✨点击上方关注☝️，追踪不迷路！

一、什么是 MCP？

MCP（Model Context Protocol）是一种开放协议，它标准化了应用程序如何向大型语言模型（LLMs）提供上下文。可以将 MCP 想象成 AI 应用程序的 USB-C 接口——正如 USB-C 提供了标准化的方式来连接设备与各种外设和配件一样，MCP 提供了标准化的方式来连接 AI 模型与不同的数据源和工具。

MCP 使你能够在 LLM 之上构建代理和复杂工作流，并将你的模型与外部世界连接起来。它提供了一套标准规则，让 AI 模型能够理解如何获取上下文信息、如何与外部工具交互，以及如何处理和利用返回的结果。

二、为什么要学习 MCP？

MCP 为 AI 生态系统带来了许多重要价值：

1. 丰富的预构建集成：MCP 提供了一系列预构建的集成，你的 LLM 可以直接接入使用
2. 标准化的自定义集成方式：为 AI 应用程序提供了标准化的方式来构建自定义集成
3. 开放的协议：每个人都可以自由实现和使用 MCP 协议
4. 灵活性：允许在不同应用之间切换并携带你的上下文

对于开发者和 AI 用户来说，学习 MCP 意味着你可以充分利用 AI 模型与外部工具的协同能力，构建更加强大和实用的 AI 应用。

三、MCP 的基本工作原理

MCP 协议的核心工作原理是建立 AI 模型与外部数据源、工具之间的标准化通信桥梁。以下是 MCP 的基本工作流程：

1. 上下文获取：MCP 服务从各种数据源收集上下文信息
2. 标准化处理：将上下文信息转换为标准格式
3. 模型交互：将标准化的上下文传递给 AI 模型
4. 工具调用：根据模型需求，通过 MCP 协议调用外部工具
5. 结果返回：将工具执行结果格式化后返回给模型

在 Trae IDE 这样的开发环境中，AI 助手正是通过 MCP 协议来调用代码搜索、文件编辑、命令执行等各种功能，从而更好地理解代码库上下文，为开发者提供更精准的帮助。

四、如何在 Trae IDE 中配置 Gitee MCP 服务

Gitee 提供了 MCP 服务，允许 Trae IDE 通过 MCP 协议与 Gitee 平台进行交互。下面是在 Trae 中配置 Gitee MCP 服务的步骤：

1. 获取 Gitee 访问令牌

首先，你需要在 Gitee 上创建一个访问令牌，用于 Trae IDE 与 Gitee MCP 服务之间的身份验证：

1. 登录你的 Gitee 账号
2. 进入「设置」→「安全设置」→「私人令牌」
3. 点击「生成新令牌」，选择需要的权限（如 repo、user_info 等）
4. 保存生成的令牌，这将用于后续配置

2. 在 Trae IDE 中配置 Gitee MCP 服务

在 Trae IDE 中，你可以通过以下 JSON 配置来连接 Gitee MCP 服务：

{
  "mcpServers": {
    "gitee": {
      "url": "https://api.gitee.com/mcp",
      "headers": {
        "Authorization": "Bearer <私人令牌>"
      }
    }
  }
}

其中，<私人令牌> 是你在第一步中获取的 Gitee 访问令牌。你可以将此配置添加到 Trae IDE 的 MCP 服务配置文件中。

3. 测试 Gitee MCP 服务连接

在 Trae IDE 中测试 Gitee MCP 服务连接的实际操作步骤如下：

1. 打开 Trae IDE 的 MCP 服务配置面板
2. 选择你刚刚配置的 Gitee MCP 服务
3. 点击服务配置旁边的「开启连接」按钮
4. Trae IDE 会自动向 Gitee MCP 服务发送一个简单的请求来验证连接是否正常
5. 观察测试结果：如果连接成功，你会看到服务会有一个绿色勾，并可能显示一些基本的用户信息摘要；如果连接失败，会有红色感叹号，点击会显示具体的错误信息

