隨著代理系統(tǒng)變得越來越復(fù)雜，企業(yè)能力在這些系統(tǒng)中作為工具出現(xiàn)，建立明確且一致的規(guī)則對于自主工作流程的成功至關(guān)重要。

模型上下文協(xié)議 (MCP) 為代理、LLM 和企業(yè)系統(tǒng)提供通用語言。將 MCP 納入 AI 數(shù)據(jù)戰(zhàn)略的企業(yè)將能夠構(gòu)建新功能，確保信任和可審計性，并適應(yīng)快速發(fā)展的創(chuàng)新。競爭優(yōu)勢將源于周到的設(shè)計、強大的可操作性和學(xué)習(xí)意愿。

這篇文章介紹了 MCP 作為 AI 原生集成標(biāo)準(zhǔn)的工作原理、其主要特性、與 API 的關(guān)系、相對于 RAG 系統(tǒng)的優(yōu)勢、實施策略以及組織的運營考慮因素。

什么是 MCP？它為何重要？

MCP 于 2024 年底推出，是一種開放的 AI 原生協(xié)議，用于描述外部工具、函數(shù)、API 和數(shù)據(jù)集，使 LLM 能夠自行決定如何以及何時使用它們。它基于數(shù)十年 API、SOAP、REST 和 OpenAPI/Swagger 的經(jīng)驗教訓(xùn)——但至關(guān)重要的是，它是為機器而非人類的消費和推理而設(shè)計的。

MCP 支持功能發(fā)現(xiàn)，代理或 LLM 可以確定哪些操作是可行的，以及成功執(zhí)行這些操作所需的上下文。它通過詳細(xì)的描述提供豐富的語義，幫助 LLM 理解如何使用、何時以及為何使用一項功能。MCP 通過一致的接口公開各種資源（API、數(shù)據(jù)庫和內(nèi)部工具），從而提供一致性。它還通過提供一個抽象層來支持可組合性，該抽象層用于在復(fù)雜的代理工作流中連接、組合和編排服務(wù)和數(shù)據(jù)源。

示例：Excel 即服務(wù)

假設(shè)一位業(yè)務(wù)用戶想要通過 AI 助手操作 Excel 電子表格中的數(shù)據(jù)。傳統(tǒng)方法需要專門構(gòu)建的 API 連接器或自定義提示“配方”，用于執(zhí)行每個操作，例如添加行、重新計算列或設(shè)置格式。這種集成非常繁瑣。

借助 MCP，Excel 服務(wù)可以通過 MCP 公開其功能（包括其存儲的數(shù)據(jù)類型和提供的功能）。代理可以讀取這些信息，推斷可用的操作，并執(zhí)行諸如“添加季度增長率列”之類的任務(wù)，而無需進行自定義集成工作。

MCP 與 API 的關(guān)系和區(qū)別

MCP 可以被視為一次進化的飛躍。傳統(tǒng)的 API 充當(dāng)系統(tǒng)交互的“名詞和動詞”，而 MCP 不僅闡明了存在哪些操作，還闡明了如何以豐富、靈活的方式（適合 AI 代理）使用它們。

API 和 MCP 都提供了定義客戶端可以對系統(tǒng)執(zhí)行哪些操作的契約。它們都可以組合起來，以編排更復(fù)雜的工作流程。兩者都依賴于良好的設(shè)計，因為設(shè)計不良的 API 或描述不良的 MCP 端點會導(dǎo)致混亂、功能無法使用或下游問題。

然而，它們之間存在著關(guān)鍵的區(qū)別。API 是為人類開發(fā)人員設(shè)計的，而 MCP 是為能夠讀取并“推理”詳細(xì)描述和上下文的 AI 模型設(shè)計的。API 通常需要手動編寫，而 MCP 則明確面向能夠?qū)崟r決定使用哪些工具以及如何使用的代理推理系統(tǒng)。MCP 可以輕松地以自由形式的敘述（而不僅僅是形式參數(shù)）來描述語義關(guān)系和上下文——這有助于 LLM 驅(qū)動的決策。

