LLM 基础设施
- MCP
- A2A
- 应用
  - 爬虫
  - 招聘
  - 阿里云
  - AI代码管家
  - 高德MCP
结束

LLM 基础设施

MCP

问题：

什么是 MCP？AI 应用的 USB-C 端口
为什么要 MCP？
如何使用/开发 MCP？

资料

【2025-3-9】MCP (Model Context Protocol)
【2025-4-13】模型上下文协议 (MCP) 可视化指南
- 原文 Visual Guide to Model Context Protocol (MCP)

什么是 MCP

MCP（模型上下文协议）：大模型飞速发，数据却常常被困在“孤岛”里，AI助手无法高效地获取和利用这些数据。

每新增一个数据源，都需要复杂的定制实现，不仅耗时还难以规模化扩展。

微博

2024 年 11 月 25 日, Anthropic 推出开放协议 MCP（Model Context Protocol）：

官方文章 Introducing the Model Context Protocol

像 AI 应用的 USB-C 接口，为 AI 模型与不同数据源和工具的整合提供了标准方式，使大语言模型（LLM）可以安全有序地访问本地或远程资源。

MCP （Model Context Protocol，模型上下文协议）定义了应用程序和 AI 模型之间交换上下文信息的方式。

开发者以一致方式将各种数据源、工具和功能连接到 AI 模型（中间协议层），像 USB-C 让不同设备能够通过相同的接口连接一样。

MCP 目标:

创建一个通用标准，使 AI 应用程序的开发和集成变得更加简单和统一

MCP 以更标准的方式让 LLM Chat 使用不同工具

Anthropic 实现 LLM Tool Call 标准

为什么要用 MCP

以前，需要人工从数据库中筛选或使用工具检索可能信息，手动粘贴到 prompt 中。

问题: 场景复杂时，手工引入prompt 很困难。

许多 LLM 平台（如 OpenAI、Google）引入 function call 功能, 允许模型调用预定义函数获取数据或执行操作，提升自动化水平。

局限性: function call 平台依赖性强，不同 LLM 平台 function call API 实现差异较大。
例如，OpenAI 函数调用方式与 Google 不兼容，开发者在切换模型时需要重写代码，增加了适配成本。
除此之外，还有安全性，交互性等问题。

每个AI智能体各自为政，缺乏统一规则，互通有壁垒。

AI行业能否有一套大家都认可的协议，让智能体之间、智能体与工具之间互相对接更加顺畅。

Google 和 Anthropic 分别站了出来，各自抛出了一个方案：A2A协议和MCP协议。

数据与工具本身客观存在，如何将数据连接到模型的环节更智能、统一?

Anthropic 设计了 MCP，充当 AI 模型的”万能转接头”，让 LLM 能轻松的获取数据或者调用工具。

MCP 优势：

生态 - MCP 提供很多插件，直接使用。
统一性 - 不限制于特定的 AI 模型，任何支持 MCP 的模型都可以灵活切换。
数据安全 - 敏感数据留在自己的电脑上，不必全部上传。

MCP 原理

Function Call 发展而来

分析

MCP 本质：统一的协议标准，使 AI 模型以一致方式连接各种数据源和工具，类似于 AI 世界的”USB-C”接口。
MCP 价值：解决了传统 function call 的平台依赖问题，提供更统一、开放、安全、灵活的工具调用机制，让用户和开发者都能从中受益。
使用与开发：
- 对于普通用户，MCP 提供了丰富的现成工具，用户不了解任何技术细节的情况下使用；
- 对于开发者，MCP 提供了清晰的架构和 SDK，使工具开发变得相对简单。

核心架构：

MCP 采用客户端-服务器模型，包含 MCP Host（负责用户交互的平台）、MCP Client（与 Server 建立连接的桥梁）和 MCP Server（提供资源、工具和提示信息的轻量级程序）。

