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。
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：
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.
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？
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。
- 前置准备：
- Cline 配置 LLM 接口
API Provider 选择 OpenAI Compatible
Base URL设为 https://dashscope.aliyuncs.com/compatible-mode/v1
- 安装 UV，管理 Python 环境
curl -LsSf https://astral.sh/uv/install.sh | sh
或者
pip install uv
- Cline 配置 MCP Server
- 下载 alibabacloud-opensearch-mcp-server
- 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>" } } } }
- 任务演示
点击视频链接查看：https://cloud.video.taobao.com/vod/8hHQby8Tnh-A12hCClhhLYBk0Muv8aeNY53-EEdk_gM.mp4
- 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。
- 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
- Cline 配置 MCP Server
- 下载 alibabacloud-opensearch-mcp-server
- 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>" } } } }
- 任务演示
点击视频链接查看：https://cloud.video.taobao.com/vod/_PJdJXQUhzL1bkUOjwUv8wTEXPTWjEYKJSqa11tVUXI.mp4
- 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。
- 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
- Cline 配置 MCP Server
- 参考 elasticsearch-mcp-server
- 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>" } } } }
- 任务演示
点击视频链接查看：https://cloud.video.taobao.com/vod/xNj2AziCFYkUR_jDiTS2YqRpPDW9ziJopvRLfwLuFSs.mp4
- 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
- 探索更多案例：点击查看阿里云 AI Searach 指南
- 免费试用：
- AI 搜索开放平台（免费开通）
- Elasticsearch （免费试用）
- OpenSearch（免费试用）
