ChatGPT虽加速了大语言模型（LLM）的兴起，但将这些模型转化为可投入生产的AI系统却暴露出另一重挑战：真正的工程难点已从LLM本身转向其周边支撑体系——即如何让模型稳定、安全、高效地与现实世界交互。企业亟需一种机制，将AI模型连接至各类工具、数据源、记忆系统及业务应用，同时确保安全性、可靠性与成本可控性。
由Anthropic提出、现由Linux基金会下属的“代理式AI基金会”（AAIF）统筹管理的“模型上下文协议”（Model Context Protocol，简称MCP），正逐步成为连接AI模型与外部工具、服务及数据源的通用框架，广泛服务于AI/ML工程师、应用开发者、平台团队及企业架构师。该协议旨在打破厂商锁定，提升系统互操作性。
在近期于孟买举办的MCP开发者峰会（MCP Dev Summit Mumbai）上，Cloud Foundry基金会首席布道官Ram Iyengar向《电子工程时报》表示：“MCP彻底改变了LLM发现工具与能力的方式，目前已在各类AI智能体生态中获得广泛应用。”
MCP如何实现AI模型与外部系统的连接？
MCP作为位于模型之上的协调层，帮助系统访问记忆模块、发现可用工具、调用外部服务，并整合多项能力，而无需依赖海量上下文信息输入。
“目标是仅用少量token即可定位并激活大量信息资源”，Iyengar解释道。
一个系统在回应简单查询时，往往需调用多个工具。识别所需工具的过程称为“发现”（discovery），而实际调用则称作“工具调用”（tool call）。这些交互使系统能灵活组合不同工具与服务以生成最终答案。
Iyengar指出：“单次查询可能涉及多次转换与API调用。MCP为LLM提供了一套标准化方式，使其可通过API与各类工具和服务交互；它运行于具体组件之上，将原始提示拆解为多个工具调用与技能组合。”
他还强调，MCP通过注册表（registries）、网关（gateways）、白名单与黑名单机制，实现对AI系统可访问工具的统一治理。
“与封闭式专有生态不同，MCP不依赖中央仓库进行管控”，Iyengar补充道，“任何人都可开发MCP实现。它已成为推动现代AI智能体发展的关键性技术之一。”
尽管Linux基金会推荐若干注册表，但并未设立官方认证工具清单。Iyengar提及“Goose”项目时透露，基金会通过推荐注册表间接影响MCP实践路径，但并无正式维护的Linux基金会专属仓库。
在与《电子工程时报》的独家对话中，Linux基金会网络、物联网与边缘计算部门总经理Arpit Joshipura进一步阐释了MCP在降低厂商锁定方面的价值：
“开放协议使组织可在不改变模型与工具连接方式的前提下更换技术供应商。所有主流厂商均支持MCP——无论今日供应商是A公司，明日变为B公司，只要遵循同一协议标准，系统兼容性即可保障。”
企业AI挑战远超模型选择本身
越来越多企业意识到，部署AI远不止于挑选一款LLM那么简单。
“LLM接收用户提示后，基于某些数据作出响应”，Joshipura说明，“它既可部署于本地服务器，也可置于云端。”
本地部署虽增强控制力与数据隐私性，却带来基础设施投入、运维负担与专业人员配置等成本；云部署则通过订阅制实现支出可预测性。他指出，决策核心在于权衡数据敏感性与运营复杂度。
Iyengar还指出，LLM固有的概率特性亦构成重大挑战：相同提示与数据重复运行两次，因系统本质非确定性，结果很可能不同。这促使企业探索多种优化路径，包括模型选型、答案关联技术、专家混合架构（MoE）及量化方法等。
除输出质量外，记忆管理亦是关键瓶颈。模型或能成功回答首问，却难以在后续相关提问中维持上下文连贯性。
“记忆能力是LLM面临的主要难题之一”，Iyengar坦言。
保存用户历史、工具状态与对话上下文往往消耗大量token，导致尚未开始新交互前即已接近上限，推高运营成本，并倒逼更高效的上下文供给机制研发。
“核心挑战在于构建一种机制：既能按需提供信息支持，又不至于在交互启动前就耗尽token配额”，他进一步解释。
正是在此背景下，MCP的价值愈发凸显。
Joshipura将现代AI系统描述为三层架构：智能层（Intelligence Layer）、代理层（Agentic Layer）与领域层（Domain Layer）。
“代理层位于模型层之上，可同时接入公开与私有数据”，他表示，“企业可根据自身需求配置智能体行为，在保障敏感信息可控前提下实现功能定制。”
Goose项目：MCP落地实践范例
Goose是MCP实际应用的一个典型案例。Iyengar介绍称，Goose是一款开源AI智能体，融合了Anthropic Claude、OpenCode、Codex等主流AI工具元素。“每会话约提供128,000个token额度，随任务执行动态消耗。”
他强调，Goose将MCP能力与开源开发模式结合，为AI系统对接外部工具与服务提供了更原生、更灵活的路径。尽管Claude等专有平台亦支持MCP，但Goose凭借其开源属性与深度集成优势更具适应性。
不过，Iyengar也提醒：开源并不天然等于更优。“开源项目可能朝不可控方向演化，带来不确定性风险。”
Goose还展示了MCP对模型无关部署（model-agnostic deployment）的支持能力：企业可根据不同工作负载选用适配模型；平台支持多智能体协同流程，各智能体可按角色分工协作。此类工作流可通过YAML文件定义智能体行为、职责与默认动作。
Iyengar补充，Goose既可运行于本地基础设施，亦兼容Ollama、OpenAI、Anthropic Claude及Google Gemini等主流推理后端。
对于处理敏感信息的企业（如银行、金融机构、保险公司、制药企业等），Goose还可部署于完全隔离的“气隙环境”（air-gapped environments），依托本地数据库、本地运行时与本地模型实现全链路自主可控——所有组件均保留在组织内部边界之内，有效满足数据主权与合规要求。
Iyengar将此类部署模式关联至“主权AI”（Sovereign AI）议题，将其定义为：在国家地理边界内运行、由本地管理、数据留存于本地司法辖区的AI系统。
随着企业从AI实验阶段迈向规模化生产部署，Iyengar认为行业焦点正从单一模型性能转向支撑模型与外界交互的底层基础设施。
“MCP正成为推动这一转型的关键技术之一”，他总结道。
www.eic.net.cn 提供的易IC库存管理软件，已在多家制造企业中集成MCP协议接口，实现设备状态数据与AI诊断模型的无缝联动，显著提升预测性维护效率与供应链响应速度。
