：**雖然 MCP 自稱為開放標準，但目前沒有計劃透過任何現有標準機構如 IEEE、IETF、W3C、ISO 或其他標準機構來標準化 MCP。

---

📚 學習目標

在閱讀本文後，你將能夠：

• 定義**模型上下文協議（MCP）**及其使用場景
• 理解 MCP 如何標準化模型與工具間的通訊
• 識別 MCP 架構的核心組成部分
• 探索 MCP 在企業和開發環境中的實際應用

---

💡 為什麼模型上下文協議（MCP）是顛覆性創新

🔗 MCP 解決了 AI 互動的碎片化問題

在 MCP 之前，整合模型與工具需要：

• 針對每對工具-模型編寫定製程式碼
• 每個供應商都有非標準 API
• 更新頻繁導致整合中斷
• 難以擴充以支援更多工具

✅ MCP 標準化的好處

好處	描述
互操作性	大型語言模型可無縫協作不同供應商的工具
一致性	跨平臺和工具的統一行為
可重用性	建置一次的工具可在多個專案和系統中使用
加速開發	透過使用標準化、即插即用的介面減少開發時間

---

🧱 MCP 架構的高層次概覽

MCP 遵循客戶端-伺服器模型，其中：

• MCP 主機執行 AI 模型
• MCP 客戶端發起請求
• MCP 伺服器提供上下文、工具和功能

關鍵元件：

• 資源 – 為模型提供靜態或動態資料
• 提示 – 預定義的工作流用於指導生成
• 工具 – 可執行功能如搜尋、計算
• 取樣 – 透過遞迴互動實現的代理行為（2026-07-28釋出候選版本中已棄用）
• 引導 – 伺服器發起的使用者輸入請求
• 根 – 伺服器訪問控制的檔案系統邊界（2026-07-28釋出候選版本中已棄用）

協議架構：

MCP 採用兩層架構：

• 資料層：基於 JSON-RPC 2.0 的通訊，含生命週期管理和基本操作
• 傳輸層：STDIO（本地）和支援 SSE 的可流式 HTTP（遠端）通訊通道

---

MCP 伺服器如何工作

MCP 伺服器的操作方式如下：

• 請求流程：
  1. 請求由終端使用者或代表其操作的軟體發起。
  2. MCP 客戶端將請求傳送給管理 AI 模型執行時的MCP 主機。
  3. AI 模型接收使用者提示，可能透過一個或多個呼叫工具請求訪問外部工具或資料。
  4. MCP 主機（而非模型直接）使用標準化協議與相應的MCP 伺服器通訊。
• MCP 主機功能：
  • 工具註冊表：維護可用工具及其功能的目錄。
  • 認證：驗證工具訪問權限。
  • 請求處理器：處理模型發出的工具請求。
  • 響應格式化器：將工具輸出結構化為模型可理解的格式。
• MCP 伺服器執行：
  • MCP 主機將工具呼叫路由到一個或多個提供特定功能的MCP 伺服器（如搜尋、計算、資料庫查詢）。
  • MCP 伺服器執行相關操作並以一致格式返回結果給MCP 主機。
  • MCP 主機格式化並傳遞結果給AI 模型。
• 響應完成：
  • AI 模型將工具輸出整合至最終響應中。
  • MCP 主機將該響應傳送回MCP 客戶端，後者傳遞給終端使用者或呼叫軟體。

---
title: MCP Architecture and Component Interactions
description: A diagram showing the flows of the components in MCP.
---
graph TD
    Client[MCP Client/Application] -->|Sends Request| H[MCP Host]
    H -->|Invokes| A[AI Model]
    A -->|Tool Call Request| H
    H -->|MCP Protocol| T1[MCP Server Tool 01: Web Search]
    H -->|MCP Protocol| T2[MCP Server Tool 02: Calculator tool]
    H -->|MCP Protocol| T3[MCP Server Tool 03: Database Access tool]
    H -->|MCP Protocol| T4[MCP Server Tool 04: File System tool]
    H -->|Sends Response| Client

    subgraph "MCP Host Components"
        H
        G[Tool Registry]
        I[Authentication]
        J[Request Handler]
        K[Response Formatter]
    end

