总结：MCP是一个数据接口标准，可以让大模型直接接触数据，而不通过API，并且可以跨模型使用。概念很好，但实际体验持保留意见。
为什么Anthorpic要推出MCP？ 类似于 Nvidia 通过 CUDA 平台构建 GPU 生态系统，在 AI 时代成为了 GPU 霸主股价飞升，估计 Anthropic 也希望通过 MCP 来建立以后的 AI 接口标准。
MCP和Function Calling有什么区别？
跟 GraphQL 和 RPC 的概念有点像，MCF 提供了一种灵活和高效的数据交换方式，支持跨系统通信和数据交换，或者说简化了分布式系统的开发。Function Calling适合简单任务，MCP更适合跨系统、跨工具的复杂场景，通过协议标准化降低长期生态开发成本，实现数据共享与上下文协同的高级功能。
1. 从功能到场景：
Function Calling: 其核心在于 "调用"，强调单次任务的执行。它像一个工具箱，每个工具 (函数) 对应一个特定功能。开发者需要为每个工具编写适配接口，以便模型调用。这适用于独立的任务，例如查询天气、获取股票信息、翻译文本等。
优点: 简单易用，开发成本低。
缺点: 缺乏上下文管理，难以处理复杂的多步骤任务。
MCP: 其核心在于 "连接"，强调持续的上下文管理和多系统协同。它像一个中央枢纽，将模型与各种数据源和工具连接起来，形成一个完整的生态系统。MCP 定义了标准化的协议，使得数据可以在不同模型和工具之间流动，并保持上下文状态的共享。这适用于需要长期交互和处理复杂数据依赖的场景，例如项目管理、客户关系管理、代码开发等。
优点: 能够处理复杂场景，促进生态协同，减少开发成本。
缺点: 实现较为复杂，需要更多的前期投入。
2. 上下文管理的重要性：
复杂场景通常涉及多个步骤和多个系统的数据交互，需要模型能够理解和记忆之前的交互历史，并在后续操作中保持一致性。例如，在项目管理中，模型需要记住项目的进度、成员、任务等信息，才能进行有效的协作。
Function Calling 缺乏上下文保留机制，每次调用都是独立的，无法满足复杂场景的需求。而 MCP 通过持续的上下文管理，使得模型能够 "记住" 之前的交互，并在后续操作中利用这些信息，从而更好地完成复杂任务。
3. 生态协同的价值：
MCP 通过标准化的协议，实现了模型和工具之间的互联互通，促进了生态系统的协同发展。当前各个 AI 可能都有自己的接口标准，如果MCP 推广开来，开发者只需一次开发，就能让自己的工具或服务兼容所有支持 MCP 协议的模型和客户端，大大降低了开发成本，也加速了 AI 应用的普及。
想象一下，未来的 AI 应用就像乐高积木一样，可以自由组合和扩展。开发者可以将各种工具和服务 "插入" 到 MCP 生态中，用户可以根据自己的需求选择和组合不同的 AI 应用，从而创造出无限的可能性。
表格对比：
Claude原文：介绍Model Context Protocol
原文链接：Introducing the Model Context Protocol
今天，我们开源了模型上下文协议（MCP），这是一种新标准，旨在连接 AI 助手与数据存储系统（如内容存储库、业务工具和开发环境）。其目标是帮助前沿模型生成更精准、更相关的响应。
随着 AI 助手被广泛采用，业界对模型能力投入了大量资源，推动了推理和质量的快速提升。然而，即便是最先进的模型也面临数据隔离的限制——深陷于信息孤岛和传统系统之中。每新增一个数据源都需要定制化实现，使得真正互联的系统难以扩展。
MCP 提供了一个通用开放标准，用于连接 AI 系统与数据源，用单一协议取代分散的集成方式，简化流程，提供可靠的数据访问。
模型上下文协议
模型上下文协议是一种开放标准，帮助开发者构建安全的双向连接，在数据源与 AI 工具之间传输数据。其架构简单：开发者既可以通过 MCP 服务器公开数据，也可以构建 AI 应用程序（MCP 客户端）连接这些服务器。
今天，我们推出了 MCP 的三大核心组件：
Claude 3.5 Sonnet 可以快速构建 MCP 服务器，让组织和个人轻松快速地将其重要数据集与 AI 工具连接。我们还提供了针对 Google Drive、Slack、GitHub、Git、Postgres 和 Puppeteer 等企业系统的预构建 MCP 服务器，帮助开发者快速上手。
早期采用者如 Block 和 Apollo 已将 MCP 集成到其系统中，而 Zed、Replit、Codeium 和 Sourcegraph 等开发工具公司也在使用 MCP 提升其平台功能，帮助 AI 智能体更高效地检索相关信息，从而深入理解任务背景，生成更优质的代码，减少尝试次数。
“在 Block，开源不仅是一种开发模式，更是我们工作的核心，是为所有人创造有意义变革并作为公共资源的承诺，”Block 首席技术官 Dhanji R. Prasanna 表示。“像模型上下文协议这样的开放技术是连接 AI 与现实应用的桥梁，确保创新具有可访问性、透明性，并根植于协作中。我们期待参与该协议，并通过它构建智能化系统，让人们从机械负担中解放，专注于创造性工作。”
开发者无需再为每个数据源维护独立连接器。随着生态系统的发展，AI 系统将在工具和数据集之间保留上下文，从而替代当前分散的集成模式，建立更可持续的架构。
入门指南
开发者现在即可开始构建和测试 MCP 连接器。现有的 Claude for Work 用户可以在本地测试 MCP 服务器，将 Claude 连接到内部系统和数据集。我们很快将推出开发工具包，用于部署远程生产级 MCP 服务器，以服务整个 Claude for Work 组织。
以下是开始构建的步骤：
通过 Claude 桌面应用 安装预构建的 MCP 服务器
参照我们的快速入门指南，构建您的第一个 MCP 服务器
向我们的开源连接器和实现库贡献代码
一个开放的社区
我们致力于将 MCP 打造成一个协作的开源项目和生态系统，并热切期待您的反馈。无论您是 AI 工具开发者、希望利用现有数据的企业，还是探索前沿技术的早期采用者，我们诚邀您共同构建上下文感知 AI 的未来。