掘金 人工智能 07月14日 11:05
MCP 从原理到实战：构建 LLM 可控工具世界
index_new5.html
../../../zaker_core/zaker_tpl_static/wap/tpl_guoji1.html

 

Model Context Protocol (MCP) 是一种专为大语言模型（LLM）设计的通用接口协议，旨在让模型安全、高效地调用工具和管理任务。MCP 统一了调用格式，支持权限控制、调用跟踪等功能，并被多家科技巨头采纳。它通过标准化、模块化和安全性设计，成为 LLM 与真实世界连接的关键桥梁，推动 Agent 系统的发展。

🌐 **MCP 的核心组成**: MCP 由 MCP Server、MCP Client 和 LLM Agent 组成。MCP Server 提供工具和数据资源，MCP Client 负责发现和调用这些资源，而 LLM Agent 则负责规划、推理和执行任务。整个流程基于 JSON-RPC 2.0 构建，实现了 LLM 与外部功能的无缝连接。

🧩 **MCP Server 的关键作用**: MCP Server 声明可用的工具、可访问的资源以及支持的提示。它通过 JSON Schema 格式定义工具的输入参数结构和约束，包括数据类型、枚举值和示例，确保模型能够正确理解和使用这些工具。MCP Server 还支持权限控制、调用跟踪等安全特性。

🔐 **MCP Client 的核心功能**: MCP Client 运行在 LLM 所在的上下文中，负责自动发现 MCP Server、查询其功能并发起调用请求，最后将返回结果转换为 LLM 可以理解的自然语言。OpenAI 的 Agents SDK 已经内置了 MCP Client，未来将集成到更多应用中，方便开发者使用。

🤖 **MCP 的优势与挑战**: MCP 提供开放的生态，但同时也引入了新的安全风险，如 Tool Injection 和 Prompt Injection。为了应对这些挑战，微软等公司正在构建 MCP 能力注册中心，并引入权限认证、可调用范围管理等机制，以确保 MCP 的安全性和可靠性。

基于最新 MCP 规范（Schema Version：2025-06-18）

随着大语言模型（LLM）成为智能系统核心引擎，模型“能理解”远比“能调用”来得更快。如何让模型可靠地调用工具、管理任务、处理资源，逐渐成为构建 Agent 系统的基础挑战。Model Context Protocol（MCP）应运而生，它提供了一套清晰、通用的调用契约，使 LLM 能够安全、高效、语义一致地与服务接口交互。Model Context Protocol（MCP） 由 Anthropic 于 2024 年底提出，随后被 OpenAI、Microsoft、Google 等巨头采纳，MCP 已成为连接 LLM 与真实世界能力的桥梁。它是 Function Calling 的演进，也是 Agent 系统迈向实用的重要支撑。

（图像来自：github.com/open-interp…

1 什么是 MCP？

Model Context Protocol（MCP） 是一种专为 LLM 打造的通用接口协议，基于 JSON-RPC 2.0 构建，目标是在不绑定厂商的前提下，让任何模型都可以发现、调用外部功能（tools）和数据资源（resources），统一接入各种工具链。

它的核心设计理念包括：

1.1 MCP 的三大核心组成

sequenceDiagram    title MCP 协议下 LLM 工具调用与响应流程        participant User    participant MCPClient as MCP-Client    participant LLM    participant MCPServer as MCP-Server    User ->> MCPClient: 发送请求    MCPClient ->> LLM: 传递用户查询及工具描述 [1,2](@ref)    LLM -->> MCPClient: 返回需调用的工具指令    MCPClient ->> MCPServer: 执行工具调用（HTTP/SSE/stdio）[1](@ref)    MCPServer -->> MCPClient: 返回执行结果    MCPClient ->> LLM: 传递工具执行结果 [2](@ref)    LLM -->> MCPClient: 生成自然语言响应    MCPClient -->> User: 返回最终响应

