MCP 的作用：提供标准化接口，让 Cascade 等代理安全访问外部数据源，将数据转化为可操作的上下文。

1. MCP (Model Context Protocol)

1.1 介绍

在MCP之前，Al Agent 应用（如AutoGPT、MetaGPT等）常用的工具包括。

操作本地文件
操作本地数据库
控制本地浏览器
调用搜索引擎 API 等等。

在MCP 之前，这些 Agent应用的开发者需要各自实现这些工具，也就是说各家接口各不相同。

MCP 相当于为这些工具支持的操作，及输入和输出格式制定了统一的标准。比如下面是MCP对 “操作本地文件” 和 “调用搜索API” 这两个工具的定义，未来所有 Agent 应用都可以使用MCP这个规范。大幅简化了 Agent 应用的开发流程。

1.2 技术架构

三大组件：

Client（客户端）：Windsurf/Cascade 作为使用者。
Server（服务器）：轻量级本地进程，通过 API 连接数据源（如 Slack API）。
Data Source：本地（如文件系统）或远程（如 Slack 频道）数据源。

1.3 和 Function Calling 区别

MCP 可以简单理解跟大模型已经支持的 Function Calling 是同一个东西，本质是为了让大模型可以调用外挂的服务，对接更多的数据和能力，再作为补充上下文回答用户的问题。
区别点在于：Function Calling 由大模型通过 HTTP 请求第三方的外挂 API，而 MCP 是由大模型通过 RPC 请求第三方的外挂服务；
从接入方式上看，Function Calling 更简单，第三方只需要写一个 API，再在大模型配置对 API 的请求参数即可。MCP 接入起来要复杂一些，第三方需要写个服务，实现协议里定义的 RPC 方法，再在大模型里面配置服务地址和参数，大模型客户端在启动的时候需要做一次服务发现，再连接到配置的 RPC 服务，才能在后续对话过程调用；
Function Calling 和 MCP 的核心和难点都在于大模型侧的意图识别，用户随机提问，如何找到匹配的外挂服务，实现 RAG，这是所有大模型面临的通用难题（比如 ChatGPT 有几百万的 GPTs 应用，如何根据用户提问路由到最匹配的那个 GPTs 来回答问题），MCP 协议并不能解决这个问题。
Claude 客户端目前的实现方式，是让用户自己写个配置文件，告诉大模型有哪些可以调用的服务，再由 Claude 在对话时自动识别，跟 ChatGPT 之前让用户选择使用哪些 Plugins 的逻辑一致；
MCP 的亮点是定义了一套标准且相对完善的协议，对于大模型和应用的生态协同有很大的指导意义。MCP 的发展取决于有多少第三方服务愿意基于这套协议去实现 RPC 服务，最关键的还是大模型/应用客户端对海量 MCP 服务的路由寻址问题（没有固定的后缀，只能靠意图识别或者人工配置）。

1.4 和 GPT Actions 区别

Anthropic MCP对标的并不是function calling，MCP对标的是OpenAI的GPT Actions（前身是GPT Plugins）。
MCP和GPT Actions的主要区别，GPT Actions是Restful API + 网络服务，MCP则是JSON-RPC + 服务，且目前以本地服务为主。

1.5 和 RAG 区别

MCP和RAG在增强LLM能力方面有一定的相似性，例如都涉及外部信息或工具的利用，但它们的侧重点不同。MCP更注重让LLM具备与外部系统互动的能力，而RAG则专注于优化文本生成的质量。

一个有趣的观察是，这两者可以结合使用。例如，一个AI代理可以使用MCP调用一个检索工具（如Web搜索），然后通过RAG将检索到的信息整合到其生成响应中，从而实现更强大的功能。这种组合在2025年的AI应用中可能变得越来越常见，尤其是在需要动态交互和实时信息更新的场景中。

2. MCP Marketplace

https://smithery.ai/

在 MCP Marketplace 之前，想让 AI 用外部工具（比如查数据库、跑脚本），你得自己写个 MCP 服务器，懂 Python 或 Node.js，搞定 API 接口，还要本地跑起来调试。整个流程少说几小时，多则几天。

现在呢？Marketplace 里一堆现成的 MCP 服务器，你点“安装”，Cline 自动拉代码、跑依赖、配环境，几分钟就搞定。就像在 iPhone 上装 App，连 jailbreak 都不用，傻瓜式操作。

MCP Marketplace 的推出是 AI 编程工具的 “App Store 时刻”。

门槛到底降了多少？

以前的门槛：

举个例子，想让 AI 帮你查 AWS EC2 状态，你得：

写个 Python 脚本，用 boto3 连 AWS API；
搭个 Flask 或 FastAPI 服务器暴露接口；
配置 MCP 协议，生成工具定义文件；
本地跑起来，解决端口冲突、依赖报错；
告诉 Cline 怎么连上。

这套流程，没点编程基础和耐心，根本玩不转。

现在的门槛：

有了 MCP Marketplace，你就：

打开 Cline，进 Marketplace；
搜“AWS EC2 MCP”，点安装；
输入 AWS 密钥（如果需要）；
完事，说一句“查下我的 EC2”，AI 直接干活。

全程不超过 5 分钟，连代码都不用看一眼。

3. 使用

3.1 cursor

{
    "mcpServers": {
        "time": {
            "command": "python",
            "args": ["-m", "mcp_server_time", "--local-timezone=Asia/Shanghai"]
        }
    }
  }