模型上下文提供者（MCP）如何赋能AI智能体

显示全部楼层

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;display: table;padding: 0px 0.2em;color: rgb(255, 255, 255);background: rgb(15, 76, 129);">摘要

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 16px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">在AI助手使用工具的过程中，如何让模型只关注当前任务相关的工具，而不被众多不相关工具干扰？本文深入探讨了"模型上下文提供者"（Model Context Provider，MCP）的工作原理，它作为AI与工具之间的智能调度层，能够根据用户需求动态选择相关工具，大幅提升AI助手的效率和准确性。

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;display: table;padding: 0px 0.2em;color: rgb(255, 255, 255);background: rgb(15, 76, 129);">引言

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 16px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">想象一下，如果你问AI助手"巴黎今天的天气怎么样？"，而系统却给它提供了几十种工具的描述，包括搜索餐厅、预订航班、查看股票等等。这不仅会浪费计算资源，还可能导致AI做出错误的工具选择。

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 16px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">这就是为什么我们需要一个智能的"模型上下文提供者"（MCP）。它就像AI的私人助理，在用户提出请求后，先分析需求，只挑选出可能用到的工具，然后再把这些精选工具和用户请求一起发送给大语言模型（LLM）。

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;display: table;padding: 0px 0.2em;color: rgb(255, 255, 255);background: rgb(15, 76, 129);">MCP的工作流程

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 16px;letter-spacing: 0.1em;color: rgb(63, 63, 63);">MCP的核心工作流程可以分为以下几个步骤：

ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 16px;text-indent: -1em;display: block;margin: 0.2em 8px;color: rgb(63, 63, 63);">
1.ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: inherit;color: rgb(15, 76, 129);">接收用户请求：用户提出问题，如"巴黎的天气怎么样？"
2.分析用户意图：MCP分析请求内容，理解用户想要了解什么
3.选择相关工具：基于分析结果，从所有可用工具中选出相关的子集（如天气查询工具）
4.构建动态提示词：将系统指令、工具使用说明、仅选定的工具描述和用户请求组合成提示词
5.发送给LLM：将构建好的提示词发送给大语言模型
6.处理LLM输出：

• 如果LLM决定使用工具，MCP执行该工具并获取结果
• 如果不需要工具，LLM直接生成自然语言回复

7.返回最终结果：将工具执行结果或直接回复返回给用户

动态提示词的构建

MCP构建的动态提示词通常包含以下几个部分：

1.系统指令：定义LLM的角色和总体目标

你是一个有帮助的助手。请使用可用工具回答用户的问题。始终优先提供准确信息。

2.工具使用说明：指定LLM调用工具时必须使用的格式

当调用工具时，你必须使用以下JSON格式：{"tool_name": "工具名称", "parameters": {"参数1": "值1", "参数2": "值2", ...}}
不要在JSON前后添加任何其他文本。如果不需要使用工具，请直接用自然语言回复。

3.动态选择的工具定义：这是MCP的核心部分，只包含与当前请求相关的工具

可用工具：
{
 "name": "get_weather",
 "description": "获取特定位置的当前天气。",
 "parameters": {
  "type": "object",
  "properties": {
   "location": {
    "type": "string",
    "description": "城市和州/国家，例如：北京，中国"
   },
   "unit": {
    "type": "string",
    "enum": ["celsius", "fahrenheit"],
    "description": "温度单位。默认为摄氏度。"
   }
  },
  "required": ["location"]
 }
}

4.对话历史（如适用）：之前的对话内容
5.用户当前请求：
```
用户：巴黎的天气怎么样？
```

一个完整的示例

用户请求

巴黎的天气怎么样？

MCP构建的提示词

系统：你是一个有帮助的助手。请使用可用工具回答用户的问题。始终优先提供准确信息。当调用工具时，你必须使用以下JSON格式：{"tool_name": "工具名称", "parameters": {"参数1": "值1", "参数2": "值2", ...}}。不要在JSON前后添加任何其他文本。如果不需要使用工具，请直接用自然语言回复。

