AI 搜索 MCP 最佳实践

本文涉及的产品
智能开放搜索 OpenSearch行业算法版,1GB 20LCU 1个月
OpenSearch LLM智能问答版免费试用套餐,存储1GB首月+计算资源100CU
简介: 本文介绍了如何通过 MCP 协议,快速调用阿里云 OpenSearch 、ElasticSearch 等工具,帮助企业快速集成工具链、降低开发复杂度、提升业务效率。

背景

那些 LLM 不知道的事

尝试直接询问 LLM “今天天气如何”时,会发现 LLM 无法回答——它既不知道“今天”是哪天,也无法获取地理位置信息。这揭示了 LLM 的局限:缺乏与外部工具和实时数据的交互能力

为解决这一问题,MCP(Model Context Protocol)应运而生。通过标准化协议,MCP 使 LLM 能够自主调用工具(如天气API、地理位置服务),并解耦 Agent 与 Tools 的开发,显著降低维护和迭代成本。

image.png

当 LLM 学会用工具

- “让 LLM 自己学会用工具,来解答用户问题。”

上面这句话中,出现了三个角色,“用户”、“工具”、“LLM”,以及隐藏的第四个角色——将这一切粘合起来的“主控程序”。

关于四者的交互流程,下图供以参考:

image.png

MCP 干嘛来了

- 没有 MCP,我要怎么做

按照 Agent+FunctionCall 的模式,我设计了工具 schema,走通了 LLM 的服务调用,终于让 LLM 学会了用工具。但随着工具越来越多、工具调用与 LLM 耦合地越来越深,不管是维护还是迭代,都会消耗大量的精力。

那么,问题来了:

  • 能不能实现 Agent 与 Tools 的解耦?
  • 能不能能统一不同 Tools 的调用协议,让模型快速接入?
  • 能不能实现 Tools 的共享?

- 有了 MCP,我会怎么做

现在有了 MCP,一切都好起来了:

  • Agent 和 Tools,我可以分开维护了。
  • 再多的 Tools,我用"list_tools"+"call_tool"就解决了。
  • 我可以分享自己的 Tools,也可以快速接入别人的 Tools了。

近距离看看 MCP

MCP is an open protocol that standardizes how applications provide context to LLMs. Think of MCP like a USB-C port for AI applications. Just as USB-C provides a standardized way to connect your devices to various peripherals and accessories, MCP provides a standardized way to connect AI models to different data sources and tools.

image.png

MCP 架构中的角色主要有以下几种:

  • MCP Hosts: 相当于上文提到的“主控程序”,比如 Claude Desktop、IDE 等。
  • MCP Clients: 服务调用的客户端,通常会被集成到 Host 中执行 list_tools、call_tool 等操作。
  • MCP Servers: 服务调用的服务端,通常在此定义 tools、prompts、resources 等。
  • Local Data Sources: 本地数据。
  • Remote Services: 远端服务。

ps:写了个 mcp demo,就想让 LLM 告诉我,今天天气到底如何?

image.png

mcp = FastMCP("Demo")
@mcp.tool(
    name="get_current_time",
    description="获取当前时间",
)
def get_current_time():
    """
       获取当前时间并进行格式化展示
       :return:
    """
    now = datetime.datetime.now()
    formatted_time = now.strftime("%Y-%m-%d %H:%M:%S")
    return formatted_time
@mcp.tool(
    name="get_location",
    description="获取当前地点",
)
def get_location():
    """
       获取当前地点
       :return:
    """
    try:
        response = requests.get("http://ip-api.com/json/")
        data = response.json()
        if data["status"] == "success":
            location_info = {
                "country": data.get("country", ""),
                "region": data.get("regionName", ""),
                "city": data.get("city", "")
            }
            return json.dumps(location_info, ensure_ascii=False)
        else:
            return json.dumps({"error": "无法获取地理位置"}, ensure_ascii=False)
    except Exception as e:
        return json.dumps({"error": str(e)}, ensure_ascii=False)