通过这种方式，你可以确认 Gitee MCP 服务配置是否正确，以及能否正常与 Gitee 平台通信。

4. 开始使用

在trae对话中输入@切换到对应的builder with MCP 智能体，并输入“帮我查询我的 gitee 有多少个仓库？” 如下图

五、在 Trae IDE 中配置 MCP 服务

在 Trae IDE 中，你可以通过两种方式添加和配置 MCP 服务：从市场添加或手动添加。下面将详细介绍这两种配置方法。

5.1 从市场添加 MCP 服务

Trae IDE 提供了 MCP 市场，其中包含了社区中热门的 MCP 服务，你可以直接从中选择并添加：

操作步骤：

1. 在 AI 侧边对话框的右上角，点击「设置」图标
2. 选择「MCP」页签
3. 点击「+ 添加 MCP Servers」按钮；或点击右上角的「+ 添加」按钮，然后在菜单中选择「从市场添加」
4. 在打开的 MCP 市场中，浏览并找到你需要的 MCP 服务
5. 点击该服务右侧的「+」按钮
6. 在弹出的配置窗口中，填写必要的配置信息

注意事项：

• 对于标记为「Local」的 MCP 服务，需要在本地安装 NPX 或 UVX 后才能使用
• 配置内容中的环境变量信息（如 API Key、Token、Access Key 等字段）须替换为你的真实信息
• 填写完成后，点击「确认」按钮保存配置

5.2 手动添加 MCP 服务

如果你需要添加的 MCP 服务不在市场中，或者你想使用自己开发的 MCP 服务，可以通过手动添加的方式：

操作步骤：

1. 在 AI 侧边对话框的右上角，点击「设置」图标，然后在菜单中选择「MCP」
2. 进入 MCP 配置界面后，点击右上角的「+ 添加」按钮，然后在菜单中选择「手动添加」
3. 在弹出的「手动配置」窗口中，填写 MCP 服务的详细配置

配置建议：

• 优先使用 NPX 或 UVX 配置方式
• 如果你希望添加一个全新的 MCP 服务，可以参考 MCP 官方文档中的协议规范
• 配置完成后，点击「确认」按钮保存设置

5.3 配置系统环境

为确保 MCP 服务能够正常启动和运行，你可能需要安装以下工具：

5.3.1 安装 Node.js

NPX 工具依赖于 Node.js 环境（版本需大于等于 18）：

1. 前往 Node.js 官网，下载并安装 Node.js 18 或更高版本
2. 安装完成后，在终端中运行以下命令确认安装成功：

   node -v
   npx -v
   

3. 若安装成功，终端会输出相应的版本号
4. 重启 Trae IDE，使 Node.js 环境生效

5.3.2 安装 uvx（Python 工具）

uvx 是基于 Python 的快速执行工具，用于运行 Python 脚本的 MCP 服务：

1. 前往 Python 官网，下载并安装 Python 3.8 或更高版本
2. 安装完成后，在终端中运行以下命令确认安装成功：

   python --version
   

3. 执行以下命令安装 uv（包含 uvx）：
   • macOS / Linux 系统：

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

   • Windows 系统（PowerShell）：

     powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"
     

4. 安装完成后，运行以下命令验证：

   uvx --version
   

5.3.3 安装 Docker（可选）

如果你需要使用 GitHub MCP Server，则需要安装 Docker：

macOS 系统：

• 手动安装：前往 Docker 官方网站，下载适用于 macOS 的 Docker Desktop 安装包（.dmg 文件）
• 使用 Homebrew 安装：brew install --cask docker

Windows 系统：

• 前往 Docker 官方网站，下载并安装 Docker Desktop，确保勾选「Use the WSL 2 based engine」选项

验证安装：

 docker --version
docker info

5.4 MCP 服务传输类型

在 Trae IDE 中，MCP Server 支持三种传输类型：

1. stdio 传输：通过标准输入/输出进行通信，适用于本地运行的 MCP 服务
2. SSE 传输：Server-Sent Events 传输，支持服务端向客户端推送事件
3. Streamable HTTP 传输：支持流式 HTTP 通信的传输方式

根据你选择的 MCP 服务类型，Trae IDE 会自动选择合适的传输方式。

六、MCP 开发资源

如果你想深入了解 MCP 协议或开发自己的 MCP 服务，可以参考以下资源：

1. 官方 SDK：MCP 提供了多种语言的官方 SDK，包括 Python、JavaScript、Java 等，这些 SDK 处理了协议细节，让你可以专注于构建功能
2. 协议规范文档：详细说明了 MCP 协议的请求和响应格式、数据类型等技术细节
3. 示例代码库：包含了各种 MCP 服务和客户端的示例实现
4. 社区论坛：可以与其他开发者交流 MCP 开发经验和问题

