Agent经典面试题：MCP 是什么？它和普通工具调用、插件系统有什么区别？
什么是 MCP？一句话说清楚
MCP，全称Model Context Protocol（模型上下文协议），是 AI 模型与外部工具交互的标准化协议。
别把它想复杂了。MCP 不是让 AI 变得更聪明，也不是要替代 Function Calling。它解决的核心问题是：不同的 AI 模型和不同的工具之间，怎么才能方便地连在一起？
就像 USB 接口统一了各种设备的连接方式一样，MCP 统一了 AI 模型与各种工具的连接方式。不管你用的是 GPT、Claude 还是国产大模型，不管你要连接数据库、文件系统还是第三方 API，只要支持 MCP，就能无缝对接。
🎯 博主简介
你好，我是安逸，CSDN「人工智能技术领域新星创作者」，码龄 6 年。博客总访问量 31万+，博客粉丝 1.2万+。
我长期关注人工智能技术与工程实践，主要研究和分享 AI Agent、RAG 系统、MCP 协议、OpenClaw、AI 编程工具以及大模型工程化落地。同时也持续输出 Java / Spring、Transformer、机器学习、深度学习与计算机视觉等方向的学习笔记和项目经验。
📚 推荐系列合集
目前已经整理了 生产级 RAG 系统实战、Agent 记忆系统、MCP 协议深度解析、OpenClaw 系列、Hermes Agent + Obsidian、图解机器学习、Claude Code 系列和 Agent 经典面试题等系列合集，涵盖 AI 应用开发、智能体实践、知识管理、机器学习与 AI 编程工具。
📱GZH：安逸Ai (科技前沿新闻，Github热门项目，最新免费资料...)
网页观看完整系列合集：🌐 Anyi AI 学习资源站
板块 1：MCP 到底是什么？
咱们先把"MCP"这三个字母拆开看：
- Model— AI 模型，大脑，负责思考和决策
- Context— 上下文，模型需要的各种信息和资源
- Protocol— 协议，双方通信的规则
合起来就是：让 AI 模型获取上下文信息的标准协议。
实际场景
没有 MCP 的时候，你想让 AI 帮你查数据库、读文件、调 API，每接一个新工具就得写一套对接代码。工具多了，代码就乱了。
有了 MCP，就像所有设备都换成了 USB 接口。你想接什么，插上就能用，不用关心背后是什么品牌、什么型号。
这才是 MCP 的核心价值：标准化，而不是功能增强。
AI模型通过MCP协议连接数据库、API、文件系统等多种外部工具的连接示意图
板块 2：MCP 的三层架构
MCP 采用分布式三层设计，每层干不同的事：
| 层次 | 名称 | 职责 |
|---|---|---|
| Host | 主机层 | 负责用户交互、调用 AI 模型、协调整个流程 |
| Client | 客户端层 | 负责与 Server 保持连接、传递消息 |
| Server | 服务端层 | 负责暴露具体能力，如工具、资源等 |
用餐厅来理解
想象你走进一家餐厅：
- Host是服务员，接待你、记你要什么、把菜单传给后厨
- Client是传菜员，把你的需求传给厨师，把菜端回来
- Server是厨师，真正做饭、提供能力
你只跟服务员说话，不知道后面有多少传菜员和厨师在配合，但整件事就这么跑起来了。
传输协议
三层之间用什么"喊话"？JSON-RPC 2.0，支持两种模式：
- stdio 模式：标准输入输出，适合本地进程通信
- Streamable HTTP 模式：适合网络通信，支持长连接
这就是为什么 MCP 既能跑本地工具，也能连远程服务。
Host-Client-Server三层架构的详细分层图，展示各层职责和通信方式
板块 3：MCP 暴露的四类能力
很多人以为 MCP 只是"工具调用"，错大了。MCP 暴露的能力分四类：
1. Tools（工具）
会改变外部世界的主动操作。比如查天气、发邮件、执行代码。模型调用这些，就像人点击按钮——操作完会产生结果。
2. Resources（资源）
供模型读取的被动数据。比如数据库里的用户信息、文件内容、API 返回的数据。模型只能读，不能改。
3. Prompts（提示模板）
可复用的提示词模板。比如"翻译专家"、"代码审查员"这种固定角色配置，可以提前定义好，模型直接调用。
4. Sampling（采样）——扩展能力
让 Server 反向调用模型的能力。比如 Server 需要 AI 做决策时，可以主动请求模型采样。
类比理解
就像手机不只是打电话——还能拍照、发短信、导航、上网。MCP 让 AI 能做的事，远超"调用几个函数"。
MCP四种能力类型（Resources、Tools、Prompts、其他）的分类示意图
