MCP：给大模型装上本地工具的“手”
Terry Zeng
0
9-8国栋: 我们平时跟 AI 聊天，其实都习惯了一个模式：你问一个问题，AI 在它那个巨大的、封闭的知识库里头去找答案，然后生成一段话给你。但你有没有想过，如果有一天，AI 能跳出那个聊天框，直接帮你整理电脑里的文件，或者调用外部的程序帮你订一张机票，这听起来是不是有点科幻？
国栋: 其实呢，这已经不是科幻了。一个叫做 MCP，也就是“模型辅助推理与执行”的协议，正在让这一切成为现实。今天我们就来聊聊这个让 AI 从“书呆子”变成“行动派”的新玩法。
国栋: 好，我们先来看看 MCP 的核心工作流程到底是怎么跑的。这整个过程，始于你，也就是用户，通过一个客户端，比如说像 Claude 的桌面应用，或者一个叫 Cursor 的编程工具，发起一个请求。这个客户端呢，它会先连接到一个在你本地电脑上运行的 MCP 服务器。这个服务器通常就是一段 Python 或者 JavaScript 代码。然后，它会从这个服务器获取一份“可用工具列表”。
国栋: 注意，关键的地方来了。跟传统的AI交互不一样，MCP 在把你的问题发给大模型，比如现在主要是 Claude 系列模型的时候，会把这份“工具列表”也一并打包发过去。这样一来，大模型就能根据你的问题和它手头能用的工具，来判断自己是不是需要调用某个工具来帮你完成任务。如果需要，它就会返回一个指令给客户端。
国栋: 那么，这个流程到底意味着什么呢？其实，它的核心变革在于，MCP 把大语言模型从一个纯粹的语言生成器，变成了一个能够理解并且协调外部工具去执行任务的“智能协调者”。你想想，过去你问 AI，它只能根据自己“脑子里”的知识来回答。但现在，通过把工具列表和你的问题一起发过去，AI 能够主动地去规划，说“嗯，要完成这个任务，我最好用一下文件浏览器这个工具”，或者“调用一下天气API那个工具”。这就等于给了 AI 访问外部信息和执行实际操作的能力，它的应用范围和实用性，一下子就被极大地拓宽了。
国栋: 当然，这种由 AI 来协调工具调用的机制，虽然强大，但也立刻引出了一个大家都会关心的问题：安全。既然 AI 能操作我电脑上的东西了，这能放心吗？这就为我们引出了 MCP Server 这个关键角色，以及它的安全性考量。
国栋: 这个 MCP Server，你可以把它理解成是整个流程里，在你本地电脑上的一个“执行单元”。所有具体的活儿都是它干的，比如说访问你电脑里的文件系统，或者通过网络去调用第三方的 API，访问远程数据库等等。为了保证安全，目前 Anthropic 公司是强制要求，这个 MCP 服务器必须在你自己的电脑上本地运行。
国栋: 整个流程是这样的：大模型下达指令，客户端根据指令配置好参数，然后联系这个本地的 Server 去调用工具干活。干完之后呢，Server 会把结果返回给客户端，客户端再把这个结果喂回给大模型，最后由大模型把这个结果组织成一个完整的答案呈现给你。
国栋: 所以你看，把这个 Server 限制在本地运行，是实现安全执行的核心关键。换句话说，所有敏感的数据和操作，都被圈在了你自己的、可控的环境里，这就大大降低了数据泄露或者被恶意操作的风险。这个 Server 就像一个本地操作的“代理”，它的功能设计和权限管理，直接决定了整个 MCP 系统的安全和可靠。可以说，这个本地 Server 的稳定和安全，是保证整个闭环能够有效运作的基石。
国栋: 不过话说回来，光是在本地运行还不够。如何确保大模型给出的指令能够被这个 Server 安全、准确地解析和执行，以及如何精细地管理这些工具的调用权限，这仍然是需要持续关注和解决的重点。
国栋: 好了，我们来简单总结一下今天聊的 MCP 协议的几个核心要点。
国栋: 首先，MCP 的工作流程核心在于，大语言模型不再只是被动回答，它能够根据你的请求和一份可用的工具列表，主动地去协调外部工具来执行任务。
国栋: 其次，MCP Server 是一个在你本地运行的执行单元，它负责访问本地文件和调用 API。而这种强制本地运行的模式，是当前保障安全的关键策略。
国栋: 最后，也是最重要的一点，大语言模型在 MCP 架构中的角色，发生了一个根本性的转变。它从一个单纯的语言生成器，进化成了一个“智能协调者”，通过和本地 Server 的交互，真正实现了从语言理解到任务执行的跨越。