1. MCP Server —— 能力的提供者

MCP Server 是一个“对外注册能力和数据”的服务节点。它通过 JSON Schema 格式声明：

2. MCP Client —— 模型端的接入适配器

MCP Client 运行在 LLM 所在的上下文中，负责：

OpenAI 的 Agents SDK 已经内置了 MCP Client，未来也可能集成到更多应用中，如 VSCode Copilot、Windows Copilot、浏览器助手等。

3. LLM Agent —— 思考 + 执行的主体

Agent 是具备规划、推理、多步执行能力的 LLM 应用。例如：

过去这些流程要写死在程序中，现在只需通过 MCP 发现 +调用即可。

sequenceDiagram    title 多MCP智能体复杂任务编排流程    participant User as 用户    participant Agent as 智能体    participant MCP1 as 规划引擎 MCP Server    participant MCP2 as 地址解析 MCP Server    User ->> Agent: 提交任务（如：配送最优路径生成）    Agent ->> Agent: 分解任务、规划调用流程    Agent ->> MCP2: 地址标准化（解析文本为结构化地址）    MCP2 -->> Agent: 返回标准地址对象        Agent ->> MCP1: 调用规划引擎（输入结构化地址等参数）    MCP1 -->> Agent: 返回初步规划方案    Note right of Agent: 智能体判断结果是否符合业务约束    Agent ->> Agent: 若不满足，则调整约束参数    Agent ->> MCP1: 重新调用规划引擎    alt 需要再次解析新地址        MCP1 ->> MCP2: 触发新一轮地址解析        MCP2 -->> MCP1: 返回新地址对象    end    MCP1 -->> Agent: 返回多种备选规划方案    Agent -->> User: 交付最终多方案规划结果

1.2 Function Calling 与 MCP 有什么不同？

功能Function Calling（OpenAI）MCP（开放协议）
接入方式开发者自定义 schemaJSON-RPC 标准化
适配对象ChatGPT 系列任意 LLM
功能列表静态注册动态发现（list_tools）
安全机制需自行实现支持取消 / 权限管理
工具执行方通常是 OpenAI 服务器用户本地或远程 MCP Server
生态整合专属 API开放注册中心（Microsoft、Claude、Gemini 等通用）

简而言之，Function Call 是 OpenAI 的“私有厨房”，MCP 是全世界都可以使用的“厨房标准化接口”。虽然 MCP 带来了灵活开放的生态，但它也引入了新的攻击面，例如：

因此，微软正在将 MCP 接入 Windows 系统安全沙盒中（AI Foundry）；OpenAI 和 Anthropic 也在构建 MCP 能力注册中心，并引入权限认证、可调用范围管理等机制。

项目内容
协议名称Model Context Protocol（MCP）
发布者Anthropic，OpenAI，Microsoft 等联合
功能定位统一 LLM 调用外部工具与数据源的接口协议
技术基础JSON-RPC 2.0 + JSON Schema
关键组件MCP Server、MCP Client、Agent
典型用途文件管理、数据库操作、自动化助手、浏览器插件
替代方案OpenAI Function Calling（功能较弱）
安全风险Prompt Injection、恶意 Server、权限失控等

1.3 参考

2 MCP Server 接口设计示例

基于最新 MCP 规范（截至 2025‑06‑18）

2.1 MCP Manifest（/manifest 或 .well-known/mcp/manifest）

MCP Manifest 是模型调用服务的“蓝图”，它不仅描述可用工具的参数结构，也包含调用行为提示、版本信息、资源结构等关键元信息。建议每个 MCP 服务通过 /manifest 或 .well-known/mcp/manifest 提供静态清单，以供模型在调用前理解其能力边界。

