MCP不难，这里是最简单、适合初学者的MCP大师班🤗（第一部分）

欢迎回来

我离开了一段时间，忙于工作和生活，节奏比预期快。但在压力之中，我不断感受到回到自己真正喜欢的事物的冲动。分享知识。拆解复杂的思想。帮助初学者自信地迈出进入人工智能世界的第一步。

所以今天我重新回到 dev.to，焕然一新，充满能量，准备与你们一起继续这段旅程。我们要以一个令人兴奋的活动开场。MCP。这是一种构建强大工具、创造应用与人工智能系统之间更智能交互的新方式。

现在正是开始学习它的最佳时机。欢迎来到“MCP不难，这里是最简单的初学者友好教程”。

如果你对MCP感到好奇，或者曾经想过如何搭建它，甚至用Python构建自己的MCP服务器，这正是你一直在等待的指南。让我们深入探讨。

第一部分：基金会

目录

第一章：人工智能的演变——从简单模型到智能代理

• 1.1 人工智能的巨大误解——人工智能究竟何时开始？
• 1.2 梦想思考机器的先驱们
• 1.3 漫长之路——2022年前的突破与挫折
• 1.4 2022年11月 - 一切改变的那一刻
• 1.5 从对话到行动——理解人工智能代理
• 1.6 融合危机——为什么我们今天需要MCP

第一章：人工智能的演变——从简单模型到智能代理

1.1 人工智能的巨大误解——人工智能究竟何时开始？

让我给你讲个故事。过去几年，我有幸在各类活动中演讲，主持工作坊，主持播客，访问大学，并与渴望理解人工智能的聪明青年们坐在一起。无论我走到哪里，从小型社区聚会到大型科技聚会，我总能听到同样令人惊讶的想法。人们认为人工智能基本上是在2022年11月ChatGPT发布时发明的。

它总让我微笑，不是因为想法错了，而是因为它展现了那一刻的强大和难忘。事实是，人工智能并非在一个月内突然出现。2022年发生的事情不是人工智能的诞生，而是世界终于觉醒的时刻。那是人工智能离开研究实验室，走出学术论文，直接走进日常生活的时刻。学生们感受到了。开发者们感受到了这一点。即使是那些从未关心过科技的人，也有同样的感受。

每次我和年轻学习者分享这些内容时，房间里总会有变化。他们开始理解人工智能有着漫长的故事，这故事由数十年的实验、失败、突破和大胆想法塑造。他们开始把自己看作是那个故事的一部分。不是作为旁观者，而是作为下一代建设者、思想家和创新者。

真正的对话才是从那时开始的。

我记得有位学生发来的短信，我不会透露😏名字，他大胆地说：“自从人工智能开始......”（他指的是ChatGPT 😂）。

这种误解无处不在。打开新闻，听政府官员谈论人工智能政策，阅读关于人工智能革命的商业文章，你会听到这样一种说法：人工智能大约在2022年左右诞生。仿佛我们集体决定，历史从ChatGPT能够为我们写邮件并帮助我们调试代码的那一刻起就开始了。

但这里有我和平地与那位学生分享的真相。人工智能七十多年来一直是个问题、一个梦想，也是杰出头脑的痴迷。

1.2 梦想思考机器的先驱们

人工智能的真实故事并非始于硅谷的董事会会议室或数十亿美元的培训运行，而始于一位名叫艾伦·图灵的杰出英国数学家。1950年（没错，1950年），图灵在哲学期刊《心灵》上发表了一篇开创性的论文，题为《计算机与智能》。这绝非一个小学术脚注。这篇论文介绍了我们现在所称的图灵测试，提出了一个至今仍困扰并激励着我们的问题。“机器能思考吗？”

读图灵的原著最让我印象深刻的是它的当代感。他不仅仅是问机器是否能思考。他巧妙地重新表述了这个问题，提出了他称之为“模仿游戏”的玩法，即人类审讯者通过对话试图区分人类和机器。听起来熟悉吗？七十四年过去了，我们基本上仍在努力应对同一测试的各种变体。

