Anthropic 推出的 MCP（模型上下文協議）取得了成功，這顯然激發了 AI 行業里的其他參與者，大家都想來定義一些開放協議，好用在 AI Agent 系統（Agentic Systems）的集成里。

1、MCP 架構設計

MCP（模型上下文協議）是由 Anthropic 定義的一個開放協議，標準化應用程序如何為大語言模型（LLM）提供上下文。更具體地說，它試圖標準化基于 LLM 的應用程序與其他環境集成的協議。

在 AI Agent 系統（Agentic Systems）中，上下文可以通過多種方式提供：

1、外部數據：這是長期記憶的一部分。

2、工具：系統與環境交互的能力。

3、動態提示詞：可以作為系統提示詞（System Prompt）的一部分注入。

第一、為什么要標準化？

目前，AI Agent 應用的開發流程很混亂：

    1.有許多 AI Agent 框架存在細微差異。雖然看到生態系統蓬勃發展令人鼓舞，但這些細微差異很少能帶來足夠的價值，但可能會顯著改變你的代碼編寫方式。

    2.與外部數據源的集成通常是臨時實現的，并且使用不同的協議，即使在組織內部也是如此。對于不同公司來說，這顯然是如此。

    2.工具在代碼庫中以略微不同的方式定義。如何將工具附加到增強型 LLM 上也是不同的。

目標是提高我們創新 AI Agent 應用的速度、安全性以及將相關數據帶入上下文的便利性。

第二、MCP 架構設計

    1.MCP Host：使用 LLM 為核心并希望通過 MCP 訪問數據的程序。

    2.MCP Client：與 MCP Server 保持1:1連接的客戶端。

    3.MCP Server：每個 MCP Server 都通過標準化的模型上下文協議公開特定功能的輕量級程序。

    4.Local Data Sources：你計算機上的文件、數據庫和服務，MCP Server 可以安全訪問。

    5.Remote Data Sources：通過互聯網可用的外部系統（比如：通過 API），MCP Server 可以連接到這些系統。

第三、通過 MCP 分離控制責任

MCP Server 公開三個主要元素（Prompts、Resoures、Tools），這些元素是有意設計的，以幫助實現特定的控制分離。

1.Prompts 提示詞被設計為用戶控制的。后端的程序員可以公開特定的提示詞（適用于與后端服務公開的數據交互），這些提示詞可以注入到使用 LLM 的應用程序中，并暴露給給定應用程序的用戶。

2.Resoures 資源被設計為應用程序控制的。Resources 資源是任何可以被利用 LLM 構建的應用程序使用的數據（文本或二進制）。應用程序的程序員（通常是 AI 應用開發工程師）負責將這些信息編碼到應用程序中。通常，這里沒有自動化，LLM 不參與此選擇。

3.Tools 工具被設計為大模型控制的。如果我們賦予應用程序如何與環境交互的代理權，我們使用 Tools 工具來實現這一點。MCP Server 公開一個端點，可以列出所有可用 Tools 工具及其描述和所需參數，應用程序可以將此列表傳遞給 LLM，以便它決定哪些 Tools 工具適用于手頭的任務以及如何調用它們。

2、基于 MCP 實現招聘推薦業務場景

第一、招聘推薦業務場景剖析

很多企業內部都有推薦業務的場景，特別是對于招聘推薦業務，招聘場景涉及到企業用人端的招聘服務，也涉及到個人用戶的簡歷數據，這些數據往往散落在不同的平臺中，為了更高效的實現人才的匹配，招聘平臺就需要利用 AI Agent 智能體根據招聘崗位需求快速找到最合適的候選人，這就是招聘的推薦業務場景。

在這個業務場景中，通過 MCP 統一協議連接多個系統，AI Agent 智能體可以自主決策，從而按需獲取崗位數據、職位數據、簡歷數據等，從而將招聘找人效率提高30%+。

第二、基于 MCP 的整體流程設計，如下所示：

• 1、招聘平臺內部需要提供 API 接口能力；
• 2、提供獲取崗位 JD 的 API 接口能力；
• 3、提供內部封裝的簡歷排序能力；
• 4、AI Agent 智能體根據 MCP Server 調用結果，給出對應的簡歷推薦理由。

第三、基于 MCP 的整體架構設計，如下所示：

第四、MCP Server 的代碼實現，如下所示：

import requests
import json
from mcp.server.fastmcp import FastMCP
# 創建 MCP 服務器
mcp = FastMCP()
@mcp.tool()
def get_job_list(job_name="", page=1, page_size=20):
    """
    獲取職位列表和對應的jobId
    參數:
        職位名稱: 職位的名稱關鍵詞，如"安全"、"工程師"等
        頁碼: 分頁查詢的頁碼，默認為1
        每頁數量: 每頁返回的職位數量，默認為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()  # 檢查請求是否成功
        return response.json()
    except Exception as e:
        return {"錯誤": f"獲取職位列表失敗: {str(e)}"}

第五、配置到 MCP Client 中，Client 調用如下所示：

隨著 MCP Server 數量的增加，可能會面臨以下挑戰：

• MCP Server 選擇難題：客戶端在選擇合適的 MCP Server 進行調用時可能會遇到困難，這需要花費大量時間來嘗試不同的調用方案。由于服務器的不同排列組合，嘗試的成本可能會急劇增加。在這種情況下，可能需要在客戶端開發更高級的記憶功能，以記住成功的調用路徑；同時，在服務器端實施服務評級機制，以便優先選擇性能更優的服務器進行調用。
• 安全性和授權問題：目前的開源 MCP 版本尚未考慮授權和訪問權限的問題，這可能導致 MCP Server 向客戶端植入惡意信息，或者客戶端將本地的個人隱私信息上傳到網絡中，從而引發安全風險。

本文轉載自??玄姐聊AGI??  作者：玄姐