七、总结

MCP（模型上下文协议）是连接 AI 模型与外部世界的重要桥梁，它通过标准化的方式，让 AI 模型能够获取上下文信息并调用各种外部工具。在 Trae IDE 中，AI 助手正是通过 MCP 协议来提供代码搜索、文件编辑、命令执行等强大功能。

通过本文的介绍，你应该已经了解了 MCP 的基本概念、工作原理以及在 Trae IDE 中配置和使用 Gitee MCP 服务的方法。随着 AI 技术的不断发展，MCP 协议的重要性将会越来越凸显，它将为 AI 应用提供更广阔的可能性。

如果你想进一步学习 MCP，可以访问官方文档或加入 MCP 社区，与其他开发者一起探索 MCP 的更多可能性。

---

延伸阅读：

• MCP 协议官方文档
• Trae IDE 官方文档

最后，创作不易请允许我插播一则自己开发的小程序广告，感兴趣可以访问体验：

【「合图图」产品介绍】

• 主要功能为：本地添加相册图片进行无限长图高清拼接，各种布局拼接等

• 安全：无后台服务无需登录，全程设备本地运行，隐私100%安全；

• 高效：自由布局+实时预览，效果所见即所得；

• 高清：秒生高清拼图，一键保存相册。

• 立即体验 →合图图 或微信小程序搜索「合图图」

如果觉得本文有用，欢迎点个赞👍和收藏⭐支持我吧！

🔗 懒人直看版

一图胜千言，我们用一个表格来总结下它们的关系和区别：

特性	MCP (模型上下文协议)	RAG (检索增强生成)	Agent (智能体)	Function Call (函数调用)
核心思想	标准化 AI 与外部数据/工具的通信协议	检索外部知识 + 增强提示 + 生成回答	LLM驱动的自主决策与任务执行系统	LLM请求执行外部预定义函数/工具的能力
本质	协议/规范	技术框架/方法	系统/应用范式	模型能力/特性
通俗比喻	标准化的 USB 接口	写论文前先查资料	能干的私人助理	助理按指令使用工具
关系链	可作为 Agent 调用工具的底层标准	常被 Agent 用作获取知识的手段	核心指挥官，使用 RAG/Function Call 等工具	Agent 执行具体动作的基本手段

1. 大语言模型（LLM）的缺陷

LLM（如GPT-4、Claude）它的核心能力是：

✅ 根据输入的文字，预测最合理的下一段文字。

但它有三大硬伤：

缺陷1：知识截止性

• LLM的训练数据停留在某个时间点（比如GPT-4是2023年10月），无法主动获取新知识。
• 后果：问它“今天天气如何？”它只能回答：“根据我的知识库，2023年10月之前上海7月平均气温是…”

缺陷2：无法操作现实世界

• LLM只是一个“大脑”，没有手和眼睛，不能：

  • 调用API（比如查天气、发邮件）
  • 读取本地文件（比如整理你的D盘）
  • 控制智能家居（比如关灯）

缺陷3：短期记忆有限

• LLM的上下文窗口（比如GPT-4-turbo是128K tokens）决定了它能“记住”的对话长度。
• 后果：聊到第50句时，它可能已经忘了你第1句说过“我不喜欢打乒乓球”。

2. 四大技术如何补足LLM？

（1）Agent（智能体）—— AI的“决策中枢”

• 这是啥？ Agent（智能体）是一个更高级、更自主的 AI 系统。它以 LLM 作为核心“大脑”，不仅能理解你的目标，还能自己思考、规划步骤，并主动调用工具（比如 RAG 和 Function Call）来执行任务，与外部环境互动。
• 为啥要它？ 为了完成那些光靠聊天解决不了的复杂任务，比如“帮我规划下周去上海的出差行程，包括订机票酒店，并把日程发给我”。
• 通俗比喻： Agent 就像一个超级能干的私人助理。你给个目标，它自己就能拆解任务、查信息（可能用 RAG 查公司差旅标准，用 Function Call 查航班酒店）、做决策、执行操作（用 Function Call 调用预订 API），最后给你结果。它是有自主“行动力”的。

