什么是模型上下文协议，为什么重要

模型上下文协议（MCP）是一项开放标准，可让大语言模型（LLM）连接数据源和其他外部系统。它为 AI 智能体提供统一途径来访问第三方信息，无论是获取实时数据源的信息，还是操作外部工具。

本文将结合背景介绍模型上下文协议的定义、发展历程，以及它为何成为 AI 系统广泛应用和成功的关键。你也可以通过下方视频了解 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，提供训练数据之外的资源。
• 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 可充当这些系统之间的通用翻译器。
• ElevenLabs 等 AI 平台既可作为 MCP 服务器，也可作为客户端，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执行复杂 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约定语言。MCP 是一种让 AI 智能体从外部来源获取信息，或通过外部工具和系统执行操作的协议。

大语言模型（LLM）是功能强大的工具，凭借自然语言交互能力，在企业和消费领域迅速普及。但随着用户越来越多地在真实场景中使用它们，两个主要限制逐渐显现：

• LLM 对世界的理解停留在开发者采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。但一个AI 智能体如果仅限于模型训练数据，且不具备这两种动态能力，作用就很有限。

Anthropic 开发了模型上下文协议，用于标准化 LLM 与外部系统之间的通信。他们于 2024 年 11 月将其发布为开放标准。大多数主流 LLM 开发者很快采用了该标准。随后，Anthropic 于将该标准捐赠给 Agentic AI Foundation，时间为 2025 年。

MCP 让大语言模型能够连接外部数据源，以补充训练数据，并针对查询提供更准确、更具上下文且更新及时的回答。由 LLM 驱动的 AI 智能体还可访问获批准的外部工具，自主执行操作。

例如，你可以让智能体“查看我下周二日历中的空闲时间，然后联系承包商并提议会议时间”。智能体随后会通过 MCP 查询日历服务器、获取结果，再通过 MCP 访问电子邮件服务器并发送所需消息。

模型上下文协议如何运作？

模型上下文协议建立在更早期的概念之上，例如工具调用和函数调用。这些机制允许 LLM 输出服务请求架构，由外部系统通过 API 处理。但这些方法需要在 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。随后将该目录提供给 LLM 的上下文窗口，它类似于处理当前任务的短期工作记忆。

接着，当你让智能体执行某项任务时，底层 LLM 会判断能否仅凭训练数据中的知识完成请求，还是需要外部资源。如果需要外部支持，它会查看目录，并通过 MCP 连接联系相应系统。

LLM 会审查外部响应，并决定是否能够完成请求，还是需要采取多步操作，例如前面的日历和电子邮件示例。

MCP 如何解决 MxN 问题

MCP 这样的通用通信标准，可解决工程师所说的MxN问题。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 智能体和外部数据源时，这不是问题；但随着数量增长，工作量很快会难以持续。

MCP 将所有通信标准化为单一协议，让 LLM 能通过 M+N 条连接运行。

核心架构：MCP 服务器与客户端详解

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，智能体才能与其通信。

ElevenLabs 产品既可作为客户端，也可作为服务器。底层是同一个平台，但可承担任一角色。

下面以它为例，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、数据库或管道。工具则让远程 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 助手能够使用管理其 ElevenLabs 智能体的工具。服务器地址为：

https://api.elevenlabs.io/v1/mcp

你可以使用 OAuth，从 Claude、ChatGPT 或其他助手创建安全连接到该服务器。该助手是 MCP 主机，包含负责管理连接的 MCP 客户端。之后，你可通过助手使用简单的自然语言提示词来构建和管理智能体，并审核其表现。

示例提示词

• “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。”
• “复制我的客户支持智能体，并将默认语言改为西班牙语。”
• “在Gemini 3.5 Flash Lite 和 3.8 Flash中，比较我的西班牙语智能体每次对话的成本。”

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 主机中，一个主机可以有多个 MCP 客户端—服务器连接。在上例中，Claude 是主机。

客户端使用结构化 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 也可作为 MCP 客户端。在此配置中，可通过 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工具和服务。

例如，假设你正在构建 ElevenLabs 客服智能体。你希望它安全访问客户在 Salesforce 中的账户详情，以便回答有意义的问题。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，然后 ElevenLabs 智能体会将结果告知客户。

MCP 与传统 API：有什么区别？

传统 API 在实现客户端与服务器系统通信方面发挥着类似作用，但需要在基本的请求—响应结构中硬编码大部分参数。这在连接常规软件系统时效果不错，但由于前面提到的 MxN 问题，并不适合复杂的 AI 驱动 workflow。

MCP 不再创建让系统交换请求的硬编码端点，而是在 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，并形成适当的上下文理解。

将 MCP 用于 AI 集成的主要优势

模型上下文协议的发布，为 AI 智能体带来了广泛的新功能和能力。

它带来了以下具体优势：

• 标准化
• 工具发现与查询灵活性
• 更强的 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 出现之前，LLM 可以连接外部系统，但过程十分耗费人力。必须为每个模型和资源创建定制连接，这也就是 MxN 问题。

MCP 提供了所有 LLM 都能使用的通用语言，可与几乎任何可连接系统交互。这让开发新连接显著更轻松、更快速。不同模型之间的客户端和服务器配置也更加统一。每次模型更新时，无需从头重写 MCP 连接。

工具发现与查询灵活性

过去，AI 智能体需要建立的每个外部连接都必须硬编码 API 端点。如果开发者向数据库添加一个字段，就必须重新构建 API 才能让它正常运行。

MCP 让智能体能在运行时发现外部资源。换言之，资源已存在，当智能体需要时便能发现有哪些可用资源。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。无需编写任何代码来更新连接。

更强的 AI 自动化

LLM 开箱即用时只了解训练数据集中的内容，且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拥有 MCP 服务器的系统中的工具。

复杂的智能体行为

工具调用和函数调用是 LLM 多年来已有的能力，但这些能力仅能有限访问外部工具。MCP 具备标准化、通用和灵活的特点，让 AI 模型可将多个 MCP 调用串联为更长、更复杂的查询。例如，查询 CRM 中更新的客户信息，检查日历中的可约时间，再向客户发送邮件建议后续通话时段。

更高的回答准确性

大语言模型有时会产生幻觉回答。这类预测引擎会基于所获得的上下文信息输出最可能的回答。若询问 LLM 一个答案依赖实时信息的问题，而未设置适当的护栏，就更容易得到幻觉回答。

MCP 协议让 LLM 能连接提供实时信息的现实数据存储库和工具，从而生成准确回答。

MCP 的应用与实际用例

模型上下文协议是一座标准桥梁，AI 智能体可借此与任意数量的外部系统通信。

以下介绍 MCP 如何应用于多个真实行业和 workflow。

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。

具备上下文感知的编程助手

编程助手在深入理解专有架构设计和事故历史时效果最佳，而这很难通过传统方式提供。

连接 MCP 的开发环境可从相关代码库中提取信息，让编程助手了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，开发人员可以更快排查问题。

语音智能体通话中的 workflow

在大语言模型带来更自然的语言交互之前，传统语音机器人需要遵循严格的流程图脚本与客户互动，也无法通过任何形式的实时数据与客户交互。

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此操作。

使用 ElevenAgents 开始无缝 MCP 集成

ElevenAgents 可让你同时以 MCP 服务器和客户端的方式，使用强大的语音智能体功能。

将 ElevenLabs 智能体连接到外部 MCP 服务器，或通过托管 MCP 从 Claude 管理它们。立即开始使用由 MCP 驱动的 ElevenLabs 智能体，或了解更多ElevenAgents。

模型上下文协议常见问题