架构图

MCP 三个核心组件：Host、Client 和 Server。

用 Claude Desktop (Host) 询问：”我桌面上有哪些文档？”
Host：Claude Desktop 作为 Host，负责接收提问并与 Claude 模型交互。
Client：当 Claude 模型访问文件系统时，Host 中内置的 MCP Client 会被激活, 负责与适当的 MCP Server 建立连接。
Server：文件系统 MCP Server 会被调用, 负责执行实际的文件扫描操作，访问桌面目录，并返回找到的文档列表。

MCP servers 提供三种主要类型的功能：

Resources（资源）：类似文件的数据，可以被客户端读取（如 API 响应或文件内容）
Tools（工具）：可以被 LLM 调用的函数（需要用户批准）
Prompts（提示）：预先编写的模板，帮助用户完成特定任务

整个流程：

问题 → Claude Desktop(Host) → Claude 模型 → 需要文件信息 → MCP Client 连接 → 文件系统 MCP Server → 执行操作 → 返回结果 → Claude 生成回答 → 显示在 Claude Desktop 上。

关键点：

数据集成：无论是本地数据库、文件系统，还是远程的 API 服务，MCP 都能助力 AI 模型无缝对接。例如，在财务分析场景下，AI 模型可以通过 MCP 直接访问云端的财务数据 API，快速获取和处理海量的财务报表信息。
工具调用：它为 AI 模型提供了丰富的预定义工具，包括执行脚本、浏览器自动化、金融数据查询等。就好比给 AI 模型配备了一整套“工具箱”，让它可以更灵活地完成各种任务。
提示管理：通过标准化的提示模板指导 AI 模型完成任务。比如在内容创作场景中，AI 模型可以依据预设的提示模板，快速生成符合要求的文案、故事等内容。
传输层多样：支持多种传输机制，像 tdio 传输、基于 HTTP+SSE 的传输等，保障了数据在不同网络环境下的高效传输。
安全性：MCP 在基础设施内部保护数据，确保用户隐私和数据安全，让用户可以安心地使用 AI 应用。

MCP 这一技术突破了数据隔阂，使 AI 模型的数据获取更便捷、功能集成更灵活，推动我们迈向更智能、更互联的 AI 未来！

MCP 生态

【2025-4-10】MCP 市场

国外
- MCPMarket Browse All MCP Servers
- MCP.so Find Awesome MCP Servers and Clients The largest collection of MCP Servers.
  - 已经有 7966 个 MCP
国内 MCPmarket 是中文首个聚焦MCP的工具市场

超过 6000个可直接调用的 MCP 工具已上线，包括：

官方发布的MCP，如微软、字节、Perplexity
各类社区开发的MCP工具
涵盖社交、效率、数据、搜索、创作等各类工具
全中文文档、社区群支持

不仅能玩，还能学、以后还能赚！

类目	国外类目	国内类目	国内server数	国外servers数
Developer Tools	开发者工具	暂无	暂无	3094
API Development	API 开发	暂无	暂无	2397
Data Science & ML	数据科学与机器学习	暂无	暂无	1199
Productivity & Workflow	生产力与工作流程	暂无	暂无	886
Web Scraping & Data Collection	网络爬虫与数据收集	暂无	暂无	431
Collaboration Tools	协作工具	暂无	暂无	414
Deployment & DevOps	部署与开发运维	暂无	暂无	376
Database Management	数据库管理	暂无	暂无	366
Learning & Documentation	学习与文档	暂无	暂无	315
Security & Testing	安全与测试	暂无	暂无	285
Cloud Infrastructure	云基础设施	暂无	暂无	278
Analytics & Monitoring	分析与监控	暂无	暂无	247
Design Tools	设计工具	暂无	暂无	128
Browser Automation	浏览器自动化	暂无	暂无	101
Social Media Management	社交媒体管理	暂无	暂无	92
Content Management	内容管理	暂无	暂无	90
Game Development	游戏开发	暂无	暂无	84
Official	官方	暂无	暂无	79
Marketing Automation	营销自动化	暂无	暂无	59
Other	其他	暂无	暂无	1881