{  "schema_version": "2025-06-18",  "name": "vrp-planner-mcp",  "title": "VRP Planner",  "description": "多约束多车辆智能调度规划引擎",  "version": "1.2.0",  "last_updated": "2025-07-14T03:00:00Z",  "capabilities": {    "callback": {      "field": "callback_url",      "methods": ["webhook"],      "description": "支持异步任务完成后的 Webhook 通知"    },    "notifications": {      "supported": true,      "events": ["progress", "complete", "cancelled"]    },    "elicitation": {}  },  "oauth": {    "resource_metadata": "https://auth.example.com/.well-known/oauth-authorization-server",    "resource_indicators_supported": true  },  "tools": [    {      "name": "create_scenario",      "title": "Create Scenario",      "description": "创建配送场景，包括车辆和工单",      "inputSchema": { "$ref": "#/components/schemas/Scenario" },      "returns": {        "type": "object",        "properties": {          "scenario_id": { "type": "string", "example": "scenario-123" }        },        "required": ["scenario_id"]      },      "annotations": {        "readOnlyHint": false,        "destructiveHint": false,        "idempotentHint": false,        "openWorldHint": false      },      "_meta": {        "example": {          "name": "北京城配",          "planning_date": "2025-07-15",          "agents": [{ "id": "veh-1", "capacity": 100 }],          "tickets": [{ "id": "t-1", "location": "LOC_A", "demand": 20 }]        }      }    },    {      "name": "solve_vrp",      "title": "Solve VRP",      "description": "提交 VRP 求解任务",      "inputSchema": {        "type": "object",        "properties": {          "scenario_id": { "type": "string", "example": "scenario-123" },          "solve_time": { "type": "string", "default": "PT30S", "pattern": "^PT\\d+S$", "example": "PT60S" },          "callback_url": { "type": "string", "format": "uri", "example": "https://example.com/webhook" }        },        "required": ["scenario_id"]      },      "returns": {        "type": "object",        "properties": {          "job_id": { "type": "string", "example": "job-abc-123" },          "submitted_at": { "type": "string", "format": "date-time", "example": "2025-07-14T03:10:00Z" }        },        "required": ["job_id", "submitted_at"]      },      "annotations": {        "readOnlyHint": false,        "destructiveHint": false,        "idempotentHint": true,        "openWorldHint": false,        "callbackSupport": true      }    },    {      "name": "query_vrp_status",      "title": "Query VRP Status",      "description": "查询 VRP 求解进度与状态",      "inputSchema": {        "type": "object",        "properties": {          "job_id": { "type": "string", "example": "job-abc-123" }        },        "required": ["job_id"]      },      "returns": {        "type": "object",        "properties": {          "job_id": { "type": "string", "example": "job-abc-123" },          "status": { "type": "string", "enum": ["SOLVING", "FAILED", "COMPLETED"], "example": "SOLVING" },          "progress": { "type": "integer", "minimum": 0, "maximum": 100, "example": 45 }        },        "required": ["job_id", "status", "progress"]      },      "annotations": {        "readOnlyHint": true,        "destructiveHint": false,        "idempotentHint": true,        "openWorldHint": false      }    },    {      "name": "cancel_vrp_job",      "title": "Cancel VRP Job",      "description": "取消正在进行的 VRP 求解任务",      "inputSchema": {        "type": "object",        "properties": {          "job_id": { "type": "string", "example": "job-abc-123" }        },        "required": ["job_id"]      },      "returns": {        "type": "object",        "properties": {          "cancelled": { "type": "boolean", "example": true },          "cancelled_at": { "type": "string", "format": "date-time", "example": "2025-07-14T03:12:00Z" }        },        "required": ["cancelled", "cancelled_at"]      },      "annotations": {        "readOnlyHint": false,        "destructiveHint": true,        "idempotentHint": true,        "openWorldHint": false      }    }  ],  "components": {    "schemas": {      "Scenario": {        "type": "object",        "properties": {          "name": { "type": "string", "example": "北京城配" },          "planning_date": { "type": "string", "format": "date", "example": "2025-07-15" },          "agents": {            "type": "array",            "items": { "$ref": "#/components/schemas/Agent" }          },          "tickets": {            "type": "array",            "items": { "$ref": "#/components/schemas/Ticket" }          }        },        "required": ["name", "planning_date", "agents", "tickets"]      },      "Agent": {        "type": "object",        "properties": {          "id": { "type": "string", "example": "veh-1" },          "capacity": { "type": "integer", "example": 100 }        },        "required": ["id", "capacity"]      },      "Ticket": {        "type": "object",        "properties": {          "id": { "type": "string", "example": "t-1" },          "location": { "type": "string", "example": "LOC_A" },          "demand": { "type": "integer", "example": 20 }        },        "required": ["id", "location", "demand"]      }    }  }}

