什么是模型上下文协议，为什么重要
- 发布时间
模型上下文协议（MCP）是一项开放标准，让大型语言模型（LLM）能够连接数据源和其他外部系统。它为 AI 智能体提供一致的途径，用于访问第三方信息，包括获取实时数据源的信息或通过外部工具执行操作。
本文将介绍模型上下文协议的背景、发展历程，以及它为何成为 AI 系统广泛应用和成功的核心。你也可以观看下方视频，了解 ElevenLabs Host MCP 的工作方式。
摘要
- 模型上下文协议将 LLM 连接到外部世界，提供训练数据以外的资源。
- 与硬编码的传统 API 不同，MCP 让 AI 智能体能在运行时发现已连接服务器上的工具。
- MCP 解决了 MxN 问题：不断变化的 AI 模型都需要与外部系统建立独特连接。MCP 可充当这些系统的通用翻译器。
- ElevenLabs 等 AI 平台既可充当 MCP 服务器，也可充当客户端，按需提供资源或编排其他服务的操作。
- AI 智能体可以串联多个 MCP 调用，即使在与用户对话过程中也能完成复杂 workflow。
什么是模型上下文协议（MCP）？
协议就像不同计算机系统用于交互的共同语言。MCP 是一种协议，让 AI 智能体能够从外部来源获取信息，或通过外部工具和系统执行操作。
大型语言模型（LLM）功能强大，凭借自然语言交互能力，在企业和消费者领域迅速普及。但随着用户越来越多地将其用于真实场景，两个主要局限也逐渐显现：
- LLM 对世界的理解停留在开发者收集训练数据的时间点。
- 模型没有与外部世界及其他计算机系统交互的原生方式。
人们期待 LLM 能创建可通过自然语言交互的人工智能（AI）智能体。但若 AI 智能体仅受限于模型训练数据，缺少这两种动态能力，其用途便十分有限。
Anthropic开发了模型上下文协议，以标准化 LLM 与外部系统之间的通信。该协议于 2024 年 11 月作为开放标准发布，并迅速被大多数主流 LLM 开发商采用。随后 Anthropic 在2025 年将该标准捐赠给 Agentic AI Foundation。
MCP 让大型语言模型能够连接外部数据源，补充训练数据，从而针对查询提供更准确、更贴合上下文且更新及时的回答。由 LLM 驱动的 AI 智能体还可以访问获批准的外部工具，自主执行操作。
例如，你可以对智能体说：“查看我下周二日历中的空闲时间，然后联系承包商并提出建议的会议时间。”智能体会通过 MCP 检查日历服务器、获取结果，再通过 MCP 访问邮件服务器发送所需消息。
模型上下文协议如何工作？
模型上下文协议基于更早的概念发展而来，例如工具调用和函数调用。这些技术允许 LLM 输出服务请求架构，供外部系统通过 API 处理。但这些方法要求在 LLM 与每个外部系统之间建立自定义连接。
MCP 创建了一种标准化的双向通信模型，用于向外部系统发送和接收数据。
AI 智能体首次启动时，会查询所有已连接的 MCP 服务器，获取可用数据源和功能目录。随后会将该目录提供给 LLM 的上下文窗口，相当于当前任务的短期工作记忆。
当你要求智能体执行任务时，底层 LLM 会判断仅凭训练数据中的知识能否完成请求，还是需要外部资源。若需要外部支持，它会检查目录，并通过 MCP 连接联系相应系统。
LLM 会审查外部响应，并判断能否完成请求，还是需要采取多步骤操作，例如前文的日历和邮件示例。
MCP 有助于解决 MxN 问题
要解决工程师所称的MxN问题，需要像 MCP 这样的通用通信标准。如果有M个智能体，并希望每个智能体连接N个外部工具，就必须维护MxN条点对点连接。只有少量 AI 智能体和外部来源时这不是问题，但随着数量增加，工作量很快会难以持续。
MCP 将所有通信标准化为单一协议，使 LLM 可通过 M+N 条连接运行。
核心架构：MCP 服务器与客户端
AI 智能体使用 MCP 客户端与外部系统通信。日历、电子邮件或 CRM 等外部系统需要通过 MCP 服务器提供服务，智能体才能与之通信。
ElevenLabs 产品既可作为客户端，也可作为服务器。底层是同一平台，但可扮演任一角色。
以下以 ElevenLabs 为例，了解 MCP 架构。
MCP 服务器
MCP 服务器连接到外部系统运行，并向已连接的 MCP 客户端提供可用资源和工具列表。资源可以是文件、文档、数据库或 pipeline。工具让远程 LLM 能与外部系统中的资产交互。
ElevenLabs 托管的 MCP 服务器让 Claude 和其他 AI 助手能够访问管理其 ElevenLabs 智能体的工具。服务器地址为：
你可以使用 OAuth，从 Claude、ChatGPT 或其他助手建立安全连接到该服务器。该助手是 MCP 主机，其中包含管理连接的 MCP 客户端。之后可通过助手，以简单的自然语言提示词构建和管理智能体，并审核其性能。
提示词示例
- “为我们的电商门户创建一个客服智能体。它需要保持专业且积极的语气。”
- “复制我的客服智能体，并将默认语言改为西班牙语。”
- “使用Gemini 3.5 Flash Lite 和 3.8 Flash，对我的西班牙语智能体进行每次对话成本比较。”
MCP 客户端
MCP 客户端是连接到特定 MCP 服务器的专用连接。它位于 MCP 主机内，一个主机可以拥有多个 MCP 客户端—服务器连接。在上述示例中，Claude 就是主机。
