Model Context Protocol（MCP）模型上下文协议旨在解决大模型知识受限于训练数据、无法访问外部工具的问题。MCP通过规范大模型与外部工具的交互方式，简化了调用流程。在没有MCP的情况下，需要为每个大模型和工具编写特定的调用代码，导致复杂度呈M×N。而有了MCP协议后，所有模型和工具都遵循统一规范，复杂度降低到M+N。MCP如同AI界的“C口”，让大模型与外部工具的交互更加高效简单。目前MCP生态逐渐发展，为实现通用人工智能（AGI）迈出重要一步。

🧩MCP模型上下文协议旨在让大模型更好地使用外部工具和数据，解决大模型受限于训练数据集的知识局限性问题，避免产生“幻觉”。

🛠️MCP通过规范大模型与外部工具的传输规范，简化了调用流程，无需为每个模型编写特定的调用代码，降低了复杂度，如同AI界的“C口”。

🌐MCP生态逐渐发展，涌现出mcp.so、smithery.ai、阿里云百炼、glama.ai/mcp/servers和cursor.directory等提供MCP服务的平台，方便大模型与外部工具连接。

全称Model Context Protocol模型上下文协议。

可以让大模型更好的使用外部工具、数据等。

大模型是一个预训练模型，它的知识来源于训练的数据集，如果一个知识没有被放到训练数据集中， LLM就无法理解或者产生错误的信息，这种情况被称为“幻觉”。 因此，LLM是一个静态的模型，受限于训练时的知识。然而，在企业内部或个人的私有数据中，很多数据可能没有出现在训练集里，而我们却希望让模型能够理解并处理这些知识。

另一方面模型本身并没有执行能力，它只能提供答案而不能执行实际操作。通过连接外部工具，LLM就能驱动工具“动起来”。 比如给它接一个Filesystem这样的服务，就能操作本地文件了。

工具有很多如接入高德地图服务就能获取路线规划，接入时间服务就能获取当前时区时间等。

如果没有MCP协议：

MCP的出现规范和标准了大模型与外部工具的传输规范，如果没有它， 为了支持不同的大模型（例如ChatGPT、DeepSeek、Qwen等）与各种工具的交互，需要为每个模型编写特定的调用代码，这样就会导致代码量呈现M×N的复杂度，其中M是大模型的数量，N是工具的数量。

有MCP协议：

有了MCP协议后，所有的大模型和工具都遵循MCP统一的规范，这样就可以通过标准化的方式来调用各个工具，从而将复杂度降低到M+N，即每个模型只需要遵循标准，而不需要针对不同工具编写特定的代码。

再给大家放一个比较经典的图。

MCP也被比喻为AI界的”C口“，只需遵循这一套规范的协议，便能使用这一个口集成各个工具， 从而大模型与外部工具之间的交互变得更加高效、简单。

目前MCP的生态也逐渐起来，大家只需遵循MCP这套规范，开发的工具就能很方便给大模型去调用。 我们离实现通用人工智能（AGI）又迈进了一步。

以下是一些提供MCP服务的平台，您可以通过这些平台来接入MCP协议，方便实现大模型与外部工具的连接：

mcp.so

smithery.ai

bailian.console.aliyun.com/?tab=mcp#/m…

glama.ai/mcp/servers

cursor.directory