清单说明

capabilities

capabilities.callback

声明服务端支持客户端提供 callback_url，用于异步通知任务完成或失败。适用于长任务（如 solve_vrp），当任务完成时，服务端会向客户端的 callback_url 发 POST 通知，无需客户端主动查询状态。

典型结构

"capabilities": {  "callback": {    "field": "callback_url",    "methods": ["webhook"],    "description": "支持异步任务完成后的 Webhook 通知"  }}

MCP 支持异步调用，推荐使用 Webhook 模式回调模型：

capabilities.notifications

声明服务端支持通过 Streamable HTTP + Notifications 向客户端推送事件（例如：进度更新、完成通知、取消确认），客户端实时接收，无需轮询。

典型结构

"capabilities": {  "notifications": {    "supported": true,    "events": ["progress", "complete", "cancelled"]  }}

工具注解（Tool Annotations）

**工具注解（Tool Annotations）**是对每个工具行为的元信息提示，帮助 Client 和 LLM 更安全、高效地使用这些工具：

假设有一个工具 delete_file：

{  "name": "delete_file",  "annotations": {    "readOnlyHint": false,    "destructiveHint": true,    "idempotentHint": true,    "openWorldHint": false  }}
Hint 名称类型含义说明使用场景示例
destructiveHintboolean是否会对系统产生破坏性修改，如删除、修改、重命名、发起变更等操作。删除任务、取消订单、修改配置等
idempotentHintboolean幂等性提示：重复调用不会改变最终结果，可安全重试。删除资源（已删也视为成功）、查询状态等
readOnlyHintboolean是否为只读操作，即不对系统状态产生任何更改。查询状态、获取详情、列表获取等
openWorldHintboolean是否访问开放系统或外部世界，如互联网或跨系统调用，涉及安全边界时应标记为 true。访问外部 API、调用外部模型、发送通知等
callbackSupportboolean?（可选）是否支持异步回调机制（如 webhook），便于客户端获知操作完成。异步求解任务、模型执行任务等

注：

OAuth 授权配置

Manifest 中需包含 OAuth 授权相关元数据，如：

"oauth": {  "resource_metadata": "https://auth.example.com/.well-known/oauth-authorization-server",  "resource_indicators_supported": true}

授权流程

具体OAuth配置推荐使用Keycloak。

2.2 MCP JSON‑RPC 接口

tools/list（获取工具清单）

请求：

{ "jsonrpc":"2.0","id":"1","method":"tools/list","params":null }

响应：

{ "jsonrpc":"2.0","id":"1","result": [/* manifest.tools 的内容 */] }

客户端可使用该接口动态发现工具，构建调用选项。

tools/call（调用工具执行）

请求样例：

{  "jsonrpc":"2.0",  "id":"2",  "method":"tools/call",  "params": {    "name": "solve_vrp",    "arguments": { "scenario_id":"uuid-abc","solve_time":"PT60S" }  }}

method 字段表明调用工具，服务端据此找到对应工具并执行。

响应（正常）：

{ "jsonrpc":"2.0","id":"2","result": { "job_id":"job-001","submitted_at":"2025-07-13T10:05:00Z" } }
错误处理结构

推荐将错误编号、类型描述和上下文信息统一返回

响应（错误）：

{  "jsonrpc":"2.0",  "id":"2",  "error": {    "code": 4002,    "type": "MissingParameter",    "message": "参数 scenario_id 缺失",    "traceId": "abc-123"  }}
任务取消

请求

{  "jsonrpc": "2.0",  "id": "3",  "method": "tools/call",  "params": { "name": "cancel_vrp_job", "arguments": { "job_id": "job-001" } }}

同步响应

{  "jsonrpc": "2.0",  "id": "3",  "result": { "cancelled": true, "cancelled_at": "2025-07-13T10:07:00Z" }}

