是什么让 OpenAI 和 Anthropic 这两个 AI 助手市场的竞争对手走到一起？尽管由于在发展方向上的根本分歧，Anthropic 的创始人在 2020 年离开 OpenAI 并后来创建了 Claude AI 助手，但一个共同的技术难题现在却让他们携手合作：如何让他们的 AI 模型轻松连接外部数据源。
解决方案来自 Anthropic，该公司在 2024 年 11 月开发并发布了一个名为模型上下文协议 (MCP) 的开放规范。MCP 建立了一个免版税协议，允许 AI 模型与外部数据源和服务连接，无需为每个服务开发独特的集成方案。
Anthropic 在 MCP 文档中写道："可以把 MCP 想象成 AI 应用的 USB-C 接口。"这个类比虽然不完美，但它表达了这样一个理念：就像 USB-C 统一了各种线缆和接口 (尽管其成功程度仍有争议)，MCP 旨在标准化 AI 模型与周围信息环境的连接方式。
到目前为止，MCP 也获得了多家科技公司的关注，这在跨平台合作中实属罕见。例如，Microsoft 已将 MCP 集成到其 Azure OpenAI 服务中，而如上所述，Anthropic 的竞争对手 OpenAI 也加入其中。上周，OpenAI 在其 Agents API 文档中承认了 MCP，并获得了高层的大力支持。
OpenAI 首席执行官 Sam Altman 上周三在 X 平台上写道："人们喜欢 MCP，我们很高兴能在我们的产品中添加支持。"
近几个月来，MCP 也开始迅速获得社区支持。例如，仅浏览 GitHub 上分享的超过 300 个开源服务器列表，就能发现人们对标准化 AI 工具连接的兴趣日益增长。这些实现涵盖了各个领域，包括 PostgreSQL、MySQL 和向量数据库等数据库连接器；与 Git 仓库和代码编辑器集成的开发工具；用于各种存储平台的文件系统访问；用于文档和网站的知识检索系统；以及针对金融、医疗保健和创意应用的专业工具。
其他值得注意的例子包括将 AI 模型连接到家庭自动化系统、实时天气数据、电子商务平台和音乐流媒体服务的服务器。一些实现允许 AI 助手与游戏引擎、3D 建模软件和物联网设备交互。
什么是"上下文"？
要充分理解为什么需要一个用于外部数据源的通用 AI 标准，你需要了解在 AI 领域中"上下文"的含义。
在当前的 AI 模型架构中，AI 模型对世界的"认知"是以基本不可更改的形式烙印在其神经网络中的，这些认知是通过一个称为"预训练"的初始程序放置的，该程序计算大量输入数据 (训练数据——如书籍、文章和图像) 之间的统计关系，并将其作为称为"权重"的数值输入到网络中。随后，一个称为"微调"的过程可能会调整这些权重以改变行为 (例如通过 RLHF 等强化学习) 或提供新概念的示例。
通常，训练阶段在计算上非常昂贵，对于基础模型来说可能只进行一次，或者在定期模型更新和微调时不频繁地进行。这意味着 AI 模型只具有在训练数据集最终确定时的"截止日期"之前事件的内部神经网络表示。
之后，AI 模型以一种称为"推理"的只读模式运行，用户将输入输入神经网络以产生输出，这些输出被称为"预测"。之所以称为预测，是因为系统被调整为预测用户提供序列中最可能出现的下一个 token (数据块，如单词的部分)。
在 AI 领域，上下文是用户提供的序列——输入到 AI 模型中的所有数据，这些数据引导模型产生响应输出。这个上下文包括用户的输入 ("提示")、运行中的对话历史 (在聊天机器人的情况下)，以及任何引入对话的外部信息源，包括定义模型行为的"系统提示"和记忆过去对话部分的"记忆"系统。模型一次可以摄入的上下文数量限制通常被称为"上下文窗口"、"上下文长度"或"上下文限制"，具体取决于个人偏好。
虽然提示为模型提供了重要的操作信息，但访问外部信息源传统上一直很麻烦。在 MCP 之前，像 ChatGPT 和 Claude 这样的 AI 助手可以访问外部数据 (这个过程通常被称为检索增强生成，或 RAG)，但这需要为每个服务进行自定义集成——插件、API 和专有连接器，这些在不同的 AI 模型之间无法通用。每个新的数据源都需要独特的代码，这造成了维护挑战和兼容性问题。
MCP 通过提供一种标准化方法或规则集 ("协议")，解决了这些问题，使任何支持的 AI 模型框架都能与外部工具和信息源连接。
MCP 如何工作？
为了在 AI 模型和数据源之间建立幕后连接，MCP 使用客户端-服务器模型。AI 模型 (或其主机应用程序) 作为 MCP 客户端，连接到一个或多个 MCP 服务器。每个服务器提供对特定资源或功能的访问，如数据库、搜索引擎或文件系统。当 AI 需要超出其训练数据的信息时，它会向适当的服务器发送请求，服务器执行操作并返回结果。
为了说明客户端-服务器模型在实践中如何工作，考虑一个使用 MCP 的客户支持聊天机器人，它可以从公司数据库实时检查发货详情。"订单 #12345 的状态如何？"会触发 AI 查询订单数据库 MCP 服务器，服务器会查找信息并将其传回模型。然后模型可以将该数据整合到其响应中："您的订单于 3 月 30 日发货，预计 4 月 2 日送达。"
除了客户支持这样的具体用例外，潜在范围非常广泛。早期开发者已经为 Google Drive、Slack、GitHub 和 Postgres 数据库等服务构建了 MCP 服务器。这意味着 AI 助手可以通过标准接口搜索公司 Drive 中的文档、查看最近的 Slack 消息、检查仓库中的代码或分析数据库中的数据。
从技术实现角度来看，Anthropic 通过两种主要模式运行来设计标准以实现灵活性：一些 MCP 服务器在与客户端相同的机器上本地运行 (通过标准输入输出流进行通信)，而其他服务器则远程运行并通过 HTTP 流式传输响应。在这两种情况下，模型都使用可用工具列表并根据需要调用它们。
进行中的工作
尽管 MCP 周围的生态系统不断发展，但该协议仍处于早期阶段。主要公司有限的支持声明是很有希望的第一步，但 MCP 作为行业标准的未来可能取决于更广泛的接受度，尽管 MCP 服务器的数量似乎在快速增长。
无论其最终采用率如何，MCP 可能会产生一些有趣的二阶效应。例如，MCP 也有可能减少供应商锁定。由于该协议与模型无关，公司可以从一个 AI 提供商切换到另一个提供商，同时保持相同的工具和数据连接完整。
MCP 还可能允许向更小、更高效的 AI 系统转变，这些系统可以更流畅地与外部资源交互，而无需自定义微调。此外，公司可能能够使用具有大上下文窗口的较小模型，而不是构建包含所有知识的越来越庞大的模型。
目前，MCP 的未来充满可能。Anthropic 在 GitHub 上将 MCP 作为开源计划维护，感兴趣的开发者可以为代码做出贡献或找到关于其工作原理的规范。Anthropic 还提供了关于如何将 Claude 连接到各种服务的详细文档。OpenAI 在其网站上维护着自己的 MCP API 文档。
本文链接：http://www.xihao.site/showinfo-1-72191.htmlMCP：让竞争对手携手合作的 AI 界"USB-C"标准
