Let's Make AGI Real

MCP作为一个开放的“AI工具接口”标准，得到了各大模型提供商和开源Agent框架的关注与初步支持，这些模型、中间件和智能体通常可以直接被用来进行领域AI应用的开发，起到事半功倍的效果。下面综述目前支持或集成MCP的主要模型、中间件和智能体框架，并说明它们与MCP的结合方式及应用范围：

• Anthropic Claude：作为MCP的发起者，Anthropic已在自家产品中深度集成MCP。Claude模型（尤其Claude 2/Claude 3.5系列）通过Claude Desktop应用直接支持MCP接口，使LLM能够安全访问本地文件系统、应用等。开发者可以在Claude Desktop的配置中添加自定义MCP服务器，例如将本机的文件夹、Git仓库、浏览器等暴露为MCP资源，让Claude助手读取或写入文件、分析代码仓库、抓取网页等。此外，Claude的API也能够配合MCP客户端使用：Anthropic提供了Claude的“MCP工具调用”能力，允许Claude在对话中通过调用MCP定义的工具完成复杂操作（类似于函数调用但基于标准协议）。Claude + MCP的组合非常适合构建个人助理类应用和企业内部Agent，因为Claude善于在丰富上下文下进行推理，而MCP提供这些上下文所需的数据来源。典型应用包括代码编辑助手（结合IDE插件MCP服务器使用）、知识管理Agent（连接企业知识库）、任务自动化脚本等。作为先行者，Anthropic还开源了多种现成的MCP服务器实现（如Google Drive、Slack、GitHub等连接器）供社区使用。
• OpenAI GPT（ChatGPT）：Sam Altman3月26日在x.com上亲口宣布了OpenAI支持MCP，这对生成式AI应用的普及绝对是一个巨大的利好，也可以解释为OpenAI良心未泯，高风亮节，因为它完全可以只支持自家的Response API。不过目前还只是说说，它一直采用自有的Function Call和插件体系来扩展模型能力，它的GPT模型可以根据对话内容决定调用哪个函数，并构造参数，从而访问外部API；ChatGPT插件允许开发者提供OpenAPI接口说明，让ChatGPT调用第三方服务。这些都是专有的机制，缺乏跨平台标准，只有用了MCP，才能充分结合OpenAI GPT的语言理解/生成能力，与其它应用实现互操作，极大拓展MCP可应用的场景。目前据说它的Agents SDK要支持 MCP，ChatGPT桌面应用和Responses API也即将推出MCP功能。
• LangChain / LangGraph：LangChain是流行的LLM应用编排库，提供了Agent（智能体）和Tools（工具）机制，可让LLM按照决策链调用一系列工具完成复杂任务。LangChain很早就支持上百种工具的整合，而随着MCP出现，LangChain官方和社区也提供了MCP的适配。LangChain的新版本（LangGraph子模块）引入了langchain-mcp-adapters库，使代理能够使用MCP服务器上定义的工具。具体而言，开发者可以创建一个MultiServerMCPClient，指定多个MCP服务器的地址或启动命令，然后获取这些服务器提供的工具列表并注入给LangChain的Agent。这样，原本LangChain Agent调用工具的逻辑无需更改，就可以调用远程MCP服务器上的功能。例如，一个LangChain Agent可以同时接入“数学计算MCP服务”和“天气查询MCP服务”，让GPT-4或Claude模型在推理链中按需使用这两个工具。这种集成方式扩展了LangChain可用工具的边界——借助MCP，数百种社区维护的工具服务器都能成为LangChain的工具来源。应用范围上，LangChain+MCP适合需要快速扩充工具集的场景，例如企业想用LangChain构建内网助手，可以直接引入文件系统、数据库查询等MCP工具，而不用手动实现每个接口。需要注意的是，LangChain本身已有自己的工具规范，团队核心成员对MCP也有讨论：认为MCP更适合为“无法自行开发agent的系统带来工具”，而LangChain工具偏向开发者自定义。两者可取长补短：LangChain提供高级代理逻辑，MCP提供标准化工具接口，共同提高代理系统的开发效率和互操作性。
• AG2 / AutoGen（Microsoft AgentOS）：AutoGen是由微软研究提出的多智能体对话编排框架，后续开源项目更名为AG2 (AgentOS)。AG2旨在让开发者方便地创建多个LLM代理彼此对话协作来完成任务。由于MCP能让每个智能体调用外部工具获取信息，AG2很快地引入了对MCP的支持：最新版AG2提供了MCP Client接口，可为Agent创建一个包含若干MCP工具的“工具箱（Toolkit）”，从而使Agent能够调用MCP服务器的功能。官方示例演示了AG2如何连接一个简单的计算MCP服务器，Agent便可通过MCP调用add、multiply等操作来完成用户请求。这一集成让AG2的代理具备了标准化的工具使用能力，而无需为每个新工具写特定的对话Prompt或API调用代码。尤其在AG2强调的多代理协作场景中，每个Agent可以是一个专长模块，通过MCP获取对应领域的数据或执行操作，然后通过A2A协议彼此通信（这一点在下节详述）。AgentOS定位为生产级多Agent系统框架，因此对安全、可扩展性的要求高——MCP的沙箱式工具调用契合这一点，因为MCP服务器可以在独立进程中运行，Agent通过客户端调用，避免了直接执行不受控代码的风险。应用方面，AG2已被用于构建复杂的企业业务流程Agent和科研Demo，例如金融分析助理（多个子Agent协作分析财经数据，其中获取数据就通过MCP连接数据库/API）、知识问答系统（检索Agent通过MCP查询资料，推理Agent综合回答）。总的来说，AG2对MCP的支持标志着新一代Agent框架正趋向融合：将工具接入标准化（MCP）与多Agent通信标准化（A2A）相结合，打造更强大的自治代理网络。
