MCP 如何助力构建企业级 AI 基础

AI 工具目前已能回答问题、自动化任务、分析实时数据并支持决策。未来，它们的功能可能还会进一步扩展。但如果 AI 智能体要在企业环境中真正发挥作用，就必须安全地访问业务应用、数据、流程及其他内部资源。

默认情况下，AI 系统无法访问业务资源。 相反，技术团队需要构建一个结构框架，使 AI 能够与这些资源全面集成。 专家们仍在探讨推进这一集成流程的最佳方式。 如果执行得当，它有助于构建企业级 AI 的技术基础。

AI 整合过程已不再是边缘性问题，而是日益核心化的重要议题。根据 Gartner® 的研究，“80% 的 CEO 认为   AI   将对其运营能力带来中等至高度程度的变革，推动企业从数字化业务转向 自主化业务”。¹

技术团队需要高效且有效地将 AI 嵌入企业系统之中。大多数组织管理着数十个、数百个甚至数千个系统。如果要分别将企业 AI 智能体连接到每一个系统，其安全性、治理性和维护性将迅速变得难以保障。过去的信息孤岛模式要求开发人员为每个系统单独创建定制化的集成方案，而这种方法在集成 AI 智能体时很可能不再适用。大量的 AI 解决方案和商业资源，以及各自独特的集成方式，使得系统变得笨重且难以管理。AI 系统应当恰恰相反：灵活而动态。

这就是模型上下文协议发挥作用的地方。 随着人们对在业务运营中嵌入 AI 智能体的兴趣日益浓厚，MCP 作为实现这一目标的潜在基础正受到广泛关注。

什么是 MCP？为什么它很重要？

什么是模型上下文协议 (MCP)？

MCP 是一种新兴的开放标准和开源框架，旨在帮助 AI 智能体以一致的方式连接应用程序、工具和数据源。企业无需在每个 AI 模型和每个业务资源之间构建自定义集成，而是可以使用 MCP 来标准化这些连接的工作方式，从而更轻松、更快速地扩展企业 AI。

AI 需要一种方式来与组织内部流程和工具进行交互。可以将 MCP 视为 AI 智能体与所需访问系统之间的通用语言。IT 领导者和技术团队无需为每个应用程序单独创建专属的 AI 智能体集成，而是可以使用 MCP 作为框架，实现 AI 智能体与企业资源之间的一致通信。

这些资源可能包括：

• 业务应用
• 数据库
• API
• 知识库
• 工作流系统
• 效率提升工具
• 定制企业服务

借助 MCP，AI 智能体可以通过结构化框架发现可用数据、访问相关信息并执行已获批准的操作，而无需为每个资源单独建立连接。

随着组织从实验性 AI 项目迈向生产环境，MCP 有助于应对一项核心挑战：将 AI 系统连接到企业系统，同时避免错综复杂的自定义集成网络。

探索 MCP 架构和组件

MCP 采用基于三个核心组件的客户端-服务器架构：主机、客户端与服务器。客户端-服务器架构是一种计算模型，将服务请求方（如网页浏览器）与处理这些请求的服务器程序相连接。这是一种与 Web 一样历史悠久的架构，如今已为 AI 时代进行了更新升级。

主机

宿主是支持 AI 的应用程序运行的环境。 它们打造用户体验，并协调用户、AI 模型和企业资源之间的交互。

主机示例如下：

• AI 助手
• 聊天应用
• 智能体平台
• 企业级 AI 工作空间

主机管理资源与 AI 工具之间的通信，并将结果呈现给用户。

客户端

客户端充当 AI 应用与 MCP 服务器之间的中介。用户不与客户端交互。

客户的职责包括：

• 建立连接
• 发现可用功能
• 发送请求
• 接收答复
• 管理通信协议

客户端有助于确保 AI 智能体能够通过一致的接口与内部资源进行交互。它就像一个守门人，而服务器才是 AI 智能体实际访问和处理企业资源数据的地方。

服务器

MCP 服务器向 AI 智能体开放企业资源。

服务器可提供对以下内容的访问：

• 业务应用
• 企业级 API
• 数据库
• 文档
• 业务流程
• 内部工具

服务器确定哪些信息和操作可用，同时执行安全控制和治理策略。

主机、客户端和服务器共同构建了一个全面、标准化的框架，使 AI 智能体能够高效且规模化地与企业系统协同工作。

MCP 是如何工作的？

当 AI 智能体需要访问企业资源时，MCP 结构化、标准化的流程便能提供支持。

MCP 工作流通常如下所示：

1. 用户向 AI 应用程序提交请求。
2. AI 智能体会判断自身需要从外部系统获取信息或执行操作。
3. MCP 客户端通过 MCP 服务器发现可用的工具和资源。
4. AI 智能体通过协议发送请求。
5. 服务器检索所请求的信息，或执行符合组织治理规范且已获批准的操作。
6. 响应将返回给 AI 智能体。
7. AI 智能体利用这些信息为用户提供答案或完成任务。