MCP 实现

环境准备

# 安装 uv
curl -LsSf https://astral.sh/uv/install.sh | sh
# 创建项目目录
uv init txt_counter
cd txt_counter
# 设置 Python 3.10+ 环境
echo "3.11" > .python-version
# 创建虚拟环境并激活
uv venv
source .venv/bin/activate
# Install dependencies
uv add "mcp[cli]" httpx
# Create our server file
touch txt_counter.py

构造 prompt

打造一个 MCP 服务器，它能够：
- 功能：
    - 统计当前桌面上的 txt 文件数量
    - 获取对应文件的名字

要求：
- 不需要给出 prompt 和 resource 相关代码。
- 你可以假设我的桌面路径为 /Users/{username}/Desktop

MCP Server 代码

import os
from pathlib import Path
from mcp.server.fastmcp import FastMCP

# 创建 MCP Server
mcp = FastMCP("桌面 TXT 文件统计器")

@mcp.tool()
def count_desktop_txt_files() -> int:
    """Count the number of .txt files on the desktop."""
    # Get the desktop path
    username = os.getenv("USER") or os.getenv("USERNAME")
    desktop_path = Path(f"/Users/{username}/Desktop")

    # Count .txt files
    txt_files = list(desktop_path.glob("*.txt"))
    return len(txt_files)

@mcp.tool()
def list_desktop_txt_files() -> str:
    """Get a list of all .txt filenames on the desktop."""
    # Get the desktop path
    username = os.getenv("USER") or os.getenv("USERNAME")
    desktop_path = Path(f"/Users/{username}/Desktop")

    # Get all .txt files
    txt_files = list(desktop_path.glob("*.txt"))

    # Return the filenames
    if not txt_files:
        return "No .txt files found on desktop."

    # Format the list of filenames
    file_list = "\n".join([f"- {file.name}" for file in txt_files])
    return f"Found {len(txt_files)} .txt files on desktop:\n{file_list}"

if __name__ == "__main__":
    # Initialize and run the server
    mcp.run()

测试 server

mcp dev txt_counter.py
# Starting MCP inspector...
# Proxy server listening on port 3000

# MCP Inspector is up and running at http://localhost:5173

链接内容

MCP 接入到 Claude Desktop 中。流程如下：

# 打开 claude_desktop_config.json (MacOS / Linux)
# 如果你用的是 cursor 或者 vim 请更换对应的命令
code ~/Library/Application\ Support/Claude/claude_desktop_config.json

在配置文件中添加以下内容，记得替换 /Users/{username} 为你的实际用户名，以及其他路径为你的实际路径。

{
  "mcpServers": {
    "txt_counter": {
      "command": "/Users/{username}/.local/bin/uv",
      "args": [
        "--directory",
        "/Users/{username}/work/mcp-learn/code-example-txt", // 你的项目路径（这里是我的）
        "run",
        "txt_counter.py" // 你的 MCP Server 文件名
      ]
    }
  }
}

uv 最好是绝对路径，推荐使用 which uv 获取。配置好后重启 Claude Desktop，如果没问题就能看到对应的 MCP Server 了

简单的 prompt 进行实际测试：

能推测我当前桌面上 txt 文件名的含义吗？

可能会请求使用权限，如图一所示，点击 Allow for This Chat

MCP 调试

MCP Server Debug

Official Tutorial: Debugging
Official Tutorial: Inspector

A2A

什么是 A2A

【2025-4-9】 5000字长文带你看懂，Agent世界里的A2A、MCP协议到底是个啥

4月10日，谷歌在 Google Cloud Next 2025大会上宣布开源首个标准智能体交互协议 —— Agent2Agent Protocol（简称A2A），标志着智能体交互领域的一大突破。

MCP vs A2A

智能体通信的开放标准

MCP 用于 Agent 与外部 Tool、API、资源之间的交互
A2A 用于 Agent 与 Agent 之间的交互
用于工具和资源的MCP（模型上下文协议）
- 将智能体与具有结构化输入/输出的工具、应用程序接口（APIs）和资源相连接。
- 谷歌ADK支持MCP工具，使得大量MCP服务器可与智能体配合使用。
用于智能体间协作的A2A（智能体对智能体协议）
- 不同智能体之间无需共享内存、资源和工具即可进行动态、多模态通信。
- 由社区推动的开放标准。
- 使用谷歌ADK、LangGraph、Crew.AI 可获取相关示例。

