MCP
RAG的局限性
对于AI来说,RAG仅仅是外部知识库,AI只起到一个总结效果。而总结的效果取决于向量相似度匹配,可能遗漏关键信息。
direction: right 结构化数据 -> 文本块 非结构化数据 -> 文本块
文本块 -> 向量数据库 -> 检索文本块 -> 生成最终响应
|
- 生成内容不完整:RAG处理的是文本的切片,因此无法看到整篇文档信息。
- RAG无法判断需要多少切片才能解决问题。
- 多轮检索能力弱。
MCP基础
Function Calling
Coze的Agent就是基于Function Calling思路封装的。
不过Function Calling成本比较高,需要模型经过专门训练微调才能稳定支持。
这导致有些模型不支持某些插件的调用(例如Trae只有选择Sonnet、GPT等模型才可以处理图片)。
另外,Function Calling不是一项标准,许多模型的实现细节不一样。
Model Context Protocol
MCP是一项标准协议,简单来说就是通用的接口,使AI-外部工具/数据源交互标准化、可复用。
Claude Desktop、Cursor这样的工具在内部实现MCP Client,这个Client通过MCP协议与MCP Server(由服务提供公司自己开发,实现访问数据、浏览器、本地文件等功能,最终通过MCP返回标准格式)交互,最终在MCP Host上展示。
MCP 传输方式
STDIO,本地环境
SSE,并发量不高,单向通信
Streamable HTTP,高并发,需要维护长连接
指标 |
Function Calling |
Model Context Portocol |
协议 |
私有协议 |
开放协议 |
场景 |
单次函数调用 |
多工具协同 + 数据交互 |
接入方式 |
函数直接接入 |
需要MCP Server + MCP Client |
耦合度 |
工具与模型绑定 |
工具开发与Agent开发解耦 |
调用方式 |
API |
Stdio/SSE |