指南

如何理解 Model Context Protocol 在 AI 智能体集成中的作用

一份概念指南,基于现有资料说明 Model Context Protocol 如何规范智能体访问工具、数据和上下文,以及它如何与检索、技能、治理和人工审核结合。

Model Context Protocol(简称 MCP)被列入与 Agentic AI Foundation 相关的项目之中。Agentic AI Foundation 是 Linux Foundation 旗下的一项倡议,重点关注运行 AI 智能体所需的开放基础设施和标准。在相关资料中,MCP 被描述为一种让智能体以标准化方式访问和调用工具与数据的方法。

MCP 在概念上解决了什么问题?

当人工智能从文本回答转向执行多步骤任务时,智能体需要与不同的工具、数据和服务互动。MCP 旨在为这种集成提供一种通用机制,避免每个平台都依赖封闭且各不相同的方式。

资料并未指出 MCP 能单独解决权限、结果准确性或安全问题。因此,应将其理解为集成以及访问工具和数据的一层,而不是治理或人工审核的替代方案。

MCP 如何与工具和数据相关联?

  • 工具:MCP 可用于向智能体提供可调用的工具,例如搜索工具、文档读取工具,或与其他服务相关的操作工具。
  • 数据:MCP 可以帮助智能体访问外部或内部来源,但回答质量仍取决于数据的准确性、上下文和边界。
  • 上下文:它将智能体连接到执行任务所需的信息或工具,而不仅仅依赖对话中已有的内容。

MCP 如何与 RAG 和 Skills 集成?

资料说明,MCP、RAG 和 Skills 承担不同的角色,并可以在同一工作流中协同运行。

  • MCP:提供访问和调用工具与数据的标准化方式。
  • RAG:从文档、支持记录、知识库或代码库上下文中获取相关信息。
  • Skills:提供与团队工作方式、项目修改规则或既定约定相关的指令和知识。

因此,智能体可以使用 MCP 访问某个工具,再借助 Skill 应用项目指令,并通过检索获取支持性上下文。

设计基于 MCP 的使用方式:概念步骤

  • 确定任务:明确智能体应完成什么,以及任务是否需要外部数据或工具。
  • 确定所需工具:只提供智能体需要的工具,而不是授予过于广泛的访问权限,以免造成混淆或导致其使用不合适的工具。
  • 连接上下文来源:使用相关的内部或外部来源,同时注意检索本身无法解决来源冲突或适用范围问题。
  • 添加工作指令:在适当情况下,使用 Skills 或便于人类阅读的指南来说明团队或项目规则。
  • 确保调用可监控:展示已调用的工具、发送的参数或查询,以及智能体收到的结果,以便及早发现问题。
  • 实施权限和审批:考虑对来源的访问限制;当相关操作可用时,对于发布、发送消息或花费资金等有影响的行为,应要求人工批准。
  • 审核输出:不要将责任转移给模型;人类应审核结果,直到能够解释结果并对其负责。
  • 测试质量:评估回答的正确性、工具使用是否恰当,以及是否检索到了正确的上下文,而不只是依赖相关性或连贯性等一般指标。

企业组织示例

Forter 使用了一个基于 MCP 的内部服务器,并将其命名为 Toolchain。该服务器提供了一个统一界面,用于发现和试用工具,以及创建每个智能体所需的连接。它还支持仅选择智能体需要的工具,并提供监控令牌消耗和工具使用情况的功能。

Forter 将该服务器连接到用于搜索内部来源的 Glean 平台,并提供了搜索相关文档和片段、读取完整文档,以及根据智能体指定的问题或主题进行摘要的工具。资料将这一实践作为一个实际案例介绍,而不是证明这种设计适用于所有企业。

依赖结果前应审核什么?

资料建议关注来源、适用范围、权限、冲突和所有权。证据以及信息来源记录应可供检查;必要时还应说明版本、区域和客户端设置,展示相互冲突的指令而不是将其隐藏,并确定能够裁定或解释例外情况的人。

资料还强调,使用 MCP 并不会消除审核原始来源的必要,尤其是在处理重要数字或决策时。现有证据没有提供独立测量来证明 MCP 的准确性,或证明其在所有场景中都更优。

结论

可以将 Model Context Protocol 理解为一种把智能体连接到工具、数据和服务的标准化方式。当它与检索到的上下文、清晰的指令、明确的权限、工具调用监控和人工审核结合使用时,其概念价值会更高。但任何实际应用的成功都取决于来源质量、权限设计、可审计性和任务性质;这些方面并不能由 MCP 单独解决。