A2A 生态

该协议将打破系统孤岛，对智能体的能力、跨平台、执行效率产生质的改变

支持 Atlassian、Box、Cohere、Intuit、Langchain、MongoDB、PayPal、Salesforce、SAP、ServiceNow、UKG和Workday 等主流企业应用平台。
A2A协议的开源，类似于谷歌当年牵头80多家企业共同开发安卓系统，首批就有50多家著名企业加入。

随着更多企业的加入，A2A的商业价值将得到极大提升，并推动整个智能体生态的快速发展。

这一举措对于促进AI代理在企业间的通信、信息交换和行动协调具有重要意义。

谷歌还效仿 OpenAI 开源了Agent开发套件ADK、内部测试工具AgentEngine以及新的Agent市场等。

Google 发布关于Agent的新开放协议 Agent2Agent，简称A2A。

A2A（Agent-to-Agent）协议，让AI代理彼此直接对话、协同工作的协议。

Salesforce、SAP、ServiceNow、MongoDB等在内的50多家科技公司的支持参与

A2A 原理

设计初衷：

让不同来源、不同厂商的Agent 互相理解、协作。
就像 WTO 消减各国间关税壁垒一样。

A2A 开放协议为智能体提供了一种标准的协作方式，无论其底层框架或供应商如何。

在与合作伙伴设计该协议时，谷歌云遵循了五个关键原则：

拥抱智能体能力： A2A专注于使智能体能够以其自然、非结构化的方式进行协作，即使不共享内存、工具和上下文。谷歌云正在实现真正的多智能体场景，而不将智能体限制为“工具”。
基于现有标准构建：该协议建立在现有的流行标准之上，包括HTTP、SSE、JSON-RPC，这意味着它更容易与企业日常使用的现有IT堆栈集成。
默认安全： A2A旨在支持企业级身份验证和授权，在发布时与OpenAPI的身份验证方案保持同等水平。
支持长时间运行的任务：谷歌云将A2A设计得灵活，并支持各种场景，从快速完成任务到可能需要数小时甚至数天（当有人类参与时）的深度研究，它都能胜任。在此过程中，A2A可以向其用户提供实时反馈、通知和状态更新。
模态无关：智能体的世界不仅限于文本，这就是为什么谷歌云将A2A设计为支持各种模态，包括音频和视频流。

一旦采用A2A，不同供应商和框架的Agent(小国家)，加入了一个自由贸易区，能够用共同语言交流、无缝协作，联手完成单个Agent难以独立完成的复杂工作流程。

A2A促进了“客户端”智能体和“远程”智能体之间的通信。

客户端智能体负责制定和传达任务，而远程智能体负责对这些任务采取行动，以尝试提供正确的信息或采取正确的行动。这种交互涉及几个关键能力：

能力发现：智能体可以使用JSON格式的“智能体卡片（Agent Card）”来宣传其能力，允许客户端智能体识别能够执行任务的最佳智能体，并利用A2A与远程智能体通信。
任务管理：客户端和远程智能体之间的通信面向任务完成，智能体在其中努力满足最终用户的请求。这个“任务”对象由协议定义并具有生命周期。它可以立即完成，或者对于长时间运行的任务，每个智能体可以进行通信以就完成任务的最新状态保持同步。任务的输出被称为“工件（artifact）”。
协作：智能体可以相互发送消息以传达上下文、回复、工件或用户指令。
用户体验协商：每条消息包含“部分（parts）”，这是一个完全成型的内容片段，如生成的图像。每个部分都有指定的内容类型，允许客户端和远程智能体协商所需的正确格式，并明确包括用户UI能力的协商——例如，iframes、视频、Web表单等。

应用

爬虫

用 DeepSeek 和 MCP 实现一句话抓取网页

工具: Cursor 里的 FireCrawl Agent MCP

招聘

招聘经理通过 Agentspace 界面让代理寻找合适的候选人👀

a2a-a-new-era-of-agent-interoperability
1. 客户端代理与其他专门代理协作，搜集潜在候选人
2. 用户收到候选人建议后，指示代理安排面试
3. 面试结束后，另一个代理进行背景调查

