模型上下文协议
定义或身份
模型上下文协议（Model Context Protocol，MCP）是一种面向大型语言模型（LLM）的标准化工具连接协议，用来把模型与外部数据源、服务和可调用工具连接起来。
在本文语境中，它的核心意义不是“让模型变得更聪明”，而是把外部能力以统一格式暴露给模型，使模型能够通过一致的方式理解“有哪些工具、每个工具做什么、需要什么参数、会返回什么结果”。
原文将 MCP 描述为一种“通用适配器”：借助这一标准，LLM 可以与 Google Drive、Slack、GitHub、数据库等多种外部系统交互，而不必为每一种服务都依赖完全不同的接入方式。
角色职责
在这篇文章讨论的工具调用体系里，模型上下文协议承担的是“标准化基础设施”角色，主要职责包括：
- 统一描述工具能力：把工具的功能、参数需求、使用方式整理成可供模型理解的 schema。
- 统一函数调用接口：让主 LLM 能以相对一致的方式发起函数调用，而不是直接处理各类底层 API 细节。
- 为工具生态提供接入标准：使新工具、新服务可以被纳入同一调用框架中，便于扩展。
换句话说，MCP 负责定义工具“长什么样、怎么被调用”，而不是决定“当前任务到底该用哪一个工具”。
关键信息
MCP 解决的问题
文章明确把 MCP 放在“外部工具接口”这一层来理解。由于 LLM 存在训练数据固化、上下文窗口有限等约束，要应对实时变化的外部环境，就需要接入外部工具。
例如在旅行规划场景里，模型如果要完成实际服务，可能需要：
- 访问航班数据库；
- 检索酒店可用性；
- 查询目的地天气；
如果没有这些工具接口，即使模型语言能力很强，也无法真正完成订票、查询或联动服务。MCP 在这里的作用，就是把这些外部能力以统一方式提供给模型。
MCP 提供的是工具 schema，不是知识库内容
在 RAG-MCP 语境下，一个很关键的区分是：检索对象不是普通知识文档，而是 MCP 工具描述本身。
原文特别强调，RAG-MCP 检索的是“MCP 函数模式和相关描述”，例如：
- MCP 函数模式；
- 工具参数定义；
- 工具使用示例；
- 与该工具相关的描述性元信息。
这说明 MCP 不是在提供事实性知识，而是在提供功能性接口定义。RAG 在这里被用来检索“可调用能力”，不是检索百科、手册或一般文本资料。
细节与边界
MCP 不直接解决工具发现与选择问题
这是本文最重要的边界之一。
虽然 MCP 能把大量工具以标准化方式暴露给 LLM，但它并不直接回答：当可用工具从几十个增长到 50、100 甚至 1000 个时，模型该如何高效、准确地挑选最合适的那个。
也就是说：
- MCP 负责工具定义；
- RAG-MCP 负责工具发现与选择。
前者是标准化接入层，后者是检索式路由层。二者不是替代关系，而是上下游关系。
工具生态爆发后，MCP 描述本身会造成提示词膨胀
文章指出，常规做法是把所有工具描述——也就是功能定义、参数需求等内容——直接放进提示词交给 LLM。
当工具较少时，这种方式还能工作；但当工具数量迅速增多时，MCP 描述本身会成为提示词膨胀的重要来源。问题主要表现在：
- 工具描述累积消耗大量 token；
- 占用有限上下文窗口；
- 挤压用户查询、对话历史和推理空间；
- 让模型必须在大量相似工具之间做筛选，决策复杂度显著上升。
原文给出的数量级非常具体：当工具扩展到 50、100，甚至 1000 个时，这一问题会迅速恶化。
MCP 的标准化不等于选择效率
即使上下文窗口继续增大，问题也不会自然消失。文章强调，要求 LLM 在数百个工具描述中逐个比较，尤其是在工具功能重叠、差异细微时，会带来明显的效率与准确率问题。
其后果包括：
- 选择次优工具；
- 错误识别不存在的工具或 API；
- 因认知负担过高而整体性能下降。
这说明 MCP 的标准化主要提升“可接入性”和“可描述性”，但不自动保证“可发现性”和“可决策性”。
在本文中的补充方案：RAG-MCP
文章将 RAG-MCP 定位为 MCP 的补充层，而不是对 MCP 的否定。
其核心思想是：先把 MCP 工具描述存放到外部索引中，再根据用户任务语义检索出最相关的前 k 个工具，最后只把这些候选工具的 MCP 模式与参数信息提供给主 LLM。
因此二者关系可以概括为：
- 模型上下文协议：标准化基础设施，负责定义和暴露工具；
- RAG-MCP：发现与选择层，负责在海量 MCP 工具中做语义检索、排序与筛选。
这种分层带来的直接效果，是把“工具发现过程”与“核心 LLM 生成过程”解耦。模型不必面对整库工具，只需处理经过筛选的少量 MCP 描述。
与本文相关的具体事实
原文围绕 MCP 提到的具体事实包括：
- MCP 由 Anthropic 提出，用于建立 AI 系统与外部数据源及服务之间的通用标准；
- 它使 LLM 可以与 Google Drive、Slack、GitHub、数据库等工具交互；
- 在常规方案中，所有工具的 MCP 描述可能被整体注入提示词；
- 当工具规模扩大时，这些描述会显著推高 token 消耗，成为提示词膨胀来源；
- RAG-MCP 检索的不是普通知识语料，而是 MCP 函数模式、工具描述和使用示例等功能性内容；
- 因此，MCP 是工具标准，RAG-MCP 是工具选择机制。