Agent的三大核心能力

1. 任务规划（Planning）

• 用户说：“帮我订一张明天北京飞上海的机票，选靠窗座位。”

• Agent拆解：

  • ① 查航班（调用RAG或Function Call）
  • ② 筛选符合时间的航班
  • ③ 调用订票API（Function Call）
  • ④ 确认座位偏好（MCP记忆用户喜欢靠窗）

2. 工具调用（Tool Use）

• Agent知道什么时候该用哪个外挂：

  • 需要最新数据 → 调用RAG
  • 需要操作现实世界 → 调用Function Call
  • 需要记忆用户习惯 → 调用MCP

3. 自我反思（Self-Reflection）

• 如果任务失败（比如航班已售罄），Agent会尝试替代方案（查高铁票）。

Agent的典型架构

用户输入 → Agent大脑（LLM） → 决策  
                        ↓  
         RAG Function Call MCP  
           ↓        ↓         ↓  
        查资料   调API     读记忆

（2）RAG（检索增强生成）—— AI的“实时搜索引擎”

• 这是啥？ RAG (Retrieval-Augmented Generation) 是一种让 AI 回答更靠谱的技术框架。简单说，就是在 AI 回答问题 之前，先让它去指定的资料库（比如公司内部文档、最新的行业报告）里查找 相关信息。
• 为啥要它？ 防止 AI一本正经地“胡说八道”（专业术语叫“幻觉”），让它的回答基于最新的、准确的、特定的事实依据。
• 通俗比喻： 好比你写论文要引用最新数据。你不会光凭记忆（LLM 的内部知识）瞎写，而是会先去图书馆或数据库查资料 (检索) ，把找到的关键信息整合 (增强)进你的论据里，最后才下笔写作 (生成) 。RAG 就是让 AI 也学会这种“先查再答”的好习惯。
• 简单例子： 你问 AI：“我们公司最新的报销政策是啥？” RAG 系统先去公司内部知识库检索“报销政策”文档，找到相关段落。然后把这些段落和你的问题一起“喂”给 AI，AI 参考着这些最新政策，给你一个准确的回答。

RAG的工作流程

1. 用户提问：“2024年欧洲杯冠军是谁？”

2. 检索模块：

   • 去数据库/互联网搜索“2024欧洲杯 冠军”
   • 返回相关段落（比如：“西班牙2-1英格兰夺冠”）

3. 生成模块：LLM把检索结果整合成自然语言回答。

RAG的两种用法

• 主动式：用户明确要求查资料（“帮我查最新的医保政策”）
• 被动式：Agent自动触发（当LLM发现自己数据过时，悄悄让RAG补课）

RAG的局限性

• 依赖检索质量（如果数据库没更新，照样答错）
• 不适合动态数据（比如股票实时价格，更适合用Function Call调API）

---

（3）Function Call（函数调用）—— AI的“机械手”

• 这是啥？ 它允许 LLM 在需要的时候，请求外部程序帮它做点事。注意，是“请求”，不是“亲自做”。
• 为啥要它？ 因为 LLM 自己查不了实时股价、订不了机票、发不了邮件。有了 Function Call，LLM 就能“指挥”其他工具来完成这些操作。
• 通俗比喻： 就像你让智能音箱帮你“查下今天北京天气”。音箱（LLM）自己感知不到天气，但它知道要去调用“天气查询”这个App（预定义的函数/工具）。它生成指令（“查北京天气”），App 执行后把结果（“晴，25度”）告诉音箱，音箱再用自然语言告诉你。
• 简单例子： 你问 AI：“AAPL 股价多少？” AI 判断需要查实时数据，于是生成一个“请求”：{调用函数: "查股价", 参数: {"股票代码": "AAPL"}}。外部程序收到请求，查询API，返回结果 {"价格": 180.50}。AI 再根据这个结果回答你：“苹果当前股价是 180.50 美元。”