例如，客户服务 AI 智能体可能需要从 ERP 系统中获取订单状态信息。它无需依赖定制化的集成方式，而是可借助 MCP，通过标准化接口安全地访问所需数据——无论数据内容为何，该接口均可通用。这种方法简化了开发流程，同时帮助企业在不断扩展的 AI 生态系统中保持一致性。

MCP 与 API 的对比

MCP 和 API 都能实现连接功能。因此，人们常常会问，MCP 是否取代了用于从资源中获取数据的标准框架——API。答案是否定的：它们各自适用于不同的场景。MCP 标准并非替代品，而是对 API 管理的补充。（例如，API 可以让 GPS 应用通过天气服务的 API 获取天气数据，从而提供天气预报。）

API 仍然是应用集成的基础。 MCP 与 API 协同工作，通过提供标准化框架，使 AI 智能体能够更有效地发现资源并与之交互。 API 更多侧重于基础应用集成，而 MCP 则关注 AI 与企业系统之间的交互。

内部 API 有助于实现 MCP。组织应将 MCP 视为一个中间层，帮助 AI 智能体与已通过 API 公开的资源进行交互。MCP 的设计目标，是帮助 AI 智能体在获得 API 访问权限后高效开展工作。

换言之，API 提供对系统的访问，而 MCP 则帮助 AI 智能体高效发现并利用这些访问能力。

MCP 与 RAG 的对比：两种互补的方法

另一个常见问题是，MCP 与检索增强生成（RAG）相比有何异同。RAG 使大语言模型（LLM）能够获取训练数据之外的信息，例如文档和网页内容，从而针对用户输入提供更准确、更全面的回答。

虽然这两种方法都能帮助 AI 系统获取模型训练数据之外的信息，但它们的用途各不相同。

企业可以结合使用这两种方法。RAG 主要涉及读取和解读信息，以帮助 AI 提供自然语言回答；而 MCP 则访问企业资源，以帮助 AI 优化流程。例如，支持助手可使用 RAG 从产品文档中检索信息，并利用 MCP 创建服务工单或更新客户记录。

与 MCP 和 AI 的关系类似，技术领导者无需将 MCP 与 RAG 视为竞争关系。事实上，MCP 和 RAG 通常分别解决企业 AI 挑战的不同方面。

MCP 为何对企业 AI 集成至关重要

许多企业发现，成功的 AI 项目不仅取决于强大的模型。 AI 智能体的效用取决于其能够访问的系统——以及访问这些系统的便捷程度。

以典型的企业环境为例。客户信息可能驻留在一个应用中，财务数据在另一个应用中，业务流程在第三个应用中，而运营洞察则分散在更多其他系统中。如果无法跨所有这些应用实现集成，企业 AI 智能体就只能基于不完整的信息运行，且功能也会受限。如果无法访问统一的实时业务数据，AI 就很难充分发挥其潜能。

这一挑战说明了为何集成正成为企业 AI 战略的关键组成部分。而 MCP 正是为解决这一挑战而设计的。MCP 提供了一个框架，可帮助组织将企业 AI 智能体与现有业务数据和流程所在的系统集成。借助 MCP，它们可以与这些系统交互。

与 AI 智能体集成能力以及更广泛的集成策略相结合，MCP 可以帮助企业：

• 将 AI 智能体连接到企业应用。
• 访问可靠的业务数据。
• 编排业务流程。
• 支持自动化计划。
• 更有效地扩展 AI 项目。
• 通过服务器级协议治理 AI 智能体的使用。

面向企业的 MCP 安全与治理

随着企业赋予 AI 智能体访问企业系统的权限，安全、保障与治理变得愈发重要。MCP 有助于建立更一致的系统管控机制，规范 AI 智能体访问数据并执行操作的方式。结合适当的认证、授权与监控措施，MCP 能够支撑更安全、更受控的企业级 AI 集成方式。

随着 AI 应用的不断扩展，实现系统、系统中的数据及企业 AI 智能体之间的安全连接将愈发关键。MCP 无需依赖定制化逐项集成，即可实现这一连接。当 AI 智能体能够无障碍地访问各类资源时，企业便能更轻松地将 AI 能力扩展至各个业务职能领域。

MCP 与 AI 的未来

作为连接 AI 智能体与业务应用、数据及流程的稳定桥梁，MCP 能够帮助技术团队高效地将 AI 工具与其内部系统集成。

随着企业从部署 AI 转向利用 AI 创造业务价值，成功不仅取决于 AI 模型的质量。成功还取决于这些模型与系统、运营和流程的交互效果。

如今为 AI 战略打下坚实基础的企业，未来将更有能力扩展其 AI 能力。根据企业自身流程和优先事项的不同，MCP 在构建这一基础的过程中可能至关重要。

常见问题