随后服务端也会通过 notifications/cancelled 主动推送事件

Notifications（事件推送，取代持续轮询）

对于可能长时间运行的工具操作，应考虑提供状态查询和取消的机制：

进度推送：

{  "jsonrpc": "2.0",  "method": "notifications/progress",  "params": { "job_id": "job-001", "progress": 80 }}

完成推送：

{  "jsonrpc": "2.0",  "method": "notifications/complete",  "params": { "job_id": "job-001", "result": { /* 求解结果数据 */ } }}

取消推送：

{  "jsonrpc": "2.0",  "method": "notifications/cancelled",  "params": { "job_id": "job-001", "cancelled_at": "2025-07-13T10:07:00Z" }}

推荐工作流

    客户端 POST tools/call 启动作业，并开启 SSE 通道（或通过 Streamable HTTP 持续接收事件）。服务器通过 notifications/progress、notifications/complete、notifications/cancelled 等推送任务实时状态，客户端无需主动轮询 query_vrp_status，只在断线或异常时可手动查询。取消任务，依然通过 tools/call + cancel_vrp_job 工具实现。

2.3 资源接口

根据 MCP 2025‑06‑18 最新规范，结合 Notifications 与 Streamable HTTP 推荐实践，对资源接口与设计要点进行了调整和补充。最终优化内容如下：

MCP 资源（Resource）代表服务可提供的结构化数据内容，包括文件、API 响应、数据库记录等，均以唯一 URI 或 URI 模板标识。Manifest 中可统一声明资源类型及其 JSON Schema。

资源类型与 URI 命名

资源 URI 应规范命名，例如：

所有资源均应采用清晰的协议前缀（如 file://、db://、logs://），便于客户端识别来源和处理方式。若资源涉及敏感字段，manifest 中可使用 "x-sensitive-fields": ["user_id", "price"] 提示客户端脱敏或限制暴露。

资源列表接口

resources/list （获取资源清单）

请求：

{ "jsonrpc": "2.0", "id": "5", "method": "resources/list", "params": null }

响应：

{  "jsonrpc": "2.0",  "id": "5",  "result": [    {      "uri": "file:///var/reports/plan-2025-06.pdf",      "name": "6月调度执行报告",      "mimeType": "application/pdf",      "size": 2183344    },    {      "uriTemplate": "logs://vrp/{date}",      "name": "VRP 系统调度日志",      "mimeType": "text/plain"    }    // ...更多资源  ]}

推荐每个资源项包含：uri/uriTemplate、name、mimeType、size（如可用）、description 等元数据。Manifest 可进一步通过 JSON Schema 规范资源结构。

资源读取接口

resources/read（读取资源内容）

请求：

{  "jsonrpc": "2.0",  "id": "6",  "method": "resources/read",  "params": { "uri": "logs://vrp/2025-07-13" }}

响应：

{  "jsonrpc": "2.0",  "id": "6",  "result": {    "content": "...2025-07-13 的日志内容...",    "mimeType": "text/plain"  }}

文本型内容用 content 字段返回，二进制内容（如图片、Excel等）建议以 base64 编码置于 blob 字段，并指明 mimeType。复合资源可返回数组，如目录下多个文件。

2.4 调用生命周期

sequenceDiagram    autonumber    participant 智能体 Agent    participant MCP服务端    participant SSE通道    participant WebHook接口（callback_url）    %% 工具发现与调用    智能体 Agent->>MCP服务端: tools/list → 获取工具清单    MCP服务端-->>智能体 Agent: 返回 tools + inputSchema    智能体 Agent->>MCP服务端: tools/call → 提交 solve_vrp 调用（附带 callback_url）    MCP服务端-->>智能体 Agent: 返回 job_id："job-001"，任务提交成功    %% 主流程：使用 SSE 实时获取进度    智能体 Agent->>SSE通道: 建立 SSE 通道，监听任务进度    SSE通道-->>智能体 Agent: notifications/progress → 任务进度 20%    SSE通道-->>智能体 Agent: notifications/progress → 任务进度 80%    SSE通道-->>智能体 Agent: notifications/complete → 任务完成结果    %% 可选分支 A：使用 Webhook 接收通知    MCP服务端-->>WebHook接口（callback_url）: notifications/complete → POST 最终结果    %% 可选分支 B：Agent 主动轮询获取结果    智能体 Agent->>MCP服务端: tools/call → query_status 查询任务状态    MCP服务端-->>智能体 Agent: 返回任务完成状态 + 结果数据