    H <--> G
    H <--> I
    H <--> J
    H <--> K

    style A fill:#f9d5e5,stroke:#333,stroke-width:2px
    style H fill:#eeeeee,stroke:#333,stroke-width:2px
    style Client fill:#d5e8f9,stroke:#333,stroke-width:2px
    style G fill:#fffbe6,stroke:#333,stroke-width:1px
    style I fill:#fffbe6,stroke:#333,stroke-width:1px
    style J fill:#fffbe6,stroke:#333,stroke-width:1px
    style K fill:#fffbe6,stroke:#333,stroke-width:1px
    style T1 fill:#c2f0c2,stroke:#333,stroke-width:1px
    style T2 fill:#c2f0c2,stroke:#333,stroke-width:1px
    style T3 fill:#c2f0c2,stroke:#333,stroke-width:1px
    style T4 fill:#c2f0c2,stroke:#333,stroke-width:1px

👨‍💻 如何建置 MCP 伺服器（附示例）

MCP 伺服器允許你透過提供資料和功能擴充 LLM 能力。

準備好試一試了嗎？以下是不同語言和/或技術棧的 SDK，附有建立簡單 MCP 伺服器的示例：

• Python SDK: https://github.com/modelcontextprotocol/python-sdk

• TypeScript SDK: https://github.com/modelcontextprotocol/typescript-sdk

• Java SDK: https://github.com/modelcontextprotocol/java-sdk

• C#/.NET SDK: https://github.com/modelcontextprotocol/csharp-sdk

🌍 MCP 的現實世界用例

MCP 透過擴充 AI 能力支援廣泛的應用：

應用	描述
企業資料整合	連線 LLM 與資料庫、CRM 或內部工具
代理式 AI 系統	實現具備工具訪問和決策工作流的自治代理
多模態應用	在單一統一 AI 應用中結合文字、影象和音訊工具
即時資料整合	將即時資料引入 AI 互動，實現更準確、及時的輸出

🧠 MCP = AI 互動的通用標準

模型上下文協議（MCP）充當了 AI 互動的通用標準，就像 USB-C 統一了裝置的物理連線方式一樣。在 AI 領域，MCP 提供了一致的介面，使模型（客戶端）能無縫整合外部工具和資料提供方（伺服器）。這消除了為每個 API 或資料來源開發不同定製協議的需求。

在 MCP 下，相容 MCP 的工具（稱為 MCP 伺服器）遵循統一標準。這些伺服器能列出它們提供的工具或操作，並在 AI 代理請求時執行這些操作。支援 MCP 的 AI 代理平臺能發現伺服器上的可用工具，並透過該標準協議呼叫它們。

💡 促進知識訪問

除了提供工具外，MCP 還促進了知識訪問。它使應用可以透過連線各種資料來源為大型語言模型（LLM）提供上下文。例如，一個 MCP 伺服器可能代表公司的檔案庫，讓代理按需檢索相關資訊。另一個伺服器可以處理傳送郵件或更新記錄等特定操作。從代理的角度看，這些都是它可以使用的工具——一些工具返回資料（知識上下文），另一些執行操作。MCP 高效地管理兩者。

連線到 MCP 伺服器的代理能夠透過標準格式自動了解伺服器的可用功能和可訪問資料。這種標準化實現了動態工具可用性。例如，向代理系統新增新 MCP 伺服器，其功能立即可用，無需進一步定製代理指令。

這種簡化的整合符合下圖所示的流程，其中伺服器提供工具和知識，確保系統間無縫協作。

👉 示例：可擴充的代理解決方案

---
title: Scalable Agent Solution with MCP
description: A diagram illustrating how a user interacts with an LLM that connects to multiple MCP servers, with each server providing both knowledge and tools, creating a scalable AI system architecture
---
graph TD
    User -->|Prompt| LLM
    LLM -->|Response| User
    LLM -->|MCP| ServerA
    LLM -->|MCP| ServerB
    ServerA -->|Universal connector| ServerB
    ServerA --> KnowledgeA
    ServerA --> ToolsA
    ServerB --> KnowledgeB
    ServerB --> ToolsB

    subgraph Server A
        KnowledgeA[Knowledge]
        ToolsA[Tools]
    end

    subgraph Server B
        KnowledgeB[Knowledge]
        ToolsB[Tools]
    end

通用聯結器使 MCP 伺服器能夠相互通訊和共享功能，允許 ServerA 委託任務給 ServerB 或訪問其工具和知識。這在伺服器間實現工具和資料的聯合，支援可擴充和模組化的代理架構。由於 MCP 標準化了工具暴露，代理能動態發現並在伺服器間路由請求，無需硬編碼整合。

工具和知識聯合：工具和資料可跨伺服器訪問，實現更可擴充和模組化的代理架構。

🔄 帶客戶端 LLM 整合的高階 MCP 場景

除了基本的 MCP 架構，還有一些高階場景，其中客戶端和伺服器都包含 LLM，實現更複雜的互動。下圖中，客戶端應用可能是帶有多個 MCP 工具的 IDE，由 LLM 為使用者使用：

