本文深入探讨了模型上下文协议(MCP)，这一旨在成为AI领域“HTTP协议”的开放标准。MCP通过建立数据源和AI工具之间的安全双向连接，解决了AI应用与现有系统集成缓慢的问题。文章对比了MCP与Function Call、Agent的区别，阐述了MCP在生态、统一性和数据安全方面的优势。结合货拉拉的招聘推荐场景，展示了MCP如何提高招聘效率。最后，展望了MCP在AI Agent互联网时代的潜力，包括协议层革命、交互范式升级和生态体系重构。

🔑MCP 是一种开放标准，旨在构建数据源和 AI 驱动工具之间的安全双向连接，充当 AI 模型的“万能转接头”，让 LLM 能轻松获取数据或调用工具，解决 AI 应用与现有系统集成缓慢的问题。

🛡️MCP 相比 Function Call 和 Agent，在生态、统一性和数据安全方面具有优势。它提供现成的插件，支持灵活切换 AI 模型，并允许敏感数据保留在本地，无需全部上传，从而保障数据安全。

🚛货拉拉实践表明，通过将内部服务封装为 MCP Server，可以有效提高招聘效率。AI 模型可自主按需获取查询岗位和职位数据，将招聘找人效率提高 40%。

🌐MCP 的未来在于构建适应人工智能自主交互的基础设施层，推动协议层革命，实现 AI 与工具的动态连接，升级交互范式，从“人操作工具”转向“AI 代理操作工具”，并重构生态体系，催生新型技术价值链。

MCP(Model Context Protocol)是什么

The Model Context Protocol is an open standard that enables developers to build secure, two-way connections between their data sources and AI-powered tools. The architecture is straightforward: developers can either expose their data through MCP servers or build AI applications (MCP clients) that connect to these servers.

模型上下文协议是一种开放标准，可让开发人员在其数据源和 AI 驱动的工具之间建立安全的双向连接。该架构非常简单：开发人员可以通过 MCP 服务器公开其数据，也可以构建连接到这些服务器的 AI 应用程序（MCP 客户端）。

以上是anthropic官网对于MCP的解释，目标是成为 AI 领域的“HTTP 协议”，推动 LLM 应用的标准化和去中心化。而今天，我们盘一盘MCP如何在货拉拉场景下赋能。

新的 AI 应用也很多，但我们都能感受到的一点是，目前市场上的 AI 应用基本都是全新的服务，和我们原来常用的服务和系统并没有集成，换句话说，AI 模型和我们已有系统集成发展的很缓慢。

例如我们目前还不能同时通过某个 AI 应用来做到联网搜索、发送邮件、发布自己的博客等等，这些功能单个实现都不是很难，但是如果要全部集成到一个系统里面，就会变得遥不可及。

我们设定同一个场景，我电脑有一篇自己觉得写的不错的文章，想大模型帮我改写一下或者总结一下提纲。

**prompt模式：**打开文件-复制粘贴-贴到大模型prompt（尾部增加：请帮我仿写一篇，xxx风格/请帮我总结一下，xxx字以内）-大模型输出-来回修改

**Function call模式：**丢到本地知识库-构建服务接口-内网穿透-大模型调用注册接口（提供修饰词，不同LLM适配）-准确性质疑

MCP模式：我们直接看下面的图，MCP协议提供大模型和工具的适配接口，互相只用聚焦本身能力上限

所以，数据与工具本身是客观存在的，只不过我们希望将数据连接到模型的这个环节可以更智能更统一。Anthropic 基于这样的痛点设计了 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。更具体的说 MCP 的优势在于：

生态 - MCP 提供很多现成的插件，你的 AI 可以直接使用。

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 - 你的敏感数据留在自己的电脑上，不必全部上传。（因为我们可以自行设计接口确定传输哪些数据）

区别

大概了解了MCP是什么，也需要和目前业界主流的几个概念，从多个维度进行对比，有助于判断MCP可以用于哪些业务场景。

MCP vs Function Call vs Agent

MCP Server

Function Call

Agent

定位对比

被动的工具箱

被动服务,仅响应调用请求

为大模型提供外部数据和能力支持

不参与决策或推理过程

像工具箱,等待别人挑选使用

瑞士军刀

直接扩展模型能力的机制

允许模型生成请求参数并整合结果

与模型绑定部署,紧密集成

像瑞士军刀,小巧多功能,随身携带

具备自主决策能力的AI实体

具备自主决策能力的AI实体

能感知环境、规划****任务并执行

可调用各种工具(包括MCP/Function Call)