AI 搜索怎么玩 MCP

场景一:文件解析与总结

描述:通过阿里云 AI 搜索开放平台集成 MCP,快速调用文件解析工具,降低开发门槛。

  1. 前置准备:
  1. 注册阿里云 AI 搜索开放平台,获取 API 密钥
  2. VSCODE 配置 Cline 工具,集成阿里云 MCP 服务器。

image.png

  1. Cline 配置 LLM 接口

API Provider 选择 OpenAI Compatible

Base URL设为 https://dashscope.aliyuncs.com/compatible-mode/v1

image.png

  1. 安装 UV,管理 Python 环境

curl -LsSf https://astral.sh/uv/install.sh | sh

或者

pip install uv

  1. Cline 配置 MCP Server
  1. 下载 alibabacloud-opensearch-mcp-server
  2. 配置mcp server
{
  "mcpServers": {
    "aisearch-mcp-server": {
      "command": "uv",
      "args": [
        "--directory",
        "/path/to/aisearch-mcp-server",
        "run",
        "aisearch-mcp-server"
      ],
      "env": {
        "AISEARCH_API_KEY": "<AISEARCH_API_KEY>",
        "AISEARCH_ENDPOINT": "<AISEARCH_ENDPOINT>"
      }
    }
  }
}
  1. 任务演示

点击视频链接查看:https://cloud.video.taobao.com/vod/8hHQby8Tnh-A12hCClhhLYBk0Muv8aeNY53-EEdk_gM.mp4


  1. 业务价值
  • 降低接入成本:通过阿里云标准化接口快速集成搜索服务。
  • 灵活扩展:支持以 AI 搜索为核心丰富的模型服务,可满足多样化的业务需求,加速产品迭代

立即体验阿里云 AI 搜索开放平台


场景二:向量检索及排序

描述:结合 OpenSearch 向量检索版,支持动态扩展与精准查询,优化成本。

  1. 前置准备

  (新增)开通 Opensearch向量检索版,构建一张向量表。

  (其他)同场景一

  1. Cline 配置 MCP Server
  1. 下载 alibabacloud-opensearch-mcp-server
  2. 配置mcp server
{
  "mcpServers": {
    "aisearch-mcp-server": {
      "command": "uv",
      "args": [
        "--directory",
        "/path/to/aisearch-mcp-server",
        "run",
        "aisearch-mcp-server"
      ],
      "env": {
        "AISEARCH_API_KEY": "<AISEARCH_API_KEY>",
        "AISEARCH_ENDPOINT": "<AISEARCH_ENDPOINT>"
      }
    },
    "opensearch-vector-mcp-server": {
      "command": "uv",
      "args": [
        "--directory",
        "/path/to/opensearch-vector-mcp-server",
        "run",
        "opensearch-vector-mcp-server"
      ],
      "env": {
        "OPENSEARCH_VECTOR_ENDPOINT": "http://ha-cn-***.public.ha.aliyuncs.com",
        "OPENSEARCH_VECTOR_USERNAME": "<username>",
        "OPENSEARCH_VECTOR_PASSWORD": "<password>",
        "OPENSEARCH_VECTOR_INSTANCE_ID": "ha-cn-***",
        "OPENSEARCH_VECTOR_INDEX_NAME": "<Optional: index in vector table>",
        "AISEARCH_API_KEY": "<Optional: AISEARCH_API_KEY for embedding>",
        "AISEARCH_ENDPOINT": "<Optional: AISEARCH_ENDPOINT for embedding>"
      }
    }
  }
}
  1. 任务演示

点击视频链接查看:https://cloud.video.taobao.com/vod/_PJdJXQUhzL1bkUOjwUv8wTEXPTWjEYKJSqa11tVUXI.mp4