图灵不是孤立运作的。英国的研究人员在1956年人工智能正式被命名为一个领域之前，已经探索了长达十年。这是一个思想家群体，他们相信智能（大多数人类特质）或许可以被机器理解、复制甚至改进。

想更深入了解吗？我强烈推荐阅读图灵1950年的原始论文。它出乎意料地易于理解，当你意识到他远远领先于他的时代时，会让你起鸡皮疙瘩。

然后是1956年夏天，这一时刻正式诞生了我们所称的人工智能领域。达特茅斯人工智能夏季研究项目于1956年6月18日启动，由四位美国计算机科学家组织：约翰·麦卡锡、马文·明斯基、内森尼尔·罗切斯特和克劳德·香农。你可以在达特茅斯的原始提案和这篇关于达特茅斯人工智能诞生的优秀IEEE光谱文章中阅读更多关于这次历史性聚会的信息。

这些人不仅仅是在抛出想法。在他们的提案中，麦卡锡和他的同事们表明，他们相信“学习的每一个方面或智能的其他特征原则上都可以被精确描述，以至于可以制造机器来模拟它。”这是一个大胆的主张。他们认为，只需一个夏天，十位精心挑选的研究人员就能破解智能本身的密码。

他们对时间线的判断大错特错，但对可能性却极为准确。

1.3 漫长之路——2022年前的突破与挫折

故事从这里开始变得非常有趣，也让我们学到了关于人工智能发展的一些最重要的教训。达特茅斯之后的几年，向ChatGPT的道路并非一帆风顺。那是一场充满狂野乐观、沉重失望以及定义伟大科学事业的韧性之间的过山车。

20世纪60年代和70年代初，人们充满了真正的兴奋。研究人员在看似难以解决的问题上取得了进展。计算机开始学习跳棋和国际象棋，证明数学定理，并解决代数问题。到20世纪60年代中期，美国的人工智能研究得到了国防部的大力资助，全球各地建立了人工智能实验室。

但随后出现了我们现在称之为“第一次人工智能冬季”的时期。

1974年至1980年间，人工智能资金急剧下降，这被称为“第一次人工智能冬季”。为什么？因为研究人员做出了无法兑现的承诺。人工智能研究员汉斯·莫拉维克直言不讳地说。“许多研究人员陷入了日益夸大的网络。他们最初对DARPA的承诺过于乐观。”

转折点来自多个方向。1973年，英国议会邀请詹姆斯·莱特希尔爵士教授评估人工智能研究。他的报告现称为莱特希尔报告，批评了他认为人工智能未能实现其“宏伟目标”的失败。影响迅速而残酷。报告发布后，英国政府大幅削减人工智能研究资金，基本取消了对大多数英国大学人工智能研究的支持。

在美国，DARPA对人工智能研究的资金从1970年代初每年约三千万美元骤降至1974年几乎为零。实验室关闭。研究人员离开该领域或转向其他领域。“人工智能”一词在资助提案中变得有害。

这不仅仅是金钱的问题。知识流散始于研究人员转向相邻领域或完全离开学术界，这意味着当20世纪80年代人工智能兴趣复苏时，许多机构知识必须从零开始重建。

到了1980年代，随着专家系统的发展，这一领域恢复了，展现出商业潜力。到1985年，企业每年在人工智能上投入超过十亿美元，重点关注内部人工智能部门以及Teknowledge和Intellicorp等公司。但历史重演。1987年，当苹果和IBM的台式计算机性能超过昂贵的专用LISP机器时，市场崩溃。第二次人工智能冬季来临了。

那是黑暗的时代。人工智能的冬季甚至延续到了图灵奖，1995年至2010年间，十六届连续评选委员会发现人工智能在数据库、密码学和网络等领域的进展未能匹敌。

对于我们这些经历过或研究过这些时期的人来说，教训很明确：炒作而没有交付会扼杀领域。不切实际的承诺会导致不切实际的失望。然而，在这两个冬天里，敬业的研究人员依然坚持工作，坚持信念，不断前进。