Function Call的执行流程

1. LLM识别用户意图（“这是一个天气查询请求”）
2. LLM生成结构化参数（{ "location": "上海", "date": "2024-07-30" }）
3. 系统调用天气API，返回数据（{ "temp": 28℃, "rain": true }）
4. LLM把API结果转换成人类语言：“明天上海28℃，有雨，记得带伞！”

由于它可以让开发者自由定义函数和API调用方式，所以当不同开发者采用不同方式时，就会出现不通用的问题，导致普及困难且需要重复开发。 这就再次凸显出MCP的重要性。

为什么不能直接用API？

因为普通用户不会写代码！Function Call的本质是 “把自然语言翻译成API调用”。

（4）MCP（模型上下文协议）—— AI的“记忆增强”

• 这是啥？ MCP (Model Context Protocol) 是 Anthropic 公司（就是搞出 Claude 那个）在 2024 年底提出并开源的一种标准化通信协议。它定义了一套规则，让 AI 应用（客户端）能以统一的方式，与各种外部数据源或工具（服务器）进行交互。
• 为啥要它？ 想象一下，如果每个工具都有自己独特的接口，那 Agent 想用多个工具时，岂不是要学 N 种“方言”？MCP 就是想统一这个接口标准，让工具“即插即用”。
• 通俗比喻： MCP 就像是给 AI 大脑和外部工具之间制定了一个通用的 USB 接口标准。无论是本地文件系统、数据库，还是 GitHub 这些应用，只要它们提供符合 MCP 标准的“服务器”，AI 应用（客户端）就能轻松连接并使用它们的功能，无需为每个工具单独适配。

比如我想让Cursor（不限制任何模型）总结这篇文章并将所有图片都下载到本地，以前单纯的自然语言指令是实现不了的，现在有了MCP，就可以接入fetch MCP（专门做信息抓取的），在Agent模式下实现大模型对这些外部信息的抓取。

需要注意的是：

MCP并不绑定任何大模型，也就是你可以在支持MCP的工具（目前包括但不限于Claude客户端、Cursor等）中，在任何大模型下使用MCP。

之所以单独提到这点，是因为和Function Call**有所区别。

如果单从概念上看，大家是不是觉得MCP和Function Call还挺像的，都是让大模型更好地获取外部信息。

实际上，Function Call通常是和大模型绑定的（而MCP并不绑定任何大模型），也不是所有大模型都支持Function Call功能，以扣子中的DeepSeek-R1为例，它有两种模型：

一种是原生DeepSeek R1，一种是支持Function Call版本（扣子自己推出的），后者可以在Single-Agent模式下调用各类扣子工具（插件、工作流、知识库）。

---

3. 四大技术如何协同作战？

实战案例：用户说“帮我规划一个周末上海游”

（1） Agent拆解任务：

-   ① 查上海景点（RAG）
-   ② 查用户偏好（MCP：上次用户说“讨厌排队”）
-   ③ 订门票/餐厅（Function Call）

（2） RAG检索最新信息：

-   从旅游网站抓取“2024年上海必去景点”，排除需要排队的。

（3） Function Call执行操作：

-   调用携程API订外滩观景台门票
-   调用大众点评API订一家不排队的本帮菜

（4） MCP持续记忆：

-   记录用户本次选择了“文艺路线”，下次推荐博物馆而非游乐场。

（5） LLM生成最终回复：

> “为您规划了轻松文艺的上海周末游：
>
> -   周六上午：参观浦东美术馆（已订票，免排队）
> -   周六中午：在「老吉士」吃正宗本帮菜（已订座）
> -   周日下午：漫步武康路历史街区（免费）  
>     需要调整随时告诉我~”

---

4. 总结

总结来说：

Agent是一种AI应用，能感知环境、规划任务并调用服务（外部工具、数据库等，包括调用MCP Servers、Function Call）完成任务；如果Agent想要更好地完成任务，一般需要接入足够多的外部工具，而外部工具的接入千差万别；

Function Call是大模型本身的一种能力，可以调用外部函数或API以增强大模型能力，但它同样面临着不同开发者自由定义导致的不标准问题；

MCP则是给AI应用提供了一套标准化协议，方便AI应用更好地访问外部工具，以提升大模型的响应能力。

最终效果：让AI不仅“能说会道”，还能“真办实事”！ 🚀