01｜开箱即用：MCP是LLM开发范式的增强
黄佳
你好，我是黄佳。
这节课，我们将用一个通过 MCP 协议调用外部工具的实战，来理解 MCP 协议的强大之处。
在正式开始 MCP 实战之前，我们不妨先来回顾一下这两三年来，也就是 MCP 出现之前，我们是如何使用大模型的。
从提示工程到 RAG
大模型可以开箱即用，也就是我们人类通过提示工程和它直接对话，让它帮我们解决问题。随着大模型的能力越来越强大，尤其是推理模型的出现，它的回答越来越靠谱了。
提示工程：我们直接与大模型对话
然而，大模型并非全知全能。预训练的数据虽然也在更新，但仍然有截止时间；而当我希望它分析属于我个人的图书销售数据时，它当然并不知道我、或者你的企业内部拥有哪些数据，此时就是 RAG（Retrival-Augmented Generation)，检索增强生成上场的时刻。
RAG 这种 LLM 应用开发范式背后的基本思想，就是通过将大型语言模型（LLM）与外部数据源相结合来提高其准确性和相关性。先通过向量之间的相似度，用检索系统从外部数据源搜索数据，以识别与用户查询相关的信息。LLM 随后利用检索到的信息生成更精确、更及时的响应。
检索：首先通过向量数据库或其他检索系统，找出与用户查询相关的信息；
增强：将检索到的信息作为上下文提供给大模型；
生成：大模型基于这些额外信息生成回答。
公开
同步至部落
取消
完成
0/2000
荧光笔
直线
曲线笔记
复制
AI
- 深入了解
- 翻译
- 解释
- 总结
1. MCP协议是一个开放标准，用于将AI连接到数据库和工具，为AI模型提供了连接不同数据源和工具的标准方式。 2. RAG（Retrival-Augmented Generation）通过将大型语言模型（LLM）与外部数据源相结合，提高了大模型回答的准确性和相关性。 3. Agent模式赋予了大模型使用工具并采取行动的开发范式，使大模型可以执行实际操作，例如查询数据库、调用API、创建可视化图表、发送邮件等一系列任务。 4. MCP提供了工具发现和主动调用能力，使RAG和Agent+Tool Calls得益于MCP提供的工具发现和主动调用能力。 5. MCP通过定义统一的SessionMessage协议和工具发现机制，使RAG能够无缝接入多源数据检索，大幅提高了检索增强生成的准确性和可维护性。 6. MCP为Agent提供了标准化的工具调用接口和结果回传格式，让大模型可以自主选择、分步调度各类工具执行复杂任务，无需手动注册或编码集成。
仅可试看部分内容，如需阅读全部内容，请付费购买文章所属专栏
《MCP & A2A 前沿实战》，新⼈⾸单¥59
《MCP & A2A 前沿实战》，新⼈⾸单¥59
立即购买
© 版权归极客邦科技所有，未经许可不得传播售卖。 页面已增加防盗追踪，如有侵权极客邦将依法追究其法律责任。
登录 后留言
精选留言
由作者筛选后的优质留言将会公开显示，欢迎踊跃留言。
收起评论