  1. 业务价值
  • 精准检索:结合阿里云向量数据库,支持动态扩展和无缝集成。
  • 成本优化:按需付费模式,降低向量检索的计算成本。

立即体验阿里云OpenSearch向量检索


场景三:Elasticsearch 智能检索

描述:集成阿里云 ES 服务,实现高效实时数据分析与容灾保障。

  1. 前置准备

  (新增)开通 Elasticsearch,创建一份索引并写入测试数据

  (其他)同场景一

  1. Cline 配置 MCP Server
  1. 参考 elasticsearch-mcp-server
  2. 配置 mcp server
{
  "mcpServers": {
    "elasticsearch-mcp-server": {
      "command": "npx",
      "args": [
        "-y",
        "@elastic/mcp-server-elasticsearch"
      ],
      "env": {
        "ES_URL": "http://es-cn-***.public.elasticsearch.aliyuncs.com:9200",
        "ES_USERNAME": "<USERNAME>",
        "ES_PASSWORD": "<PASSWORD>"
      }
    }
  }
}
  1. 任务演示

点击视频链接查看:https://cloud.video.taobao.com/vod/xNj2AziCFYkUR_jDiTS2YqRpPDW9ziJopvRLfwLuFSs.mp4

  1. 业务价值
  • 实时分析:支持全文搜索、复杂查询及实时数据分析。
  • 高可靠性:阿里云 ElasticSearch 提供多副本容灾,保障数据安全。

立即体验阿里云Elasticsearch

为什么选择阿里云 MCP 解决方案?

选择阿里云 MCP 解决方案的核心原因在于其通过标准化协议与全生命周期服务,显著降低工具链集成复杂度并加速AI应用落地。阿里云 MCP 以协议驱动替代传统硬编码模式,实现跨平台工具调用:

  • AI 搜索开放平台:提供丰富的 AI 搜索组件化服务服务,调用多模态数据解析、大语言模型、效果测评等数十个服务,实现智能搜索、检索增强生成(RAG)、多模态搜索等场景的搭建,例如:智能客服对话式搜索图谱增强个性化推荐等。
  • OpenSearch:内置了各行业的查询语义理解、机器学习排序算法等能力,并充分开放了文本向量检索引擎能力,助力开发者快速搭建智能搜索服务。通过 AI 搜索开放平台,用户可以灵活调用多模态数据解析、文档切分、文本向量、大模型文本生成等组件化服务,满足多种搜索场景需求,例如:电商、内容资讯、游戏、金融等多种行业场景。
  • 阿里云 Elasticsearch:可以快速地、近乎于准实时地存储、查询和分析超大数据集,广泛应用于实时日志处理、信息检索、数据的多维查询和统计分析等场景,如:智能客服、企业内部知识库、电商导购、数据服务等。