板块 4：MCP vs 其他方案——本质区别
这是面试重点。咱们从几个维度对比：
| 维度 | MCP | Function Calling | OpenAI Tools | 传统插件 | LangChain Tools |
|---|---|---|---|---|---|
| 定位 | 生态协议 | 平台能力 | 平台能力 | 内嵌式集成 | 框架能力 |
| 跨平台 | ✅ 跨平台 | ❌ 平台特定 | ❌ 仅 OpenAI | ❌ 通常绑定 | ❌ 依赖框架 |
| 耦合度 | 低耦合 | 紧耦合 | 紧耦合 | 高耦合 | 中耦合 |
| 部署 | 本地/私有/云端 | 仅云端 | 仅云端 | 本地 | 本地 |
| 动态能力 | ✅ 支持 | ❌ 不支持 | ❌ 不支持 | ❌ 不支持 | 部分支持 |
| 安全机制 | 完善 | 一般 | 一般 | 弱 | 一般 |
关键区别解释
vs Function Calling
Function Calling 是 OpenAI 这些平台自己的功能，绑死在特定模型上。你换了模型，可能得重写。MCP 是通用协议，任何模型都能用。
vs 传统插件
传统插件是"内嵌式"的，插件代码直接耦合进主应用，改一个可能影响全部。MCP 是"外置式"的，Server 独立运行，工具随时可以上下架。
vs LangChain Tools
LangChain 是框架，你的代码会被框架约束。MCP 是协议，只定义接口规范，不在乎你用什么框架实现。
通俗类比
如果 AI 应用开发是盖房子：
- Function Calling像用特定型号的砖——只有特定模型能用
- 传统插件像用混凝土浇筑——功能耦合，拆不掉
- LangChain Tools像用特定品牌的预制板——被框架绑死了
- MCP像用通用标准砖——任何符合标准的都能用，灵活拆卸
MCP与Function Calling/OpenAI Tools/传统插件/LangChain的二维对比表格图
板块 5：动态能力协商——MCP 的杀手锏
MCP 有一个常被忽视但非常重要的特性：动态能力协商。
三个核心能力
1. 版本协商
不同版本的 Client 和 Server 可以共存兼容。MCP 协议支持版本号协商，握手时自动协商出一个双方都支持的版本，不用担心版本冲突。
2. 功能扩展
Server 可以动态添加新能力。上线新工具？不用重启模型，不用重新训练，直接注册到 Server，模型就能发现并使用。
3. 权限暴露
Host 可以控制只暴露被授权的工具。比如给 AI 开放了"查天气"权限，但没开放"发邮件"，Server 就只会暴露查天气的能力。
类比
就像手机应用市场：App 可以随时上架下架，你不需要因为换了手机就要重新下载所有 App——账号登录一下，应用就回来了。
MCP 让工具和模型解耦，各自独立演进。
MCP动态能力协商机制流程图，展示初始化握手和动态协商过程
面试怎么答
基础版（能过面试）
MCP 是 Model Context Protocol，即模型上下文协议。它是 AI 模型与外部工具交互的标准化协议，核心目标是解决"不同模型和不同工具之间怎么连接"的问题。
MCP 采用三层架构：Host 负责用户交互、Client 负责与 Server 通信、Server 负责暴露具体能力。与 Function Calling 等方案相比，MCP 的核心优势是跨平台、低耦合、支持动态能力协商。
加分版（让面试官眼前一亮）
MCP（Model Context Protocol）是 Anthropic 在 2024 年底提出的开放协议，旨在标准化 AI 模型与外部工具的交互方式。
它不是让 AI 变聪明，而是解决"连接"问题——就像 USB 统一了设备连接一样，MCP 统一了 AI 与工具的连接。
从设计理念看，Function Calling 是平台能力，MCP 是生态协议；传统插件是内嵌式，MCP 是外置式。MCP 采用 Host-Client-Server 三层架构，通过 JSON-RPC 2.0 通信，支持 stdio 和 HTTP 两种模式。
MCP 暴露 Tools、Resources、Prompts、Sampling 四类能力，不只是工具调用。最吸引人的是它的动态能力协商——工具可以随时上下架，模型不需要重新训练就能使用新工具，这解决了传统方案耦合度高的核心痛点。
当然，MCP 生态还在成熟中，实际落地需要考虑 Schema 管理、权限安全、可观测性等问题。
一句话总结
MCP 就是 AI 时代的"USB 接口"——它不增强 AI 的能力，但它让任何 AI 模型能无缝连接任何工具。