Model Context Protocol (MCP) 的運作原理

隨著 Large Language Model (LLM) Agent 的發展，如何讓 AI 存取外部資料與執行工具（tools）成為關鍵問題。

Model Context Protocol (MCP) 提供了一個標準化方式，讓 LLM application 可以透過統一介面連接各種外部能力。

MCP 的核心架構可以簡化成三個角色：
1. MCP Host
2. MCP Client
3. MCP Server

1. MCP Host：Agent 的入口

MCP Host 是使用 MCP 的主要 application，例如：
* Claude Desktop
* Claude Code
* 自建的 Agent Platform

它負責管理 LLM，以及決定需要連接哪些 MCP Server。

當 Host 需要使用某個 MCP Server 時，會建立一個對應的 MCP Client。

2. MCP Client：Protocol Adapter

MCP Client 是 Host 內部的一個 component。

它的責任是：
* 建立與 MCP Server 的 connection
* 交換 MCP protocol messages
* 取得 server 提供的 tools
* 呼叫指定的 tool

一個 MCP Host 可以同時建立多個 MCP Client：
MCP Host
 |
 +-- MCP Client 1 ---> MCP Server A
 |
 +-- MCP Client 2 ---> MCP Server B
 |
 +-- MCP Client 3 ---> MCP Server C
每個 MCP Client 對應一個 MCP Server。

3. MCP Server：能力提供者

MCP Server 是實際提供能力的 component。

它主要提供兩類功能：

(1) List Tools

Client 可以詢問：
你有哪些 tools 可以使用？
Server 回傳 tool description，例如：
{
  "name": "fetch",
  "description": "Fetch webpage content",
  "parameters": {
      "url": "string"
  }
}
LLM 可以根據這些 metadata 理解：
* tool 的用途
* input parameters
* 如何呼叫

(2) Call Tool

當 LLM 決定使用某個 tool 時：
MCP Client
    |
    | call_tool(fetch, url)
    |
MCP Server
MCP Server 執行實際工作，並回傳結果。

MCP Server 本質上是 API Wrapper

很多 MCP Server 本身並不提供資料，而是包裝既有 API。

例如：
LLM
 |
 | Natural Language
 |
MCP Server
 |
 | API Call
 |
External Service

MCP Server 的價值在於：

把原本：
REST API
GraphQL API
Database Query
Cloud Service
轉換成 LLM 可以理解與使用的 tool interface。

例如：
原本需要：
GET /weather?city=taipei
透過 MCP 後：
get_weather("Taipei")
LLM 可以直接理解。

MCP Server 通常跑在哪裡？

一個常見誤解是：
MCP Server 是遠端 Internet Server。
實際上，大部分 MCP Server 是跑在本機環境。

例如：
User Computer

+----------------------+
| Claude Desktop       |
|                      |
| MCP Client           |
|        |             |
|        | STDIO       |
|        v             |
| MCP Server           |
|                      |
+----------------------+
MCP Server 可能：
1. 本機執行
2. 再去呼叫遠端 API

例如：
Local MCP Server
        |
        |
        v
Google API
GitHub API
Database
Garmin API

因此 MCP 更像是一個：
Local Agent Capability Adapter

MCP Transport Mechanism

MCP Client 與 MCP Server 之間需要 communication channel。

目前主要有兩種：

1. STDIO (Standard Input / Output)

這是最常見的 local MCP Server 方式。

概念非常簡單：
MCP Client
     |
     | stdin
     |
MCP Server Process
     |
     | stdout
     |
MCP Client

Client 啟動一個 process：
例如：
Python MCP Server：
uvx some-mcp-server
Node.js MCP Server：
npx some-mcp-server

Client 透過：
* stdin 傳送 request
* stdout 接收 response
與 server 溝通。

2. Streamable HTTP

用於 remote MCP Server。
架構：
MCP Client
      |
      |
 HTTP Connection
      |
      v
Remote MCP Server
例如：
https://example.com/mcp
當 MCP Server 位於 cloud environment 時，就使用 Streamable HTTP。

MCP Server 如何被啟動？

對於 local MCP Server，configuration 通常描述：
「如何啟動這個 server」。
例如：
Python:
{
  "command": "uvx",
  "args": [
      "fetch-mcp-server"
  ]
}
意思是：
啟動：
uvx fetch-mcp-server
Node.js:
{
  "command": "npx",
  "args": [
      "playwright-mcp"
  ]
}
意思是：
啟動：
npx playwright-mcp
也可以：
docker run xxx-mcp-server
啟動 Docker container。

MCP 的核心價值

傳統 LLM：
User
 |
LLM
 |
Text Response
能力有限。

加入 MCP：
User
 |
LLM Agent
 |
MCP Client
 |
MCP Server
 |
+----------------+
| API            |
| Database       |
| File System    |
| Device Data    |
+----------------+

LLM 不需要知道每個 service 的 API 細節。
它只需要知道：
* 有哪些 tools
* tool 的用途
* input/output schema

MCP 負責把 AI 與外部世界連接起來。

總結

MCP 可以理解為：
A standard protocol that allows LLM applications to discover and use external capabilities through a unified tool interface.

它的核心架構：
MCP Host
    |
    |
MCP Client
    |
    |
MCP Server
    |
    |
External Tools / APIs

其中：
* Host：管理 Agent application
* Client：負責 protocol communication
* Server：提供 tools capability

MCP 的重要性在於，它將「LLM 的語言理解能力」與「外部世界的 software capability」連接起來，成為 Agentic AI 架構中的重要基礎 layer。

參考資料:

Master AI Agents in 30 days: build 8 real-world projects with OpenAI Agents SDK, CrewAI, LangGraph, AutoGen and MCP., Ed Donner