假設(shè)用例：ERP 集成

一家零售商的 ERP 系統(tǒng)包含數(shù)十個 API（庫存、定價、訂單）。以前，開發(fā)人員必須學(xué)習(xí)每個 API，閱讀文檔，編寫代碼，并處理各種邊緣情況。

通過 MCP，一個描述良好的界面即可展現(xiàn)業(yè)務(wù)優(yōu)先的功能：“檢索當(dāng)前庫存水平”、“檢查缺貨訂單”、“將價格上調(diào) 5%”。負(fù)責(zé)“準(zhǔn)備低庫存警報報告”的 LLM 代理可以使用語義描述來發(fā)現(xiàn)、組合和排序這些功能，即使這些功能是跨 API、數(shù)據(jù)庫或遺留系統(tǒng)實現(xiàn)的。

超越檢索增強生成：人工智能應(yīng)用集成的下一步

檢索增強生成 (RAG)幫助模型在推理時檢索外部信息，并通過最新或特定于企業(yè)的上下文來增強其響應(yīng)能力。然而，RAG 主要關(guān)注的是數(shù)據(jù)檢索，而非操作。

MCP 更進一步，提供了工具契約，使 LLM 不僅能夠查找信息，還能調(diào)用操作。它通過描述提供語義指導(dǎo)，闡明工具的功能、使用時機、副作用以及預(yù)期的輸入/輸出類型。MCP 支持統(tǒng)一的編排，使 LLM 能夠以單一、一致的方式理解后端并與之交互，無論后端是 REST API、直接 SQL 接口還是其他接口。

示例：自動化支出管理

想要實現(xiàn)月度費用審批自動化的企業(yè)可以使用 LLM 代理，該代理會檢查已提交的請求（使用 RAG），然后使用 MCP 公開的 SQL 數(shù)據(jù)庫工具來審計預(yù)算消耗，在發(fā)現(xiàn)異常時調(diào)用 MCP 的“通知管理器”功能，并在 MCP 公開的 ERP 系統(tǒng)中記錄記錄。該代理無需使用脆弱的腳本或點對點集成，而是在豐富的 MCP 描述指導(dǎo)下動態(tài)導(dǎo)航功能。

MCP設(shè)計和操作化的重要性

對于 API 而言，成功通常取決于清晰、以開發(fā)者為中心的設(shè)計。而使用 MCP，您編寫的模型會關(guān)注每一個字詞。LLM 能夠處理詳盡的文檔、示例和細(xì)微差別，因此，全面性和清晰度會帶來回報。

一個好的薪資 MCP 端點不僅僅是被描述為“update_salary”。其文檔解釋道：“使用此功能調(diào)整員工薪酬。典型場景：年度加薪、特別獎金。要求：employee_id、new_salary、reason。觸發(fā)通知給人力資源和財務(wù)部門?！?/span>

一個糟糕的例子是“可調(diào)用對象：update（eid，val）”，它沒有提供任何上下文，可能會被 LLM（或人類）誤用或忽略。

陷阱：糟糕的設(shè)計會延續(xù)下去

與 API 一樣，后端結(jié)構(gòu)與業(yè)務(wù)流程之間缺乏一致性會導(dǎo)致混亂。將原始數(shù)據(jù)庫模式表達為 MCP 端點，或用技術(shù)術(shù)語公開每個方法，都違背了初衷。LLM 可以彌補一些歧義，但無法完全克服清晰度或業(yè)務(wù)上下文的缺失。

資源考慮

AI 操作并非免費：每個令牌和每次調(diào)用都需要計算資源，進而也需要資金。如果客服人員天真地重復(fù)或過度調(diào)用，后端可能會不堪重負(fù)，預(yù)算也可能超支。

緩解策略包括使用精確的、以任務(wù)為中心的 MCP 端點，在 MCP 描述中指示成本、副作用或推薦的使用模式，并根據(jù)需要實施緩存或限制，同時將這些限制告知代理。

新的測試、監(jiān)控和管理模式

測試確定性 API 很簡單，但由 MCP 支持的代理 AI 引入了可變性：相同的請求可能會根據(jù)上下文、負(fù)載或細(xì)微的提示差異產(chǎn)生不同的工具鏈。

