大模型的飞速发展为人工智能的应用打开了新的篇章。然而，如何让大模型真正融入实际场景，发挥更高效的作用？本文将聚焦于MCP技术，解读它如何成为大模型的“翅膀”，赋能不同领域的创新实践，同时探讨技术背后的核心价值与未来潜力。

Manus 火的时候，由于我没有邀请码无法第一时间体验这个号称第一个“通用型人工智能助手”的应用，产生一种被新质生产力甩下的落伍的感觉。与此同时也注意到，紧随Manus 一起火起来的除了OpenManus 等开源项目（看了看测评，效果都比较差）外，还有今天要介绍的重点 MCP（Model Context Protocol）。

MCP 的概念介绍文章、视频都比较技术化，很硬核，对非技术背景的产品经理来讲很难懂，所以我打算换做自己能理解的概念，从头梳理清楚 MCP 究竟是什么？和Manus 这种通用AI Agent又为何能扯上关系。慢慢看完，你一定会有所收获。

在正式介绍 MCP 之前，先来看一个情景题：“大语言模型都是预训练好的数据，怎么才能获得联网的实时信息呢？” 这个问题背后实际是在问 “大语言模型如何感知真实世界、影响真实世界”。

OpenAI 在2023年6月份时给出了解决方案—— Function Calling（函数调用） 。大语言模型本身相当于一个被关在铁笼子里的专家，无法了解外部信息也无法和外部交互，但Function Calling相当于提供了一个跑腿小弟给这个专家，由他代劳信息搜集和数据交互的工作，详细的知识图解见下。

讲到这里，大家应该能反应过来，Manus 这个通用型 AI Agent 做到了能打开网页自主收集信息、注册账号甚至帮人类画PPT的通用型 AI Agent 就是通过无数个 Function Calling 实现的。

做了8年产品经理后，我是这么看产品经理的

我个人是从非常初级的产品经理做起，再到负责一个大产品的项目管理，现在有幸跳出了日常基础的工作更多的去看产品的PMF，product strategy...

查看详情 >

Manus 团队在工程实现上一定花费了大量的时间，工作量庞大无比。原因在于 每一个 Function 是需要手写的，每一个大语言模型需要依赖的外部工具都需要开发者写好对应的函数来适配，要理解手搓一个 Function 是有成本的，那么看上去有几十上百个 Function 不止的 Manus 成本肯定不小。

话题进行到这里，肯定有人会疑惑，这一切和文章开头埋下悬念的 MCP 有什么关系？答案现在揭晓：

MCP 是 Anthropic（Claude 的母公司）在2024年12月份提出来的 Agent开发过程中的规范。就好比Type-C接口能给大部分安卓机充电，可口可乐的瓶盖能拧在百事可乐瓶口上。也就意味着，开发者 A 依照MCP规范写出来的 Function ，可以直接开放给 开发者 B 使用，相当于把原本独立的 Function 开发过程变成一定意义上的协同开发，支持开发者们把各自为 Agent 实现过程中写的 Function 开源，大幅提升了开发效率，不用再去重复造轮子。

MCP 主要做了几件事：

1. 统一命名，把大模型的运行环境叫做MCP Client，Function叫做MCP Server；
2. 统一开发规范，把大模型与Function之间的交互规范统一为一个范式。

现在我们再回到最开始的问题——MCP 和 Manus 有什么关系？有了 MCP 后，也即意味着你可以享受他人已经开发好的 MCP Server ，可以说饭喂到嘴边了，只需要你懂怎么配置 MCP Server，就能享受优秀大脑们创造的成果。通过挑选配置合适的 MCP Server 就能组装出来自己的 AI Agent，岂不美哉。

这里抛一个 MCP 服务市场，如果你感兴趣的话，就撸袖子开干，武装你的大模型让它全知全能吧！

https://smithery.ai/

看两个视频来更直观地感受 MCP 为大模型带来的加成：

AI直接操作电脑建模！MCP这个词今年一定要知道！

Fetch MCP Server 快速生成科技日报