作者 | MacManus
出品 | 51CTO技术栈（微信号：blog51cto）
模型上下文协议 (MCP) 是 AI 代理和 API 之间的桥接技术。我们与 API 管理供应商 Speakeasy 探讨了它的用途。
去年 11 月，Anthropic 推出了模型上下文协议(MCP)，这是一项开源标准，旨在简化 AI 模型与 API 的交互方式。正如我们本月早些时候所解释的那样，其愿景是让 MCP 成为 AI 代理触发外部操作的通用方法。
MCP 在推出的头几个月就吸引了很多人的兴趣，包括来自Speakeasy等 API 管理公司。API 公司将 MCP 视为连接LLM 和代理框架丰富生态系统的机制。为了了解更多信息，我采访了 Speakeasy 首席执行官Sagar Batchu。
模型上下文协议（MCP）？
正如其文档中所解释的，MCP“遵循客户端-服务器架构，其中主机应用程序可以连接到多个服务器”。
本质上，MCP 标准化了 AI 代理的 API 访问。你也可以将其视为meta-API，正如Matt Pocock 的这张图所示：
MCP 图解
“因此，MCP 是一种协议，实际上是 API 之上非常薄的一层，它表示，这是该 API 需要向 LLM 或代理公开的定义，以便能够查询并了解有关 [...] 更多信息，无论这些数据是什么，”Batchu 解释道。
MCP 客户端可以是像 Claude 这样的 LLM、像 Cursor 和 Windsurf 这样的 IDE，以及各种其他工具（例如 SpinAI，一个用于构建 AI 代理的 TypeScript 框架）。
至于 MCP 服务器（上图中的橙色块），你可以自行构建或使用预构建的 MCP 服务器。Anthropic 在其介绍性博客文章中提到，已经有预构建的 MCP 服务器“适用于流行的企业系统，如 Google Drive、Slack、GitHub、Git、Postgres 和 Puppeteer”。
私人定制版 MCP
构建私人定制版的 MCP 服务器是 Speakeasy 的用武之地。最近，该公司推出了MCP Server Generation，这是一种自动创建 MCP 兼容服务器的工具。
目前，Speakeasy 的 MCP 服务器版本支持基于 TypeScript 的 SDK。但鉴于 Python 在 AI 生态系统中的主导地位，该公司计划很快添加 Python 支持。
Batchu 指出，由于 MCP 采用客户端-服务器模型，因此与 MCP 服务器交互的 AI 代理可以使用任何编程语言。他解释说，与传统的 SDK（特定于语言且需要开发人员编写集成代码）不同，MCP 服务器公开了 AI 代理可以直接访问的端点。
MCP 与 OpenAPI 相比如何？
OpenAPI是定义 API 的广泛采用的标准，因此乍一看它也是 API 之上的一种层。但据 Batchu 称，MCP 建立在 OpenAPI 之上，而不是替代它。
“从 OpenAPI 规范到 MCP 的跨越非常小，”他说。“OpenAPI 在某种程度上是 MCP 所需的所有信息的超集，然后你将其与 LLM 的具体示例和描述打包在一起，并将其作为服务器运行。”
换句话说：虽然 OpenAPI 提供了 API 功能的结构化定义，但它主要是一种静态规范。相比之下，MCP 引入了客户端-服务器交互模型。MCP 服务器是一个实时运行的实例，AI 代理可以实时查询。这意味着 MCP 服务器可以动态响应 AI 生成的请求，使 API 更易于代理工作流访问。
正如 Batchu 所说，“区别在于，OpenAPI 规范只是一个定义，而 MCP 服务器实际上是一种服务器-客户端体验。”
在 MCP 出现之前，将 API 与 AI 模型集成一直是一项挑战。Batchu 指出，许多基于 AI 的 API 集成都失败了，因为模型缺乏理解 API 响应所需的架构信息。MCP 通过以 AI 可以理解的方式构建 API 交互来解决这个问题，从而使集成更加可靠。
MCP 服务器的实际用例
Batchu 表示，Speakeasy 已经有几个客户在使用其 MCP 功能集。Vercel、Dub 等公司正在利用 MCP 服务器来增强其 API 驱动的工作流程。
在链接共享平台 Dub 上，营销团队经常创建短链接来跟踪文章效果。他们现在无需手动搜索分析仪表板，而是可以要求 AI 助手检索过去一周点击次数最多的链接。AI 会查询 Dub 的 MCP 服务器，获取相关数据，甚至生成可视化效果 — 所有这些都无需用户离开聊天界面。
Speakeasy 客户 Dub 使用 MCP
我询问了潜在的电子商务应用，因为这个领域似乎非常适合人工智能代理。Batchu 建议，想象一下这样一家公司使用 MCP 来支持人工智能驱动的商业智能。人工智能助手可以向 MCP 服务器查询销售数据、生成报告，甚至根据实时洞察提出营销策略。这将减少对手动数据提取和分析的需求。
未来将出现竞争标准吗？
Anthropic 开发了 MCP，但到目前为止还没有迹象表明其他人工智能巨头会采用它 — — 例如 OpenAI、谷歌和 Meta。
Batchu 认为 MCP 范式很可能会与其他 AI 驱动的 API 方法一起发展。他指出，OpenAI 的函数调用已经为 AI 模型提供了一种与外部服务交互的方式，尽管它缺乏 MCP 的标准化、开放性。
他说：“我相信，一段时间内会出现一些模式之争，直到最终形成像 OpenAPI 这样的标准。”
无论如何，Batchu 认为 API 供应商尝试 MCP 的时机已经成熟。
“API 供应商应该投资 MCP 之类的代理工具，然后创建一个 GitHub repo，构建它，并将其发布到那里。”
同样，他认为 API 消费者应该进行尝试，尽管他承认他们会面临更多“干扰和混乱”——因为标准仍在不断变化。但他对负责使用 API 和 AI 的开发人员提出了一些建议。
“你可以做的第一件事实际上是查看 API 是否有 MCP 服务器。可以将其本地安装到 IDE 或 LLM 桌面客户端中，然后实际上只需通过自然语言查询即可开始集成。”
Batchu 还指出，开发人员有机会通过使用 MCP 以及LangChain 和 AutoGen 等代理框架来自动化工作流程并从 API 中动态提取见解。
参考链接：https://thenewstack.io/mcp-the-missing-link-between-ai-agents-and-apis/
