之前已经分享过不少介绍 MCP 的视频，从概念、原理，到实际应用，各种讲解、分析，实操不可谓不全。不过看到 New Machina 制作的 MCP 介绍，还是决定翻译转发。New Machina 的技术讲解主打一个深入浅出，条理分明，生动形象，即便是 AI 行业外的爱好者也能从中受到启发。更难能可贵的是，这么大年纪仍旧坚持学习各种新的技术，颇为励志。

在 MCP 这项技术上，New Machina 也分享了自己深刻的理解和独到的见解。传统的 LLM 系统在集成多种工具、处理上下文和记忆时，往往采用各自为政的实现方式，导致兼容性和扩展性都受到限制。MCP 的提出，正是为了解决这些痛点。它将输入数据划分为明确定义的部分，如系统指令、用户输入、工具调用和记忆等，并规范了工具描述、调用方式以及结果的回传机制。这样一来，无论是在聊天界面、语音助手还是集成开发环境（IDE）中，用户与系统的每一次交互都能按照统一的逻辑流程处理，大大提升了系统的可解释性和互操作性。

MCP 体系包括主机（Host）、客户端（Client）、服务器（Server）以及 LLM 等核心组件。主机作为用户的入口，负责收集交互历史和工具列表。客户端则作为主机与服务器之间的桥梁，维持通信连接。服务器负责上下文结构化、记忆管理以及实际工具的调用，比如数据库、API、文件系统等。LLM 则专注于在标准化上下文的基础上进行推理和自然语言生成。整个流程形成了一条清晰可控的链路，每一步都可以追溯和验证。

以 “查询奥斯汀天气” 为例，用户在主机端发起请求，经过上下文整理和工具列表获取后，将标准化的提示发送给 LLM。LLM 判断是否需要调用查询天气的外部工具，并返回调用意图及参数。主机将请求转发给服务器，服务器实际调用工具，拿到结果后层层回传，最终由 LLM 生成自然语言反馈给用户。这一工作流表面上看与早期的函数调用或工具集成类似，但 MCP 的真正价值在于 “标准化”。它就像 USB 规范对于硬件连接的意义，使不同厂商、不同平台的工具和模型能够顺畅对接。

目前，MCP 已获得 Anthropic、OpenAI、Google 等业界巨头的支持，工具开发者和社区也在积极参与。MCP 服务器正在逐步覆盖 Slack、GitHub、Google Drive、Jira 等主流平台。随着 MCP 兼容工具和服务器的不断增加，开发者无需重复造轮子，就能利用丰富的预先构建的功能集成，从而能够更加专注于自身业务的创新。

#AI技术[超话]##AI编程##MCP##AI创造营# http://t.cn/A6dlXGU4