MCP 世界中的 QA 包括合成任務(wù)生成以創(chuàng)建代表性任務(wù)并自動化測試運行、邊緣案例分析以監(jiān)控?zé)o效的工具選擇或資源問題，以及凍干模式以將可靠的工具鏈“凍結(jié)”為固定序列或新的 MCP 端點。

自動化的連續(xù)體：代理和程序

并非所有問題都需要自由形式的代理編排。許多企業(yè)工作流程一旦發(fā)現(xiàn)，最好進行硬編碼，以提高效率和可預(yù)測性。相同的 MCP 基礎(chǔ)架構(gòu)可以同時支持這兩種方法，在需要的地方提供靈活性，在其他地方提供確定性。

企業(yè)戰(zhàn)略的最終考慮

MCP 屬于 AI 數(shù)據(jù)庫，因為它通過減少逐案定制集成的需要來加速集成，通過詳細(xì)描述的功能來提高透明度和信任度，通過防止“失控”的計算費用來降低成本，并通過帶來適應(yīng)性來確保架構(gòu)的未來性。

可行的步驟包括從小處著手，通過 MCP 公開關(guān)鍵 API 或工具，通過詳細(xì)說明功能使用的原因、時間和后果來進行清晰的設(shè)計，迭代和凍結(jié)成功的工作流程，規(guī)劃包括成本和資源監(jiān)控在內(nèi)的運營，并通過試點和分析進行邊做邊學(xué)。

常見問題

人工智能中的數(shù)據(jù)戰(zhàn)略是什么？

人工智能中的數(shù)據(jù)戰(zhàn)略是指組織如何收集、管理、存儲和使用數(shù)據(jù)來驅(qū)動人工智能系統(tǒng)的全面規(guī)劃。它涵蓋數(shù)據(jù)治理、質(zhì)量控制、集成方法以及像 MCP 這樣的工具，使人工智能系統(tǒng)能夠有效地訪問和使用組織數(shù)據(jù)。良好的人工智能數(shù)據(jù)策略能夠確保人工智能代理能夠發(fā)現(xiàn)、理解并合理利用所有可用的數(shù)據(jù)資源和工具，從而實現(xiàn)業(yè)務(wù)價值。

什么是 AI-first 數(shù)據(jù)策略？

AI 優(yōu)先的數(shù)據(jù)策略優(yōu)先考慮專為 AI 消費而非人類消費而設(shè)計的數(shù)據(jù)系統(tǒng)。它致力于通過實施 MCP 等協(xié)議，使 AI 系統(tǒng)能夠理解上下文、發(fā)現(xiàn)功能并采取適當(dāng)?shù)男袆?，從而使?shù)據(jù)具備 AI 就緒性。這種方法強調(diào)語義豐富性、跨不同數(shù)據(jù)源的一致性以及服務(wù)的可組合性，從而使 AI 代理能夠高效工作，而無需大量的人工干預(yù)或針對每個用例進行自定義集成。

數(shù)據(jù)策略的一個例子是什么？

數(shù)據(jù)策略的一個實際例子是企業(yè)實施 MCP 來統(tǒng)一對其各個系統(tǒng)的訪問。例如，零售商可能會制定一個全面的數(shù)據(jù)策略，該策略包括：

1. 通過 MCP 接口公開庫存、定價和訂單系統(tǒng)
2. 為每項功能創(chuàng)建清晰的語義描述
3. 對人工智能代理交互實施適當(dāng)?shù)臏y試和監(jiān)控
4. 建立數(shù)據(jù)訪問和操作的治理協(xié)議
5. 開發(fā)成本控制機制以防止失控的計算費用
6. 創(chuàng)建一個流程來識別成功的 AI 工作流程，并對其進行“冷凍干燥”以提高效率
7. 構(gòu)建具有一致元數(shù)據(jù)標(biāo)準(zhǔn)的集中式數(shù)據(jù)湖
8. 在信息進入人工智能系統(tǒng)之前建立數(shù)據(jù)質(zhì)量控制流程

這種方法可以使企業(yè)逐步構(gòu)建人工智能功能，同時保持對代理與關(guān)鍵業(yè)務(wù)系統(tǒng)交互方式的控制。