Model Context Protocol（MCP）傻瓜指南，或者说，为什么不直接用 API？

如果你和我一样也想过：MCP 不就很像 API 吗？这篇文章会讲清楚，为什么 MCP 对懒人开发者很有用。受 Gang Rui 在 Lorong AI 主办的 🎙️ Chop Chop Talk Shop（Chomp Edition）：Model Context Protocol 分享启发，我把几个重点收获和终端用户如何使用 MCP 整理在这里。

太长不看版

MCP 通过把业务逻辑（Host）和工具执行（Server）解耦，并让 Client 充当两者之间的标准化桥梁，把“要做什么”和“怎么做”分开。Host 负责用户交互和 AI 推理，Server 则把能力暴露成可复用接口。借由标准化，MCP 让智能体式 AI 能够跨系统动态发现、编排、组合各种能力。

问题：开发工作量的组合爆炸

假设我们要给医院里服务医生的 AI 应用加上发送邮件的功能。没有 MCP 的时候，你得写集成逻辑：调用邮件 API、处理响应、接到模型上，再把业务逻辑补上去。现在再想象一下，同一套邮件 API 还要拿来做病人电话预约提醒，以及电商促销通知之类的其他应用。没有 MCP，你就得在多个客户端和用例里反复实现同一套集成逻辑。邮件 API 一旦出现破坏性变更？祝你享受满地重构的快乐。😤

MCP ✨ 是用线性方式解决集成复杂度这个二次问题。它有点像 React 组件之于 UI：模块化、声明式、可组合。

MCP 是什么？

就像 USB-C 让我们不再需要一堆线和接口，MCP 给 AI 应用提供了一种通用方式，让它们和外部工具、数据源沟通。关键组件包括：

💻 MCP Hosts：发起请求并处理用户交互的 AI 应用，例如 Claude Desktop。一个 Host 可以通过多个 Client 连接多个 MCP Server。
🔌 MCP Clients：内置在 Host 里，负责和 Server 交互。每个 Client 连接一个 MCP Server。
⚙️ MCP Servers：向 Client 暴露可调用的工具、提示词或资源。

任何人都可以写自己的 Host、Client 或 Server，也可以直接接入 Smithery.ai 上已有的 4200 多种能力。

它如何运作

用户打开你的 AI 应用 → 发出请求（例如“提醒某某别忘了预约”）→ MCP Client 检查自己有没有合适的工具（比如 send_email），上下文是否足够 → 它通过 MCP Server 调用工具——这个小进程可以在本地运行（通过 stdio），也可以远程运行（通过 HTTP Streamable，甚至自定义方式）→ Server 处理请求并返回结果 → AI 把结果写进回复 → 用户看到最终回答。

想更细看内部机制，可以看这里的架构规范。

为什么要用 MCP？

MCP 强制实现关注点分离，提升可复用性，并大幅简化维护。

神奇之处：AI 医疗应用示例

真实世界里，用户需求会长得很快；我们要支持的平台也一样。

假设你正在构建一个 AI 医疗应用，用邮件、短信和 应用内门户消息 发送预约提醒。

用 MCP 的话，可以这样组织：

每个平台 1 个 Host（例如网页端、移动端）
每个 Host 里有 3 个 Client - 每个渠道一个：邮件、短信、应用内消息
每个 Client 都 1:1 连接到一个 MCP Server，由它处理真正的逻辑

下一步想支持 WhatsApp？如果已有现成的就复用；没有就写一个新的 Server，然后所有 Host 立刻都能用，不需要重复劳动。

不只是 API

和 MCP 相比，API 主要有两个限制：

函数 vs. 架构 - API 多半只是暴露单个应用里的函数；MCP 给的是一套能跨应用运作的架构。写一次，到处用。
固定 vs. 自适应 - API 依赖写死的触发条件；MCP 允许 AI 根据上下文决定该用什么工具，从而跑出更灵活、更智能的工作流。

MCP 把 API 变成适合智能体调用的能力，让智能体可以在需要时自主推理，并对多个 API 进行组合。它的区别不是“调用一个服务”这么简单，而是能在规模化场景里编排智能、灵活的工作流。就像 Web 开发者从静态 HTML 走向可复用组件，MCP 也帮助 AI 工程师从脆弱、写死的集成，走向动态、理解上下文、能够实时响应用户需求的智能体式软件。🚀

不只是 Anthropic

MCP 由 Anthropic 推出，现在在主要 LLM 厂商和社区贡献的支持下增长很快。

OpenAI 在 Agents SDK 中正式支持 MCP；OpenAI API 和 ChatGPT 桌面应用的支持也即将推出
Microsoft 为 MCP 开发了官方 C# SDK，并把这个协议集成进 Copilot Studio、VS Code 的 GitHub Copilot agent mode，以及 Semantic Kernel
GitHub、Slack 和 Cloudflare 等主要平台也加入了官方 MCP 连接
官方语言 SDK 已经有不少：Python（Anthropic）、TypeScript（Anthropic）、Java（Spring AI）、C#（Microsoft）、Kotlin（JetBrains）、Swift（Loopwork AI），以及 Rust（Anthropic）
使用 OAuth 2.1 的授权已在 3 月 26 日发布

这个生态还很早期，最快试水的方法，就是自己把一个 Host 接到工具上。

局限与潜力

LLM 常见的限制一个不少。我才刚装了几个 Server 试用，Obsidian 那个就已经挂了。MCP 仍处在实验阶段，而且目前主要还是本地运行；但我把它看成某种正在浮现的未来蓝图。它是构建真正模块化、递归式、自我扩展的 AI 原生应用所缺的那一块。

开始使用

我发现，作为用户试用 MCP，最简单的路径大概是这样：

先拿一个 Client：下载 Claude Desktop：claude.ai/download，或者使用任何现有 Host。
处理依赖：如果你还没有安装 Node.js，先装上。
寻找 Server：浏览 smithery.ai，让它帮你完成配置。

接下来你会构建什么？👩🏻‍💻

有了 MCP，我就可以把自己的博客写作工作流——目前分散在 Claude、Obsidian、ChatGPT 和不同设备之间——整合成一个连贯的体验，不必一直来回切换上下文。

下次你又想再写一个 API 集成时，记住：MCP 让你写一次，到处用，然后把注意力放回真正重要的事情——构建优秀的 AI 应用。所以，接下来你会构建什么？

Model Context Protocol（MCP）傻瓜指南

Table of Contents