解鎖你的 AI：模型上下文協定 (MCP) 入門介紹

解鎖你的 AI：模型上下文協定 (MCP) 入門介紹¶

我們先前已經討論過 MCP、ACP 和 A2A 之間的根本差異，想回顧背景資訊的讀者可以參考先前的內容。今天，我們將更深入地探討 MCP 的細節。

大型語言模型 (LLM)，如 Gemini、Claude 和 ChatGPT，功能極其強大，但它們有一個根本性的限制：它們存在於一個數位沙盒中，與您的個人電腦及其獨特的工具相隔離。它們無法讀取您的本地檔案、執行您剛寫好的腳本，也無法存取您公司的內部資料庫。

但如果它們可以呢？如果您能給您的 AI 一把安全可靠的「鑰匙」，讓它進入您的本地環境呢？這正是模型上下文協定 (Model-Context Protocol, MCP) 旨在解決的問題。

MCP 的核心是一種標準化的語言 — — 一座通用的橋樑 — — 它允許 AI 模型與本地的應用程式、工具和檔案進行溝通和互動。它扮演著一個安全中介的角色，讓您的 LLM (「大腦」) 能夠安全地使用您電腦上的資源 (「雙手」)。

您可以將 MCP 想像成您 AI 的萬國轉接頭 🔌。沒有它，您的 AI 就像一部手機，其獨特的插頭無法適用於任何插座。有了 MCP，您的 AI 就可以連接到任何工具或資料來源，釋放其作為個人化強大助理的真正潛力。

MCP 運作於一個簡單而穩健的主從式模型之上。這種模式將「思考」部分與「執行」部分分開，這對於安全性與組織性至關重要。

MCP 客戶端 (主機/Host): 這是 LLM 所在的應用程式。在我們的專案中，mcp_chatbot.py 腳本就扮演著客戶端的角色。它接收使用者的查詢，諮詢 LLM，當 LLM 決定使用某個工具時，客戶端就會向伺服器發送請求。
MCP 伺服器 (工具箱/Toolbox): 這是一個獨立的應用程式，它包含了您希望向 LLM 開放的所有功能。我們的 research_server.py 就是一個絕佳的例子。它本身不包含 AI 模型；它只包含了允許 AI 使用的工具和資源。
這兩個組件透過模型上下文協定進行對話，確保請求和回應能夠被正確且安全地理解。

得益於幾個簡單的裝飾器 (decorator)，在 Python 中創建 MCP 伺服器出乎意料地簡單，這些裝飾器能將您的普通函式轉換為 AI 可存取的功能。

@mcp.tool(): 這是最常用且最強大的裝飾器。它能立即將任何 Python 函式變成 LLM 可以呼叫的工具。MCP 會自動檢視您函式的簽名和說明文件 (docstrings)，以創建一個結構 (schema)——一份詳細的描述——告訴 LLM 這個工具的功能、需要什麼參數 (例如 paper_id: str)，以及會回傳什麼樣的資訊。這就像為您的函式創建一本 AI 能讀懂的即時使用手冊。
@mcp.resource(): 如果說工具是為了做某件事，那麼資源就是為了知道某件事。這個裝飾器用於向 LLM 開放資料或檔案。您可以用它來讓 AI 讀取特定的文件、CSV 檔案，或資料庫中的一筆記錄，以便為其任務提供上下文。這就像從您的圖書館中拿一本特定的書放在桌上，供 LLM 閱讀。
@mcp.prompt(): 這個裝飾器用於向 LLM 提供預先定義好的指令或模板。提示 (prompt) 可以是一套規則、一種要採用的個性，或是一個用於生成特定類型文本的複雜模板。這是一種引導和約束 LLM 行為的方式，以確保其輸出的一致性和實用性。

客戶端和伺服器之間的通訊遵循一個清晰的生命週期，並且可以透過不同的連線類型進行，使其具有高度的靈活性。

初始化 (Initialization): 這是「交握」(Handshake)。客戶端連接到伺服器，伺服器則回傳其所有可用的工具、資源和提示的列表。這樣，客戶端的 LLM 才能知道它有哪些能力。
訊息交換 (Message Exchange): 這是主要的「對話」(Conversation)。客戶端向伺服器發送請求，例如「使用 paper_id='12345' 執行 extract_info 工具」，伺फู器則執行該函式並將結果回傳。
終止 (Termination): 這是「道別」(Goodbye)。當會話結束時，客戶端或伺服器會關閉連線。

MCP 根據您的需求支援多種連線方法 (或稱「傳輸方式/Transports」)：

stdio: 最簡單的方法，非常適合本地開發。客戶端直接將伺服器作為一個背景進程啟動，並透過其標準的命令列輸入和輸出來進行通訊。這正是我們在專案中使用的方法。
http+sse: 一種現代的、基於 Web 的方法，使用 HTTP 和伺服器發送事件 (Server-Sent Events, SSE)。SSE 非常適合串流傳輸資料，使其成為 AI 可能會回傳長篇串流回應的 Web 應用的理想選擇。
http: 標準的 Web 請求-回應協定。它可靠且被廣泛理解，適用於各種基於網路的應用程式。

我們現在已經涵蓋了模型上下文協定的「是什麼」和「如何運作」 — — 從其核心目標到使其運作的特定裝飾器和協定。您應該對 MCP 如何彌合強大的 AI 模型與您的本地程式碼之間的鴻溝有了扎實的理解。

在我們的下一個單元中，我們將從理論走向實踐，探索一些強大的 MCP 真實世界用例。我們將在已創建的研究助理基礎上繼續建構，展示如何打造真正智慧且實用的本地 AI 代理。

本文基於以下 DeepLearning.AI 課程中的概念和範例：