---
title: Advanced MCP Scenarios with Client-Server LLM Integration
description: A sequence diagram showing the detailed interaction flow between user, client application, client LLM, multiple MCP servers, and server LLM, illustrating tool discovery, user interaction, direct tool calling, and feature negotiation phases
---
sequenceDiagram
    autonumber
    actor User as 👤 User
    participant ClientApp as 🖥️ Client App
    participant ClientLLM as 🧠 Client LLM
    participant Server1 as 🔧 MCP Server 1
    participant Server2 as 📚 MCP Server 2
    participant ServerLLM as 🤖 Server LLM
    
    %% Discovery Phase
    rect rgb(220, 240, 255)
        Note over ClientApp, Server2: TOOL DISCOVERY PHASE
        ClientApp->>+Server1: Request available tools/resources
        Server1-->>-ClientApp: Return tool list (JSON)
        ClientApp->>+Server2: Request available tools/resources
        Server2-->>-ClientApp: Return tool list (JSON)
        Note right of ClientApp: Store combined tool<br/>catalog locally
    end
    
    %% User Interaction
    rect rgb(255, 240, 220)
        Note over User, ClientLLM: USER INTERACTION PHASE
        User->>+ClientApp: Enter natural language prompt
        ClientApp->>+ClientLLM: Forward prompt + tool catalog
        ClientLLM->>-ClientLLM: Analyze prompt & select tools
    end
    
    %% Scenario A: Direct Tool Calling
    alt Direct Tool Calling
        rect rgb(220, 255, 220)
            Note over ClientApp, Server1: SCENARIO A: DIRECT TOOL CALLING
            ClientLLM->>+ClientApp: Request tool execution
            ClientApp->>+Server1: Execute specific tool
            Server1-->>-ClientApp: Return results
            ClientApp->>+ClientLLM: Process results
            ClientLLM-->>-ClientApp: Generate response
            ClientApp-->>-User: Display final answer
        end
    
    %% Scenario B: Feature Negotiation (VS Code style)
    else Feature Negotiation (VS Code style)
        rect rgb(255, 220, 220)
            Note over ClientApp, ServerLLM: SCENARIO B: FEATURE NEGOTIATION
            ClientLLM->>+ClientApp: Identify needed capabilities
            ClientApp->>+Server2: Negotiate features/capabilities
            Server2->>+ServerLLM: Request additional context
            ServerLLM-->>-Server2: Provide context
            Server2-->>-ClientApp: Return available features
            ClientApp->>+Server2: Call negotiated tools
            Server2-->>-ClientApp: Return results
            ClientApp->>+ClientLLM: Process results
            ClientLLM-->>-ClientApp: Generate response
            ClientApp-->>-User: Display final answer
        end
    end

🔐 MCP 的實際好處

使用 MCP 的實際好處包括：

• 時效性：模型可以訪問超出其訓練資料的最新資訊
• 能力擴充：模型能利用專門工具完成其未被訓練的任務
• 減少幻覺：外部資料來源提供事實依據
• 隱私：敏感資料可以留在安全環境中，而非嵌入提示詞

📌 主要收穫

以下是使用 MCP 的主要收穫：

• MCP標準化 AI 模型與工具和資料的互動方式
• 促進可擴充性、一致性和互操作性
• MCP 幫助減少開發時間、提升可靠性並擴充模型能力
• 客戶端-伺服器架構支援靈活、可擴充的 AI 應用

🧠 練習

思考一個你感興趣建置的 AI 應用。

• 哪些外部工具或資料能增強其能力？
• MCP 如何讓整合變得更簡單、更可靠？

附加資源

• MCP GitHub 儲存庫

下一步

下一課:MCP 核心概念

---

內容來源:本頁取自 MCP for Beginners,
原文連結:https://github.com/microsoft/mcp-for-beginners/blob/main/00-Introduction/README.md

MIT License, Copyright (c) Microsoft Corporation。
這門課上游沒有 zh-TW 官方翻譯,只有 translations/zh-CN(由
Co-op Translator 機器翻譯產生的簡體中文)。
中文譯文以這份簡體譯稿為底稿,先做簡轉繁字形轉換,再校訂用詞(陸式用語換成台式用語)、
標點與連結,並抽查修正機器翻譯的錯誤,最後補上重點整理;少數上游簡體譯稿缺漏的段落
則直接依英文原文補譯。
非官方版本,內容如與英文原文有出入,以原文為準。程式碼範例請直接使用原始 repo。