可用工具：
{
 "name": "get_weather",
 "description": "获取特定位置的当前天气。",
 "parameters": {
  "type": "object",
  "properties": {
   "location": {
    "type": "string",
    "description": "城市和州/国家，例如：北京，中国"
   },
   "unit": {
    "type": "string",
    "enum": ["celsius", "fahrenheit"],
    "description": "温度单位。默认为摄氏度。"
   }
  },
  "required": ["location"]
 }
}

用户：巴黎的天气怎么样？

LLM的可能输出

{
"tool_name":"get_weather",
"parameters":{
 "location":"巴黎，法国",
 "unit":"celsius"
}
}

MCP执行工具后的处理

MCP接收到这个工具调用请求后，会执行get_weather工具获取巴黎的天气信息，然后将结果再次发送给LLM，让它生成最终的自然语言回复。

E2E Workflow 图示

MCP如何选择相关工具

MCP可以通过多种方法来确定哪些工具与用户请求相关：

1.关键词匹配：简单的正则表达式或字符串匹配，检查用户请求中是否包含工具名称或描述中的关键词
2.语义搜索/嵌入：将用户请求和所有可用工具的描述转换为向量，找出与请求语义相似度最高的工具
3.规则系统：定义明确的规则（例如，"如果查询包含'天气'和城市名，则包含'天气查询工具'"）
4.分类模型：使用专门的模型或小型LLM来分类用户意图并映射到相关工具

MCP的优势

1.减少提示词大小：只包含相关工具可以节省token数量，降低延迟和成本
2.提高可靠性：LLM不太可能被大量不相关的工具混淆，或尝试使用不适合当前请求的工具
3.加快决策速度：选项更少，LLM可能更快做出工具调用决策
4.增强控制：MCP可以精细控制对任何给定请求或用户状态向LLM公开哪些功能

实际应用场景

MCP在多种场景下都能发挥重要作用：

1.多功能AI助手：拥有数十种甚至上百种工具的AI助手可以通过MCP智能选择工具，避免混淆
2.个性化服务：根据用户偏好或权限动态调整可用工具
3.资源受限环境：在计算资源有限的情况下，减少不必要的工具描述可以显著提高效率
4.专业领域应用：在医疗、法律等专业领域，可以根据具体问题类型选择专业工具

实现MCP的技术考虑

实现一个高效的MCP系统需要考虑以下几个方面：

1.工具分类系统：建立一个良好的工具分类体系，便于快速筛选
2.嵌入向量数据库：为工具描述创建嵌入向量并存储，以支持语义搜索
3.缓存机制：缓存常见请求类型的工具选择结果，减少重复分析
4.监控和反馈：跟踪工具选择的准确性，并根据实际使用情况不断优化算法

个人见解

MCP代表了AI系统设计中的一个重要趋势：不是简单地增加模型规模或添加更多工具，而是优化模型与工具之间的交互方式。这种"少即是多"的理念在提高AI系统效率方面非常关键。

随着AI助手能力的不断扩展，工具数量可能会呈指数级增长，这使得MCP这样的智能调度层变得越来越重要。未来，我们可能会看到更加复杂的MCP系统，它们不仅能根据用户请求选择工具，还能预测用户可能的后续需求，提前准备相关工具。

此外，MCP的思想不仅适用于工具选择，还可以扩展到其他方面，如动态调整系统指令、选择合适的模型等。这代表了AI系统架构的一个重要发展方向。

总结

模型上下文提供者（MCP）作为AI系统中的智能调度层，通过动态选择与用户请求相关的工具，显著提高了AI助手的效率和准确性。它不仅减少了提示词大小，还提高了模型响应速度和决策质量。随着AI工具生态系统的不断扩大，MCP的重要性将越来越突出，成为构建高效AI系统的关键组件。