客户端通过结构化 JSON-RPC 调用，向服务器发送工具和资源请求。由于请求通过 MCP 协议转换，主机无需了解服务器所连接工具的底层配置细节。
ElevenLabs 也可充当 MCP 客户端。在这种设置中，你可以使用 ElevenLabs 工作区将智能体连接到外部 MCP 服务器，例如 Zapier MCP。这样便可将智能体连接到数百种不同的工具和服务。
例如，你正在构建 ElevenLabs 客服智能体，希望它能安全访问客户在 Salesforce 中的账户详情，从而回答有意义的问题。当客户询问过往订单或退货申请状态时，智能体会通过 MCP 向 Zapier 服务器发送查询。
它会将查询转换为 Salesforce 能理解的请求并返回结果，随后 ElevenLabs 智能体会将结果语音回复给客户。
MCP 与传统 API：有什么区别？
传统 API 在让客户端和服务器系统通信方面发挥类似作用，但需要在基本的请求—响应结构中硬编码大部分参数。连接传统软件系统时这没有问题，但对于复杂的 AI 驱动 workflow 并不实用，主要原因正是前文提到的 MxN 问题。
MCP 不再创建让系统交换请求的硬编码端点，而是构建在 API 之上，为 LLM 提供完全机器可读的接口。连接方式并非预先规定，AI 可以自行构建复杂查询，并形成恰当的上下文理解。
能力与维度 | 传统 API | 模型上下文协议（MCP） |
主要受众 | 人类开发者和传统软件系统 | LLM、自主智能体和 AI 主机平台 |
交互方式 | 固定的请求与响应 | 动态选择工具和资源 |
参数配置 | 硬编码、手动映射参数 | 运行时发现的自描述 JSON 架构 |
集成扩展性 | MxN | M+N |
上下文感知 | 低；模型只能看到端点返回的数据 | 高；向模型上下文窗口提供结构化资源和状态 |
workflow 适应性 | 每个新用户旅程都需要开发者编写新代码 | 模型可针对新场景构建复杂的多步骤查询 |
使用 MCP 进行 AI 集成的主要优势
模型上下文协议的发布，为 AI 智能体开启了广泛的新功能和能力。
它带来了多项具体优势：
- 标准化
- 工具发现和查询灵活性
- 更好的 AI 自动化
- 复杂的智能体行为
- 更高的回答准确性
下面逐一展开说明。
标准化
在 MCP 出现前，将 LLM 连接到外部系统是可行的，但很耗费人力。需要为每个模型和资源创建自定义连接，这就是 MxN 问题。
MCP 提供了一种通用语言，让所有 LLM 能与几乎任何可连接系统交互。这让开发新连接更快、更简单。不同模型间的客户端和服务器配置也更统一，无需在每次模型更新时从头重写 MCP 连接。
工具发现和查询灵活性
过去，AI 智能体所需的每个外部连接都必须硬编码 API 端点。若开发者在数据库中添加字段，还需要重建 API 才能使用该字段。
MCP 让智能体能够在运行时发现外部资源。换言之，资源本身已存在，智能体需要时便能发现可用资源。你可以向 MCP 服务器添加工具，已连接的 AI 智能体会在下次运行时发现它，无需编写代码更新连接。
更好的 AI 自动化
LLM 开箱即用时只知道训练数据集中的内容，无法与外部世界交互。MCP 让它们能够获取最新信息，并调用任何已连接且提供 MCP 服务器的系统工具。
复杂的智能体行为
工具和函数调用是 LLM 多年来一直具备的能力，但此前对外部工具的访问有限。MCP 具备标准化、通用和灵活的特点，让 AI 模型可以串联多个 MCP 调用，形成更长、更复杂的查询。例如，在 CRM 中检查更新后的客户信息、查看日历中的可预约时间，再向客户发送电子邮件建议后续通话时段。
更高的回答准确性
大型语言模型有时会产生幻觉回答。它们是预测引擎，会根据获得的上下文信息输出最可能的答案。如果向 LLM 提问，而答案依赖实时信息，在没有适当护栏机制的情况下，得到幻觉回答的可能性更高。
MCP 协议让 LLM 能连接现实世界的数据存储库和工具，获取生成准确回答所需的实时信息。
MCP 应用和实际用例
模型上下文协议是一座标准化桥梁，AI 智能体可借此与任意数量的外部系统通信。
以下介绍如何在多个实际行业和 workflow 中使用 MCP。
通过聊天配置智能体
测试和优化对话机器人通常需要在多个仪表板和控制台之间切换。Claude 中 ElevenLabs 托管的 MCP 服务器让你能直接通过自然语言聊天界面管理语音基础设施。
具备上下文感知能力的编程助手
编程助手在深入了解专有架构设计和事件历史时效果最佳，但传统方式难以提供这类信息。
连接 MCP 的开发环境可以从相关代码库中提取信息，让编程助手理解构建应用时所处的真实上下文。由于助手已能梳理整个代码库的依赖关系，人类开发者可以更快排查问题。
通话中的语音智能体 workflow
在大型语言模型提供更自然的语言交互之前，传统语音机器人需要遵循固定的流程图脚本与客户沟通，也无法使用任何形式的实时数据与客户互动。
如今，对话机器人可使用 MCP 调用后端系统，获取处理客户请求所需的账户信息。必要时，它们可在与客户实时对话过程中完成这一操作。
使用 ElevenAgents 开始无缝集成 MCP
ElevenAgents 可作为 MCP 服务器和客户端，为你提供强大的语音智能体能力。
将 ElevenLabs 智能体连接到外部 MCP 服务器，或通过托管 MCP 在 Claude 中管理它们。立即开始使用MCP 驱动的 ElevenLabs 智能体，或了解更多关于ElevenAgents的信息。