2.5 实践建议

2.6 参考

3 动态生成满足类型约束的输入数据

MCP 的一大优势在于模型能够根据 manifest 自动构造正确格式的工具输入。为实现这一点，必须确保类型约束明确且上下文提示充分，使 LLM 在决策调用时能够“填空作答”，动态生成合法的 JSON 参数。

3.1 Schema 驱动输入生成

当客户端（LLM 主机）获取 MCP 服务的 manifest 后，会解析出各工具的参数Schema。在对话过程中，如果模型决定使用某工具，它会按照 Schema 组织参数。

3.2 复杂对象的生成

当工具参数本身是复杂结构（如 Scenario 场景对象，包含嵌套字段），需要模型一次性构造嵌套 JSON。为辅助模型：

3.3 传统业务数据映射

企业的数据分散在多张表、多个系统里，如果不能方便地把这些数据整理成标准的 JSON 格式，LLM 智能体就无法顺利调用算法和工具。只有把数据结构统一好，智能体才能理解业务、自动执行任务，让企业的数据真正用起来、发挥出更大的价值。在这里提出一种五步对接方法，具体如下：

A 读取 MCP manifest 的 inputSchema

B 导出业务数据表的记录（JSON格式）

C 设计提示词，引导 LLM 自动生成转换代码

D 测试用例驱动 Schema 校验与逻辑校验

E 脚本的集成或 Function 化，为 LLM/Agent 提供标准化业务数据

实践建议

最大限度利用 LLM 自动化能力，减少人工编码与维护负担。

需要关注的风险

3.4 验证与纠错

服务端在接收到模型生成的输入后，应对其进行验证，确保满足 Schema 约定。可以借助 JSON Schema 校验库或静态类型工具（如 Pydantic）进行检查，在发现缺失字段或类型不符时返回结构化错误，让模型明白哪里不合规。模型通常会依据错误信息重试，并修正输出以满足约束。因此，清晰的错误反馈也是动态生成正确输入的重要环节。

此外，模型可能会依赖上下文动态调整输入。例如某些工具manifest是动态的，只有满足一定条件才出现额外参数。模型需要先通过 tools/list 获取最新Schema，再生成输入。这要求客户端实现上每次对话开始或 manifest 有变动时都刷新模型对工具的认知。Anthropic Claude 等实现支持 notifications/tools/list_changed 来通知工具列表变化，模型据此更新调用策略。

总结来说，让模型动态地产生合规输入的关键在于：完善的模式定义和充分的语义提示。通过 MCP manifest，将输入输出格式精确定义，并辅以描述和示例，LLM 就能在推理中自动拟合这些约束，构造出满足类型要求的 JSON 对象。这种能力使智能代理能够安全地调用复杂操作（如规划场景Scenario的创建等）而不需要硬编码每种接口格式，大大提高了系统的灵活性和健壮性。

3.5 参考

4 降低 LLM Token 消耗的策略

在集成 MCP 工具时，需要密切关注上下文 Token的消耗，因为每增加一个工具及其说明，都会占用模型的提示窗口，进而增加费用和延迟。

综合以上策略，核心在于减少模型上下文中无效或次要的信息。每一次Agent-LLM交互都会消耗token并产生成本和时延，所以应努力让每个token都“物有所值”。通过精简工具和数据、聪明地调度何时提供何种信息，以及技术手段如缓存和监控，开发者可以将LLM集成的开销降到最低。正如经验所示，一个适度提供精确信息的MCP集成，能以更低的token成本获得更高质量的结果。

