AI 的信息每天都在更新，最近比較受歡迎的叫MCP（Model Context Protocol，模型上下文協議）是一種由Anthropic於2024年11月推出的開源標準化協議，旨在簡化大型語言模型（LLM）與外部數據源和工具的互動。MCP伺服器作為該協議的核心組成部分，是一個獨立的程式，負責向LLM提供特定的功能或數據，例如存取檔案系統、資料庫（如PostgreSQL）、外部API（如GitHub、Slack）或執行特定任務（如搜尋、操作日曆）。它的設計理念類似於HTTP協議之於網頁應用，提供了一個統一的「連接器」，讓LLM能夠輕鬆與外部世界互動。
MCP伺服器如何與LLM互動？
MCP採用客戶端-伺服器架構，具體互動流程如下：
- 初始化與發現：當MCP客戶端（如Claude Desktop或支援MCP的應用程式）啟動時，它會連接到本機或遠端的MCP伺服器，並詢問伺服器提供的功能（即工具清單）。
- 工具註冊：伺服器回應可用工具（如「查詢資料庫」、「獲取當前時間」），客戶端將這些工具註冊到LLM的上下文中。
- 需求觸發：當用戶向LLM提出問題或任務（例如「幫我檢查GitHub上的最新提交」），LLM識別出需要外部數據，隨即透過MCP客戶端向對應的MCP伺服器發送請求。
- 執行與回饋：MCP伺服器執行任務（例如調用GitHub API），將結果返回給客戶端，LLM再根據結果生成回應。
- 雙向通信：與傳統API不同，MCP支援雙向互動，伺服器甚至可以反向利用客戶端的AI能力（例如生成內容），無需額外的API金鑰。
這種標準化互動讓LLM突破訓練數據的限制，實現即時、動態的功能擴展。
用戶的優勢
MCP伺服器為用戶帶來了多方面的便利：
- 統一整合：無需為每個外部工具開發獨立的整合程式，MCP提供了一個通用的介面，減少開發時間與成本。
- 靈活性：用戶可以根據需求啟動不同的MCP伺服器，例如連接到個人Google Drive或企業級資料庫，隨時切換LLM提供者（如從Claude換到其他模型）而無需重寫程式碼。
- 即時性：透過MCP，LLM能存取最新數據（例如天氣、股票價格），解決傳統模型知識過時的問題。
- 可擴展性：隨著MCP生態系統成長，用戶可從開源社區獲取現成的伺服器（例如Cloudflare、Discord整合），直接應用於自己的工作流。
- 個人化體驗：MCP伺服器能根據用戶的特定數據（如個人日曆、聊天記錄）提供量身定制的回應。
性能與安全的區別
MCP伺服器在性能與安全方面的設計與傳統方法有明顯差異：
- 性能：
- 優勢：MCP伺服器通常運行於本機或私有雲端，減少了遠端API調用的延遲，提升回應速度。雙向通信也讓互動更高效，避免單向請求的多次往返。
- 挑戰：由於目前多數MCP實現以本機為主，對於需要高吞吐量的企業應用，擴展性可能受限。遠端部署尚在發展中，可能需要額外的基礎設施支持。
- 安全：
- 優勢：MCP內建權限控制，每次工具使用需用戶明確授權，確保LLM不會未經許可存取敏感數據。此外，數據傳輸支援TLS加密，符合企業級安全標準。
- 挑戰：與傳統API相比，MCP的雙向通信增加了伺服器端的安全管理複雜性，例如防止惡意伺服器利用客戶端AI能力。開發者需自行配置防火牆、身份驗證等額外措施。
個人資料如何保護？
MCP在設計上非常重視個人資料的隱私與安全，提供多層保障：
- 本地優先：大多數MCP伺服器預設運行於用戶設備上，數據無需上傳至雲端，降低了洩露風險。
- 明確授權：每次LLM調用MCP伺服器工具時，系統會提示用戶確認，確保敏感操作（如讀取檔案、發送郵件）在掌控之中。
- 模組化控制：伺服器功能被限制在明確定義的工具範圍內，LLM無法隨意存取未授權的數據。例如，一個GitHub MCP伺服器只能存取指定的儲存庫，而非整個帳戶。
- 加密與日誌：數據傳輸使用TLS加密，同時支援集中式日誌記錄，讓企業用戶能追蹤所有AI存取行為，符合合規性需求（如GDPR、HIPAA）。
- 開源透明：作為開源協議，用戶和開發者可審查MCP伺服器的程式碼，確保無隱藏的後門或數據收集行為。
那究竟如何用呢，我剛剛在網上看到了一個使用Cherry Studio + MCP的 教學，這還是公測版，目前LLM studio 和ollama 還是未能支持MCP的
https://mp.weixin.qq.com/s/a8XlAw4wrdJpKGVUWneaqg
https://github.com/punkpeye/awesome-mcp-servers?tab=readme-ov-file
這是一個例子，可以根據用戶指令去幹事，這裡可以看到你可以拼接不同的服務到大模型或者不同的大模型API 上去，那就不用擔心處理的不夠好。找個時間測試一下。