MCP 核心功能

MCP 核心特性

MCP 提供了一种结构化的方式，使 AI 模型能够与环境进行交互。这种交互主要通过 MCP 服务器提供的特性来促成，并由 MCP 客户端的功能作为补充。

服务器端核心特性

MCP 服务器是上下文提供的支柱，通过三种主要的抽象概念来公开数据和功能：资源（Resources）、提示（Prompts）和工具（Tools）。

资源

**资源（Resources）**代表 LLM（大语言模型）可以访问的上下文数据。可以把它们想象成名词——描述环境或提供背景的信息片段。MCP 服务器公开资源，客户端可以查询这些资源，为 LLM 获取相关信息。

性质：通常是只读数据，但也可以包含元数据或指向大型数据对象的指针。
示例：文件内容、数据库记录、日历条目、电子邮件会话、环境变量、当前应用程序状态、项目结构。
交互：客户端通常可以列出可用资源，获取特定资源（其模式或内容）的详细信息，以及“采样”或检索资源内容。
目的：为 LLM 提供理解情况或回答查询所需的事实信息。

 {
 "jsonrpc": "2.0",
 "method": "mcp.resources.get",
 "params": {
 "resourceId": "file:///Users/dev/project/main.py"
 },
 "id": "req-123"
 }
 // 示例：服务器响应资源内容
 {
 "jsonrpc": "2.0",
 "result": {
 "contentType": "text/plain",
 "content": "print('Hello, MCP!')"
 },
 "id": "req-123"
 }

提示

MCP 中的**提示（Prompts）**不仅仅是静态文本；它们是服务器定义、通常是动态的建议或模板，可以指导 LLM 的交互或帮助其构建请求。它们是与服务器功能或数据进行交互的预定义方式，通常针对特定任务量身定制。

性质：可以是静态文本、需要变量替换的模板，甚至是基于当前上下文动态生成的建议。
示例：“总结此文档：{document_id}”、“为这些更改建议提交消息：{diff}”、“分配给我的活跃问题有哪些？”、“将‘{text}’翻译成 {language}。”
交互：客户端可以请求可用提示。选择或使用提示可能涉及客户端提供一些输入，服务器随后使用这些输入为 LLM 生成更完整的指令或查询，甚至直接执行提供上下文的操作。
目的：简化常见任务，指导 LLM 行为，减少客户端进行复杂提示工程的需求，并以更友好的方式公开服务器功能。

工具

**工具（Tools）**代表 LLM 可以请求 MCP 服务器执行的动作或操作。它们是 MCP 世界中的动词，允许 LLM 产生改变或执行超出其固有能力的计算。

性质：具有已定义输入和输出的可执行函数或过程。
示例：运行脚本、发送电子邮件、调用外部 API、创建文件、执行数据库查询、重构代码。
交互：客户端（通常由 LLM 提示）可以请求工具的执行，并提供必要的参数。服务器执行该工具并将结果（或状态）返回给客户端，客户端再将其反馈给 LLM。
目的：允许 LLM 以功能性的方式与环境交互，执行动作，并从计算或外部系统中检索结果。这与 OpenAI 的函数调用（Function Calling）或 ReAct 模式等概念相符。

 {
 "jsonrpc": "2.0",
 "method": "mcp.tools.execute",
 "params": {
 "toolId": "git.createBranch",
 "arguments": {
 "branchName": "feature/new-ui",
 "fromBranch": "main"
 }
 },
 "id": "req-456"
 }
 // 示例：服务器响应工具执行结果
 {
 "jsonrpc": "2.0",
 "result": {
 "success": true,
 "message": "Branch 'feature/new-ui' created successfully from 'main'."
 },
 "id": "req-456"
 }

客户端核心特性

尽管提供上下文的大部分繁重工作由 MCP 服务器完成，但 MCP 客户端（及其运行的主机应用程序）也具有关键职责和特性。

采样

采样（Sampling）是一个关键的客户端（或客户端导向的）过程，用于选择并检索资源的相关部分以提供给 LLM。LLM 具有上下文窗口限制，因此发送所有潜在相关资源的全部内容通常是不切实际或不可能的。采样通过智能地提取最相关的信息来解决这个问题。

性质：一个选择和总结的过程，通常由 LLM 的当前任务或查询、用户焦点或启发式方法指导。
示例：从代码文件中只提取相关函数、总结长文档、从邮件会话中挑选最近的邮件、基于光标位置选择活跃代码块。
交互：客户端，可能结合主机应用程序对用户上下文（例如，开放文件、IDE 中的光标位置）的理解，决定对哪些资源的哪些部分进行采样。然后它向 MCP 服务器请求这些特定样本或处理原始资源数据。
目的：为 LLM 提供简洁而全面的上下文视图，使其符合操作限制，并将其注意力集中在最相关的数据上。有效的采样是使 LLM 在信息丰富的环境中发挥作用的关键。