4.1 参考

5 接口重构

将传统微服务功能暴露为 MCP 工具，有时需要调整接口设计，以符合 MCP 的统一规范和 JSON Schema 要求。这种适配如果逐个手工改造，工作量和风险都很高。例如，一个老系统可能有众多 REST API，各自返回格式不同，也缺少机器可读的契约说明。那么要把它们纳入 MCP，就需为每个API编写 Schema、提供描述，并统一通过 manifest 公布——相当于对接口进行重构和数据格式转换。这被视为MCP落地的一大挑战之一。

5.1 接口重构是否必要

好消息是，未必需要对每个微服务API大动干戈。业界已经出现多种MCP 适配层和自动化工具，帮助将现有接口快速包装为 MCP 工具，尽量减少人工重构：

因此，一般不建议为适配 MCP 而彻底推倒重写现有接口。相反，可以增设一层 MCP 接口或使用工具将它们包装起来。在保持原有微服务不变的情况下，通过 MCP Server 将其功能暴露给 LLM。这避免了高昂的系统重构代价和潜在风险。

Quarkus 提供的 MCP Server 扩展

安全认证支持

支持多种通信形式

快速上手示例

<dependency>  <groupId>io.quarkiverse.mcp</groupId>  <artifactId>quarkus-mcp-server-sse</artifactId>  <version>1.2.0</version></dependency>
@ApplicationScopedpublic class ServerFeatures {  @Tool(description = "Convert text to lowercase")  String toLower(@ToolArg(description="Text") String input) {    return input.toLowerCase();  }  @Resource(uri="file:///data/config.json")  BlobResourceContents config() { /* load file */ }}

启动 Quarkus 应用后，它会自动：

5.2 何时需要重构

然而，在某些情况下适度的接口重构是值得的：

理想情况下，通过 MCP，我们希望实现工具接口统一且与现有系统解耦。完全重构虽非必须，但一定程度的契约梳理不可避免。建议的路径是：

正如 MCP 标准所强调的，清单化的工具接口使不同语言、平台的系统都能无缝衔接，大幅减少“N对M”集成的负担。通过聪明地利用现有资源并适度演进接口设计，我们无需大规模重写代码，就能让智能规划引擎畅通无阻地调用各种微服务，实现AI时代的微服务生态升级。

5.3 参考

6 结语

MCP 协议为构建“模型可调用世界”奠定了基础，它规范了工具、资源、任务执行与异步反馈等关键组件，是实现 Agent-to-System 协同的核心协议之一。但 MCP 聚焦于“操作层”的接口设计，而在真正面向用户的场景中，还需与可视化交互、用户意图理解、流程指引等机制结合。

因此，我们正在探索另一项关键协议 —— AG‑UI 协议，它旨在为 Agent 提供画布式、组件化的 UI 指令与数据绑定机制，使 LLM 不仅能调用工具，还能动态驱动 UI，让“人机共创”成为现实。

下一篇文章将全面介绍 AG‑UI 协议设计与实现，敬请期待。

Fish AI Reader

Fish AI Reader

AI辅助创作，多种专业模板，深度分析，高质量内容生成。从观点提取到深度思考，FishAI为您提供全方位的创作支持。新版本引入自定义参数，让您的创作更加个性化和精准。

FishAI

FishAI

鱼阅，AI 时代的下一个智能信息助手，助你摆脱信息焦虑

联系邮箱 441953276@qq.com

相关标签

MCP LLM Agent 工具调用 JSON-RPC
相关文章
Import AI 368: 500% faster local LLMs; 38X more efficient red teaming; AI21’s Frankenmodel
Learn AI Together — Towards AI Community Newsletter #23
This AI newsletter is all you need #98
Patterns and Middleware for LLM Applications with Kyle Roche - #659
Building LLM-Based Applications with Azure OpenAI with Jay Emery - #657
Mental Models for Advanced ChatGPT Prompting with Riley Goodside - #652
FastGen: Cutting GPU Memory Costs Without Compromising on LLM Quality
Intel Releases a Low-bit Quantized Open LLM Leaderboard for Evaluating Language Model Performance through 10 Key Benchmarks
Vidur: A Large-Scale Simulation Framework Revolutionizing LLM Deployment Through Cost Cuts and Increased Efficiency
Llama 3 + Llama.cpp is the local AI Heaven