• 开源模型与Transformers：Hugging Face的Transformers库使研究者能方便地使用各类开源大模型。虽然Transformers侧重模型推理本身，并无官方的工具协议支持，但由于MCP是模型无关的，只要LLM能够按照协议格式输出入消息，就能成为MCP客户端。这意味着开源模型理论上都可以集成MCP。目前有开发者在Hugging Face社区提供了示例，将本地开源模型包装进Agent，调用MCP工具来完成复杂任务。例如，有人构建了一个基于变形金刚模型的Agent，使其通过MCP访问搜索引擎和计算工具，从而回答开放域问题（类似让开源模型具备了ChatGPT插件的能力）。Hugging Face还发布了一篇教程，介绍如何使用MCP和Google的A2A框架构建端到端Agent管道。可以预见，随着MCP SDK推出C#/Java等多语言版本并不断完善，企业和开发者将能方便地将本地部署模型纳入MCP生态。这对注重数据隐私、需要离线运行的场景尤为重要（如医疗机构利用本地大模型，通过MCP访问内网数据库进行问诊辅助）。因此，虽然开源模型没有“官方”支持MCP，但社区已在推动将MCP用作不同模型共同的工具接入层，使Transformer模型也能与Claude、GPT等共享一套工具库，形成统一的应用层标准。
• Haystack：Haystack是deepset开发的开源问答检索框架，广泛用于检索增强型生成（RAG）应用。Haystack传统上关注于让LLM接入文档检索、数据库查询等功能，以在回答中引入真实知识。MCP的出现为Haystack提供了新的工具集成方式。deepset团队已发布MCP Tool模块，允许Haystack Pipeline中的Agent通过MCP协议调用外部工具和服务。开发者只需安装mcp-haystack插件，便可以创建MCPTool实例，指定目标MCP服务器地址（本地或远程）。Haystack的Agent（例如使用AgentPipeline或ToolRetriever）即可将MCPTool视为普通工具调用，从而利用外部能力。官方文档展示了用MCP连接一个简单计算器服务的例子：启动计算器MCP服务器，Haystack Agent通过MCPTool发送请求，得到加减运算结果。通过这样的集成，企业知识库问答Agent除了检索文档外，还可以MCP集成更多功能，如调用数据库SQL查询MCP服务来获取结构化数据、调用邮件发送MCP工具直接发送报告邮件等。这极大增强了RAG应用的行动力。Haystack选择MCP的原因在于标准化和易用性：以前要添加一个新工具，开发者可能需要编写自定义Connector或Agent逻辑；现在如果社区已经有对应MCP服务器，实现只需配置连接即可。应用范围包括企业内的知识助理（可连接内部CRM、ERP等MCP接口获取实时数据），或公共服务的问答机器人（可连接天气、地图等公共MCP API获取最新信息），从而提供更丰富的回复。Haystack作为注重检索真实性的框架，也会关注MCP提供的数据可信度，可能结合检索到的来源一起反馈给LLM，从而提高回答的可靠性。
• ChatGPT插件：OpenAI于2023年推出的ChatGPT Plugins可以视为封闭环境下对“AI工具接口”问题的探索。插件通过一个OpenAPI规范和Manifest文件描述第三方服务，使ChatGPT可以自主选择并调用插件的REST接口。然而，ChatGPT插件仅限于OpenAI自有的平台，不是一个通用协议。相较之下，MCP希望打造的是开放生态，各平台的模型/代理都可支持的统一接口。目前，MCP和ChatGPT插件在应用上还处于割裂状态：大量已有的插件服务（如旅行预订、股票查询等）并非MCP服务器，反之MCP社区丰富的开源工具也无法直接被ChatGPT调用。不过，两者并非对立：从理念上说，MCP的出现有望推动插件生态朝标准融合方向发展。例如，将来第三方服务提供商在开发工具接口时，可以同时提供一个OpenAPI文件（供ChatGPT插件使用）和一个MCP规范实现（供其他支持MCP的AI客户端使用）。也有观点将MCP视作ChatGPT插件的“通用化”版本——事实上，未来MCP的易用性提升后，也可能出现类似插件商店的用户体验，即一键安装MCP工具/Agent。而OpenAI插件当前的局限（只能用于ChatGPT、缺乏互通）也印证了行业需要一个厂商无关的标准。总而言之，ChatGPT插件拓展了大众对AI应用市场的想象，证明了让模型调用外部服务的价值；MCP则试图将这种能力带到更广泛的环境中，包括私有部署的模型、非OpenAI模型等。对于开发者来说，关注两者的融合走向，尽可能设计兼容性好的接口，将有助于其AI应用服务覆盖更多用户群体。

（除上述之外，还有一些正在兴起的Agent框架和中间件开始考虑MCP集成，例如企业级的The Swarm AgentOS、开源的Camel等。随着MCP生态扩大，预计更多框架会提供官方支持，这里不再一一赘述。）

以上综述，MCP作为“AI领域的USB-C”正在被广泛接受：模型提供方、工具集成库以及Agent框架纷纷探索将其纳入。这种趋势将使AI助手的构建更加模块化、标准化——开发者可以混搭不同模型和工具，构建满足垂直领域需求的应用，而不必担心接口兼容问题。

下一篇预告：MCP如何与谷歌的Agent2Agent协议一起振兴图书馆AI服务？