演示视频

demo

阿里云

【2025-4-9】阿里云百炼也官宣搞MCP

AI代码管家

【2025-4-6】 GitHub突然放大招！全球首个「AI代码管家」炸场，程序员集体沸腾

GitHub 官宣一款代号MCP Server的开源神器，短短2小时冲上Hacker News榜首

这款由GitHub联合AI独角兽Anthropic打造的「代码智能管家」，用Go语言彻底重构，号称能让AI替你打工写代码、修Bug、管仓库，甚至能用说人话指挥它干活

旧版服务器只能做“代码搬运工”，而 MCP Server 直接打通AI大脑和代码仓库，把GitHub变成「会思考的活系统」

5大逆天功能，打工人跪求内测

🤖 AI审查官：PR合并速度飙升530%
🔒 仓库「安全盾」：72小时漏洞→4小时灭火
🛠️ 自定义武器库：代码扫描任你魔改
🌐 跨仓库「量子纠缠」：依赖冲突减少30%
🎙️ 说人话编程：「get_me」函数封神

过去程序员最怕什么？等PR等到天荒地老！

传统流程：人工检查TODO标记、License冲突、代码规范 → 平均耗时3.2天

MCP Server 骚操作：

• 自动扫描PR，1秒生成漏洞地图（配图：高亮显示未处理TODO的代码截图）
• 附赠AI修复方案，甚至能联动CI/CD自动打补丁某电商大厂实测：6小时极速合码，半夜12点的咖啡终于省了！

🔒 仓库「安全盾」：72小时漏洞→4小时灭火

硬编码密钥、SQL注入、敏感信息泄露…这些坑你踩过吗？

MCP Server每天定时扫描全仓库，连陈年老代码都不放过！

真实案例：某金融公司凌晨2点突现密钥泄露风险，AI秒级定位+自动生成掩码方案，修复速度从72小时→4小时，安全团队集体保住年终奖💰

🌐 跨仓库「量子纠缠」：依赖冲突减少30%

微服务架构下最头疼的依赖地狱，MCP Server一招破解：

• 自动对齐多项目版本（比如同时升级Spring Boot到2.7.5）
• 智能推荐兼容方案（配图：依赖关系可视化图谱）某开源社区维护者哭诉：“早用这个，我能少秃一半！”

🎙️ 说人话编程：「get_me」函数封神

对着电脑喊一嗓子就能操控GitHub？

神奇语法：

get_me("显示我上周创建的私有仓库")  
get_me("把feature/login分支的TODO全改成FIXME")  

网友玩梗：“以后改代码是不是得先考普通话二甲？”

🛠️ 自定义武器库：代码扫描任你魔改

厌倦了千篇一律的ESLint规则？MCP Server开放工具描述自定义接口：

• 写个YAML文件就能接入自研扫描工具
• 联动AI做动态测试（比如模拟万人并发压测）

极客玩法：有人已经做出了二次元风格代码审查插件，检测到Bug就播放“阿姨压一压”…

高德MCP

Al+高德MCP：10分钟自动制作一份旅行手卡

小红书笔记

LLM基建 MCP+A2A

LLM 基础设施

MCP

什么是 MCP

为什么要用 MCP

MCP 原理

MCP 生态

MCP 实现

MCP 调试

A2A

什么是 A2A

MCP vs A2A

A2A 生态

A2A 原理

应用

爬虫

招聘

阿里云

AI代码管家

高德MCP

结束

Related Posts

站内可视化导航

Comments

LLM基建 MCP+A2A

LLM 基础设施

MCP

什么是 MCP

为什么要用 MCP

MCP 原理

MCP 生态

MCP 实现

MCP 调试

A2A

什么是 A2A

MCP vs A2A

A2A 生态

A2A 原理

应用

爬虫

招聘

阿里云

AI代码管家

高德MCP

结束

Share

Related Posts

站内可视化导航

Comments