你可以在这篇关于AI冬季历史的详尽DataCamp文章中了解这些充满挑战的时期。

2022年11月11月1.4——一切改变的那一刻

那么，是什么让2012年（不是2022年，我们会到的）成为转折点？究竟是什么打破了繁荣与萧条的循环？

记住这个时刻：答案是AlexNet。

图片来源：Pinecone - ImageNet系列

2012年9月，由Alex Krizhevsky、Ilya Sutskever和Geoffrey Hinton组成的团队SuperVision提交了一个深度卷积神经网络，参加了ImageNet大规模视觉识别挑战赛。AlexNet在前五名中误差率为15.3%，领先亚军超过10.8个百分点。这并非渐进式的改进。这是一场革命。

让我来解释一下为什么这件事如此重要。多年来，计算机视觉研究人员在图像识别方面取得了微小的、渐进式的进展。然后AlexNet出现了，正如一位研究人员向我描述的那样，“彻底击溃了所有大门”。排名第二的AlexNet错误率为26.2%。AlexNet几乎将这一数字降半。

是什么让AlexNet成为可能？三方面汇聚在一起：研究人员数十年来不断完善的深度神经网络、2009年完成的ImageNet庞大标签数据集，以及提供足够计算能力训练这些庞大模型的GPU。你可以在原始AlexNet论文中阅读开创性的技术细节。

ImageNet的创始人李菲菲后来回忆说，这一时刻意义重大，因为“现代人工智能的三个基本元素首次融合。”并不是说任何一个元素是新鲜的。神经网络自20世纪80年代就已存在。大型数据集不断增长。GPU速度也在提升。但将它们在合适的时间和合适的架构结合起来，改变了一切。

AlexNet之后，堤坝决堤。那些曾对深度学习持怀疑态度的研究人员突然变得信奉。投资重新涌入该领域。几年内，我们出现了ResNet、VGGNet和GoogleNet等架构，各自推动了边界。

但AlexNet是关于计算机视觉的。让普通人感受到人工智能魔法的时刻，是在十年后的2022年11月，OpenAI向公众发布了ChatGPT。

还记得那一刻吗？观看山姆·奥特曼的公告：

我对那一周记忆犹新。我的推特上爆发了朋友们的问：“你试过这个吗？”五天内，ChatGPT 用户数达到了一百万。两个月内，一亿。这是历史上增长最快的消费类应用。

ChatGPT与早期AI系统有什么不同？它不一定比自2020年起存在的GPT-3更强大。但那是容易接近的。它有一个简单的聊天界面，任何人都能使用。它是免费的。更关键的是，这正值技术终于足够成熟，真正能用于日常任务的时刻。

人们用ChatGPT写邮件、调试代码、规划旅行、学习新概念，甚至进行有趣的对话。AI第一次不再像是研究项目，而更像是任何人都能拿起使用的工具。

但作为人类，我们总是想要更多，所以......

1.5 从对话到行动——理解人工智能代理

现在事情变得非常有趣，也开始探讨你为什么要阅读这个关于MCP的教程。

ChatGPT 很厉害，但它有一个根本性的局限：它只能说话。它什么都做不了。你可以让它帮你写报告，但它实际上无法在 Google 文档中创建文档。你可以问它关于你的日历，但它无法检查或修改你的实际日历。这就像有个被关在隔音隔间里、只能通过书面笔记交流的才华横溢的助理。

这就是人工智能代理概念的由来。

人工智能代理不仅仅是一个对话模型。它是一个能够感知环境、做出决策并采取行动以实现特定目标的人工智能系统。可以把它看作是能教你怎么做饭的人和能真正为你做饭的人之间的区别。

智能体范式代表了我们对人工智能思考方式的根本转变。我们现在不再把人工智能视为一个聪明的文本生成器，而是能通过各种工具和API观察环境，根据观察和目标推断应采取的行动，通过与其他系统集成执行现实世界中的行动，从其行为的结果中学习， 并坚持并自主地朝着复杂、多步骤的目标努力。