像熟练工人,选择合适工具完成复杂任务

交互****方式

单向响应

采用被动服务模式,仅在接收请求时响应

通过HTTP/SSE协议接收请求,返回数据

数据流向:模型→MCP Server→模型

模型内部触发

由模型运行时环境直接执行

开发者需预先定义函数并打包到模型服务中

数据流向:模型→函数执行环境→模型

双向交互

具备高自主性,可主动调用工具

能与用户进行双向交互,澄清需求

数据流向:用户-Agent-各种工具/服务

应用场景

适合复杂、异步任务

场景:企业内部系统(CRM、ERP)封装为MCP Server

处理:多个Agent可以安全调用统一接口的数据

适合简单、同步****任务

场景:用户询问"北京今天的天气如何"

处理:模型直接调用get _weather()函数获取结果

适合端到端复杂任务

客户服务自动化

处理:自动监控用户反馈、分析问题、生成解决方案

选择依据

任务复杂度

简单低延迟****任务

Function Call

复杂数据整合任务

MCP Server

自主决策多步任务

Agent

协议标准化需求

无强制协议

Function Call

严格遵循标准

MCP Server

依赖底层工具

Agent

部署灵活性

需与模型绑定

Function Call

可独立扩展

MCP Server

需集成多种模块

Agent

因此，如果需要和我们原来**常用的服务和系统集成，**又需要快速利用大模型本身的推理分析能力，把公司内部的服务封装为MCP server是一个很好AI赋能的思路

原理

摘自官网modelcontextprotocol.io/introductio…

MCP 的核心是客户端-服务器架构，其中主机应用程序可以连接到多个服务器：

MCP 主机 ：希望通过 MCP 访问数据的程序，例如 Claude Desktop、IDE (curosr, windsurf) 或 AI 工具(cherry studio)

MCP 客户端 ：与服务器保持 1:1 连接的协议客户端

MCP 服务器 ：轻量级程序，每个程序都通过标准化模型上下文协议公开特定功能

本地数据源 ：MCP 服务器可以安全访问的您的计算机文件、数据库和服务

远程服务 ：MCP 服务器可通过互联网（例如通过 API**）**连接到的外部系统

货拉拉实践

招聘推荐

货拉拉内部有很多适合包装为MCP server的场景，今天以招聘推荐****业务举例：

**场景：**企业招聘平台、简历数据库数据分散在不同平台，需要根据招聘岗位需求利用AI能力找到最合适的候选人

**价值：**通过MCP统一协议连接多个系统，AI模型可自主按需获取查询岗位、职位数据，将招聘找人效率提高40%

流程：

首先，内部服务提供接口能力

提供获取岗位JD的接口

提供内部封装的简历粗排能力

大模型根据MCP调用结果，给出对应的简历****推荐理由

实现一个MCP Server也非常方便，例如使用Python，通过注解即可实现一个简单的本地Server

import requestsimport jsonfrom mcp.server.fastmcp import FastMCP# 创建MCP服务器mcp = FastMCP()@mcp.tool()def get_job_list(job_name="", page=1, page_size=20):    """    获取职位列表和对应的jobId        参数:        职位名称: 职位的名称关键词，如"安全"、"工程师"等        页码: 分页查询的页码，默认为1        每页数量: 每页返回的职位数量，默认为20    """        payload = {        "jobTitle": job_name,        "page": page,        "limit": page_size    }        try:        response = requests.post(URL, headers=HEADERS, data=json.dumps(payload))        response.raise_for_status()  # 检查请求是否成功        return response.json()    except Exception as e:        return {"错误": f"获取职位列表失败: {str(e)}"}

实现完成后配置到Client中，即可调用：

整理内网接口文档

MCP Server编写

Client调用

后续展望

我们也可以实现将不同的业务都封装为MCP Server，用户使用Client输入请求的时候会调用多个MCP Server完成任务，达到1+1>2的效果。同时也可以接入部分外部MCP Server，例如地图，搜索，社交媒体热度等，赋予Client在通用能力上的提升。

