Model Context Protocol (MCP)

你可以在 Cloudflare 上构建并部署 Model Context Protocol (MCP) ↗ 服务器。

什么是 Model Context Protocol (MCP)?

Model Context Protocol (MCP) ↗ 是一项把 AI 系统与外部应用连接起来的开放标准。可以把 MCP 想象成 AI 应用的 USB-C 接口:就像 USB-C 提供了一种标准化方式,把你的设备连接到各种配件,MCP 提供了一种标准化方式,把 AI Agent 连接到不同的服务。

MCP 术语

MCP Hosts:需要访问外部能力的 AI 助手(如 Claude ↗ 或 Cursor ↗)、AI Agent 或应用程序。
MCP Clients:嵌入在 MCP host 中的客户端,负责连接 MCP 服务器并调用工具。每个 MCP client 实例与一台 MCP 服务器维持单一连接。
MCP Servers:对外暴露工具、prompts ↗ 和 resources ↗ 的应用程序,可供 MCP client 使用。

远程 MCP 连接 vs. 本地 MCP 连接

MCP 标准支持两种工作模式:

远程 MCP 连接:MCP client 通过互联网连接到 MCP 服务器,使用 Streamable HTTP 建立连接,并通过 OAuth 授权 MCP client 访问用户账户中的资源。
本地 MCP 连接:MCP client 连接到运行在同一台机器上的 MCP 服务器,使用 stdio ↗ 作为本地传输方式。

最佳实践

工具设计:不要把 MCP 服务器当成对完整 API 模式的简单包装。应当围绕特定的用户目标和可靠的结果来构建工具。少而精心设计的工具往往优于大量细粒度的工具,尤其是在 Agent 的上下文窗口较小或延迟预算紧张时。
权限范围:部署多个聚焦的 MCP 服务器,每个服务器只授予严格限定的权限,可以降低权限过大的风险,也更便于管理和审计每台服务器被允许做的事情。
工具描述:详细的参数描述能帮助 Agent 正确使用你的工具,包括期望的取值、它们如何影响行为,以及任何关键约束。这能减少错误并提升可靠性。
评估测试:使用评估测试(evals)来衡量 Agent 正确使用你工具的能力。在每次更新服务器或工具描述后运行这些测试,可以尽早发现回归并跟踪长期的改进情况。

开始使用

请前往 Getting Started 指南,了解如何构建并向 Cloudflare 部署你的第一台远程 MCP 服务器。