Manus使用的MCP协议是什么？人工智能知识分享的“万能插头”

watermelo37

发布于 2025-04-01 01:05:53

18800

代码可运行

文章被收录于专栏：前端专精前端专精

运行总次数：0

代码可运行

无论是想要学习人工智能当做主业营收，还是像我一样作为开发工程师但依然要运用这个颠覆开发的时代宠儿，都有必要了解、学习一下人工智能。

近期发现了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，入行门槛低，讲解极为丰富。

点击跳转：前言 – 人工智能教程

作者：watermelo37 涉及领域：Vue、SpingBoot、Docker、LLM、python等 --------------------------------------------------------------------- 温柔地对待温柔的人，包容的三观就是最大的温柔。 ---------------------------------------------------------------------

Manus使用的MCP协议是什么？人工智能知识分享的“万能插头”

当一个大型语言模型（比如GPT或Claude）需要访问外部数据源时，它是如何完成这个任务的？如果模型需要调用搜索引擎、读取数据库或者解析图片中的文字，这些复杂操作是如何实现的？今天，我们就来聊聊一种专门为这些问题设计的解决方案——MCP协议（Model Context Protocol，模型上下文协议）。

一、MCP协议是什么？

简单来说，MCP协议是一种开放标准协议，它为大型语言模型（LLM）与外部数据源、工具或服务之间的交互提供了统一的接口。你可以把它想象成一座桥梁，连接了AI模型和外部资源，使得两者能够高效、安全地协作。

举个例子：假设你正在使用一个AI助手帮你分析公司内部文档的内容。如果没有MCP协议，AI助手可能需要直接访问你的文件系统，这不仅复杂而且容易引发安全隐患。而有了MCP协议后，AI助手只需要通过标准化的方式向MCP服务器发送请求，由MCP负责从文件系统中提取信息并返回给AI助手，整个过程更加规范且可控。

二、为什么我们需要MCP协议？

在了解MCP协议的具体用途之前，我们先来看看它解决了哪些问题：

1、数据孤岛现象

很多企业在日常运营中积累了大量的数据，但这些数据往往分散在不同的系统中，形成了所谓的“数据孤岛”。MCP协议可以帮助AI模型打破这种隔阂，将不同来源的数据整合起来，形成统一的知识体系。

2、安全性与隐私保护

随着AI技术的发展，越来越多的企业开始关注数据的安全性和隐私保护。MCP协议支持本地化部署，确保敏感数据无需上传到远程服务器，从而避免了泄露风险。

3、灵活性与扩展性

传统的API集成方式通常需要针对每个具体场景进行定制开发，效率低下且维护成本高。而MCP协议通过标准化接口大大降低了这一门槛，开发者可以轻松添加新的数据源或工具，满足不断变化的需求。

三、MCP协议的用途

那么，MCP协议到底能用来做什么呢？让我们通过几个具体的场景来感受它的强大功能：

1. 企业知识库管理

对于拥有大量内部文档的企业来说，如何快速找到所需信息是一个重要课题。借助MCP协议，AI模型可以直接访问企业的知识库，并根据用户的问题生成精准的答案。

例如，某公司的销售团队经常需要查询产品规格和技术参数。通过MCP协议，他们可以让AI助手实时检索相关文档，并以简洁明了的方式呈现结果，大大提高了工作效率。

2. 多模态处理

还记得多模态大模型吗？这类模型擅长同时处理文本、图像、音频等多种类型的数据，但要实现这一点并不容易。MCP协议在这里扮演了关键角色，它可以帮助模型动态调用OCR工具识别图片中的文字，或者利用语音转文字服务处理音频内容。

3. 工具链集成

除了访问数据源之外，MCP协议还支持调用各种外部工具。例如，当AI模型遇到复杂的数学问题时，它可以借助MCP协议调用计算器执行运算；当需要生成代码时，则可以调用编程环境进行验证。

四、MCP协议的实现原理

接下来，我们深入探讨一下MCP协议是如何工作的。

MCP协议的实现主要分为以下几个步骤：

1. 定义能力（Capabilities）

首先，我们需要明确MCP服务器能够提供哪些功能。例如：

访问特定数据库或文件路径；
调用外部工具（如搜索引擎、计算器等）。

这些功能被称为“能力”，它们构成了MCP协议的核心基础。

2. 实现MCP层

接下来，我们用简单的代码写一个MCP层演示案例，实际应用中可以直接使用各大厂商提供的非过程化操作模块。

这一步包括：

编写客户端和服务器端代码，确保双方能够按照规定的格式交换数据；
设计请求和响应的消息结构，例如：

{
  "action": "read_file",
  "parameters": {"path": "/data/example.txt"},
  "response": "文件内容..."
}

在请求响应消息结构基础上，设计大模型访问权限、从不同数据源获取数据、数据预处理、结构化数据响应之后，实现MCP层的代码，这里给出一个基于Flask的简单实现

from flask import Flask, request, jsonify
import os

app = Flask(__name__)

# 定义支持的操作
SUPPORTED_ACTIONS = ["read_file"]

@app.route('/mcp', methods=['POST'])
def mcp_handler():
    try:
        # 解析请求数据
        data = request.json
        action = data.get("action")
        parameters = data.get("parameters", {})

        # 检查操作是否支持
        if action not in SUPPORTED_ACTIONS:
            return jsonify({"status": "error", "message": f"Unsupported action: {action}"}), 400

        # 执行具体操作
        if action == "read_file":
            file_path = parameters.get("path")
            if not file_path or not os.path.exists(file_path):
                return jsonify({"status": "error", "message": "File not found"}), 404

            # 读取文件内容
            with open(file_path, 'r', encoding='utf-8') as file:
                content = file.read()

            # 返回成功响应
            return jsonify({
                "status": "success",
                "data": content
            })

    except Exception as e:
        # 捕获异常并返回错误信息
        return jsonify({"status": "error", "message": str(e)}), 500

if __name__ == '__main__':
    app.run(host='0.0.0.0', port=5000)