像Anthropic、OpenAI和谷歌这样的公司一直在竞相构建这些能力。愿景是一个不仅给你建议，更能真正帮助你完成任务的人工智能。

但我们遇到的问题是。

1.6 融合危机——为什么我们今天需要MCP

随着人工智能代理变得越来越复杂，我们遇到了瓶颈。而且这并不是一堵充满智慧或能力的墙。这是一堵融合的墙。

让我给你描绘一下问题的图景。想象一下，你正在构建一个需要帮助用户日常工作的人工智能代理。该代理需要读取和写入邮件（因此需要连接Gmail或Outlook）、访问和创建日历事件（Google Calendar、Outlook日历）、从云存储（Google Drive、Dropbox、OneDrive）获取文件、查询数据库（PostgreSQL、MySQL、MongoDB）、文档搜索（Notion、Confluence）、从API获取数据（天气、股价、新闻）、执行代码和计算， 并访问网络获取最新信息。

在当前的环境下，将你的AI连接到每项服务都需要为每个服务编写定制集成代码，学习每个服务独特的API，分别处理不同的认证，管理速率限制、错误处理和重试，跟踪API的变更和弃用，确保每个服务的凭证安全，并全面测试每个集成。

如果再加上用户可能想连接到AI的数百种工具和服务，你就会发现一个巨大的集成噩梦。

这不是理论上的问题。这是我看到团队目前面临的问题。每家AI公司都在反复构建相同的集成。每个想开发AI驱动应用的开发者都需要解决相同的连接问题。这导致大量重复工作，导致生态系统支离破碎，AI系统无法轻易与所需工具对话。

我们以前也经历过这种情况。在网络的早期，每个应用程序都有自己的通信协议。后来，HTTP 标准化了系统之间通过网络的通信方式，网络爆发式发展。电子邮件出现了数十种竞争协议，直到 SMTP、POP 和 IMAP 成为标准。

这正是我们当前人工智能所处的时刻。我们拥有强大的模型，能够做出令人难以置信的事情，但它们被困在各自的孤岛中，无法轻易获取所需的数据和工具。

这也终于引出了你为什么要在这里阅读这个教程。

2024年底，Anthropic推出了模型上下文协议（MCP）。您可以在其官方公告中阅读相关内容。介绍模型上下文协议。这是一个开放标准，旨在解决这一问题。MCP不是为每个可能的服务构建定制集成，而是为人工智能系统提供了一种通用方式，连接数据源和工具。

可以把MCP看作是AI的HTTP。正如HTTP标准化了计算机交换网页的方式，MCP旨在规范AI系统与外部工具和服务之间交换上下文和能力的方式。

但让这一刻令人兴奋的是：我们正处于起点。MCP仍然年轻。生态系统刚刚形成。标准正在不断完善。现在学习MCP的开发者将成为构建下一代AI驱动应用的人。

我们花了七十年时间，从“机器能思考吗？”一步步发展到真正能帮助我们完成复杂任务的机器。我们度过了两个人工智能的冬天。我们见证了深度学习的突破、大型语言模型的出现，以及智能体时代的到来。

现在，我们正处于下一个前沿：通过标准化、可靠的连接，使所有这些令人惊叹的人工智能能力真正可访问且实用。

这就是MCP的意义所在。这就是它重要的原因。这也是本教程后续内容教你如何构建的基础。

在下一章中，我们将深入探讨MCP到底是什么，它是如何工作，以及为什么有人称它为自HTTP以来最重要的协议。

但首先，花点时间欣赏我们所经历的旅程。从图灵1950年的论文，到AlexNet 2012年的突破，再到ChatGPT的2022年时刻，再到MCP于2024年的推出，我们正经历着科技史上最激动人心的时代之一。

你即将学会如何用那些定义其下一章的工具来构建。

第二部分见，我们将讲解第2到第4章（理解MCP）。