通过 MCP 协议,可快速调用阿里云 OpenSearch 、ElasticSearch 等工具,帮助企业快速集成工具链、降低开发复杂度、提升业务效率。

更多资讯

相关文章
|
人工智能 自然语言处理 运维
钉钉MCP能力上新:AI如何提效你的工作流程
钉钉通讯录 & 部门管理、日程管理、待办任务、机器人&通知等高频场景API提供MCP服务
钉钉MCP能力上新:AI如何提效你的工作流程
|
28天前
|
人工智能 自然语言处理 物联网
MCP+LLM+Agent:企业AI落地的新基建设计
MCP+LLM+Agent构建企业AI黄金三角架构,破解数据孤岛、工具碎片化与决策滞后难题。LLM负责智能决策,Agent实现自动执行,MCP打通数据与工具,助力企业实现从智能思考到业务闭环的跃迁。
|
2月前
|
人工智能 自然语言处理 搜索推荐
从理论到应用:AI搜索MCP的最佳实践案例解析
本文深入探讨了如何通过 MCP 协议让大语言模型(LLM)高效调用外部工具,并结合多个实际场景展示了 MCP 在 AI 应用中的价值和未来潜力。
|
2月前
|
人工智能 缓存 开发者
MCP协议究竟如何实现RAG与Agent的深度融合,打造更智能AI系统?
本文AI专家三桥君探讨了通过MCP协议实现RAG与Agent系统的深度融合,构建兼具知识理解与任务执行能力的智能系统。文章分析了传统RAG和Agent系统的局限性,提出了MCP协议的核心设计,包括标准化接口、智能缓存和动态扩展性。系统架构基于LlamaIndex和LangGraph实现服务端和客户端的协同工作,并提供了实际应用场景与生产部署指南。未来发展方向包括多模态扩展、增量更新和分布式处理等。
221 0
|
2月前
|
人工智能 数据可视化 安全
【保姆级教程】Dify+DeepSeek+MCP三件套:零门槛打造AI应用流水线,手把手实战教学!
本教程手把手教你用Dify+DeepSeek+MCP三件套零门槛搭建AI应用流水线:Dify提供可视化工作流编排,DeepSeek贡献128K长文本国产最强模型,MCP实现弹性部署。这套组合兼具低代码开发、高性能推理和灵活运维三大优势,助你快速落地企业级AI解决方案。
|
12天前
|
数据采集 人工智能 定位技术
分享一个开源的MCP工具使用的AI Agent 支持常用的AI搜索/地图/金融/浏览器等工具
介绍一个开源可用的 MCP Tool Use 通用工具使用的 AI Agent (GitHub: https://github.com/AI-Agent-Hub/mcp-marketplace ,Web App https://agent.deepnlp.org/agent/mcp_tool_use,支持大模型从Open MCP Marketplace (http://deepnlp.org/store/ai-agent/mcp-server) 的1w+ 的 MCP Server的描述和 Tool Schema 里面,根据用户问题 query 和 工具 Tool描述的 相关性,选择出来可以满足
|
10天前
|
存储 人工智能 安全
【阿里云基础设施 AI Tech Day】 AI Infra 建设方案及最佳实践沙龙圆
聚焦 AI Infra 建设方案及最佳实践,「智驱未来,云网随行:AI Infra 建设方案及最佳实践」沙龙阿里云基础设施 AI Tech Day 北京站于 8 月 8 日下午在北京全球创新社区顺利举办,活动现场吸引了来自月之暗面、字节、小米、爱奇艺、360、雪球、猿辅导、奥迪等 16 家相关 AI 领域领先企业或有AI建设诉求企业的 32 名业务/技术骨干参与。本次技术沙龙旨在聚焦企业建设高效、高可用的 AI Infra,深入解析 AI 驱动的原子能力与场景化架构设计,分享从基础网络建设、算力池化、存储调度,以及 VPC RDMA 性能优化、Agent 智能体出海等场景的全链路方案,助力企业
|
2月前
|
人工智能 搜索推荐 API
AI-Compass DeepSearch深度搜索生态:集成阿里ZeroSearch、字节DeerFlow、MindSearch等前沿平台,实现超越传统关键词匹配的智能信息检索革命
AI-Compass DeepSearch深度搜索生态:集成阿里ZeroSearch、字节DeerFlow、MindSearch等前沿平台,实现超越传统关键词匹配的智能信息检索革命
AI-Compass DeepSearch深度搜索生态:集成阿里ZeroSearch、字节DeerFlow、MindSearch等前沿平台,实现超越传统关键词匹配的智能信息检索革命
|
2月前
|
人工智能 算法 调度
多智能体协作平台(MCP)实现多供应商AI生态系统中的互操作性
在现代人工智能(AI)领域,智能体的互操作性是实现系统协同的关键要素。随着多个供应商提供不同的智能体产品,如何在复杂的生态系统中构建互操作性的基础设施变得尤为重要。本文将探讨如何构建一个支持多供应商智能体互操作性的生态体系,重点讨论多供应商环境中的MCP(Multi-Agent Collaborative Platform)架构,解决不同智能体之间的协作与资源共享问题。
多智能体协作平台(MCP)实现多供应商AI生态系统中的互操作性