试想这么几个场景：

对于数据分析同事，在分析舆情事件时，之前需要在观点平台查找对应的时间段与事件，然后通过组装SQL语句在BigQuery中查询对应数据，下载数据，然后进行可视化。如果使用MCP，可以直接在Client输入需要分析的时间段，就可以依次调用观点MCP Server、BigQuery MCP Server、本地可视化的MCP Server，来输出需要的结果，大大提升工作效率；

对于平台同事，之前可能需要维护一个产品说明文档、接口文档，以及值班同事来及时解答各个接入平台的使用方。使用MCP Server之后，可以把自身平台的常用能力封装到Server中。使用方只要在Client端勾选该平台的MCP Server，即可通过自然语言对话的方式进行使用，无需再拼接接口，入参、解析出参。

对于开发同事，开发效率也可以有效提升。之前需要与各个平台讨论接口方案，解析返回JSON，现在可以使用Client调用平台的MCP Server即可。

当MCP Server变得繁多了，可能也有以下挑战：

MCP Server选择困难：Client较难选择更合适的MCP Server去调用，需要花费较多时间去尝试不同的调用方案，不同的Server排列组合导致尝试成本指数级上升。此时可能需要开发Client端更好的记忆功能，对调用成功的路径进行记忆保存；以及Server端服务评级机制，择优调用。

安全与鉴权：目前开源版本的MCP暂时没有考虑鉴权与访问权限，MCP Server可能会将有害信息植入Client，或者Client把本地个人隐私信息上传到网络中。

目前行业情况

下图可以发现，无论是MCP server，MCP client，MCP marketplace，已经有很多公司开始布局，感兴趣的可以去对应官网了解一下～

展望

从互联网技术演进的视角来看，MCP协议的出现标志着互联网进入以AI Agent为核心的新阶段，其本质是构建适应人工智能自主交互的基础设施层。这一进程可划分为三个阶段：

维度

PC互联网 1990s-2000s

移动互联网 2010s-2020s

AI Agent互联网 2020s+

核心协议

HTTP协议

API接口

MCP协议

工具形态

网页

移动应用

MCP服务器

交互主体

人类

人类+APP

AI Agent

连接****方式

超文本链接

API调用

动态服务发现

场景

信息检索：

用户需手动输入URL或关键词检索信息，门户网站和搜索引擎成为主要入口

移动支付：

用户通过点击操作调用特定功能，但每个应用仍需要独立开发接口，形成"应用孤岛"

跨系统任务自动化：

协议层革命

通过标准化交互协议，实现AI与工具的动态连接。MCP客户端可自动发现并调用符合协议的工具服务器，突破传统API的静态绑定模式。

货运场景，AI能即时整合司机订单信息、地图、定价等跨系统工具。

交互范式升级

从"人操作工具"转向"AI代理操作工具"，形成三层架构：

智能体层（如Claude）：任务解析与决策中枢

协议层（MCP）：动态工具发现与执行保障

工具层（MCP服务器）：标准化服务供给这种架构使复杂任务

舆情评估监测，AI能自动分解为收集舆情信息、情绪分级、异常监控、自动拉群分配处理等子任务，由不同工具服务器协同完成。

生态体系重构

催生新型技术价值链：

开发模式：从API定制开发转向工具市场建设，开发者通过构建MCP服务器参与生态

定价机制：动态竞价市场可能形成，AI根据实时性能指标择优选用工具

基础设施：需新型托管平台支持长任务管理、跨服务器负载均衡等特性

21st.dev的商业化MCP服务市场，实现"一次开发，多端调用"的生态效应。

不足

工具生态以网页为核心

信息呈现形式相对单一

工具生态呈现碎片化

数据流通受限于平台壁垒

标准化建设（如OpenAI等巨头的协议竞争）

安全机制完善（动态权限控制）

生态治理（开源社区碎片化）

产研团队：李鸣、江攀云、程裕恒

笔者介绍：李鸣｜大数据专家。曾任职于腾讯，从事地图渲染SDK研发、智能网联云平台后端开发，现就职于货拉拉，搭建了基于供需关系的调价平台、异动监测系统、GPT基础能力建设等项目，目前专注于大数据应用赋能。