引言
2020 年 12 月，OpenAI 的副总裁 Dario Amodei 做了一个艰难的决定：带着 9 名核心成员离开这家全球最热门的 AI 公司。原因不是钱，不是权力，而是一个信念——AI 安全比 AI 能力更重要。他创立的公司 Anthropic，后来在 2024 年底发布了 MCP 协议，一个被称作「AI 工具的 USB 接口」的开放标准。这是 Dario 离开后交出的最重要答卷之一：不是让 AI 更强大，而是让 AI 更安全、更可控地连接世界。
Function Calling
核心概念
LLM 本身只能处理文本
Function Calling 让 LLM 能够「调用」外部函数
流程：
用户提问 → LLM 判断需要调用函数
→ 生成结构化的函数调用请求
→ 应用程序执行函数
→ 将结果返回给 LLM
→ LLM 基于结果回答用户工作流程
用户："北京今天天气怎么样？"
步骤 1 - LLM 判断：
需要调用天气 API
函数名：get_weather
参数：{"city": "北京"}
步骤 2 - 应用程序执行：
调用天气 API，获取结果
{"temperature": 22, "condition": "晴"}
步骤 3 - LLM 回答：
"北京今天天气晴朗，气温 22 摄氏度。"Function Calling 的定义
json
{
"name": "get_weather",
"description": "获取指定城市的天气信息",
"parameters": {
"type": "object",
"properties": {
"city": {
"type": "string",
"description": "城市名称"
}
},
"required": ["city"]
}
}工具的类型
| 类型 | 说明 | 示例 |
|---|---|---|
| 信息获取 | 查询外部数据 | 搜索、天气、股票 |
| 操作执行 | 执行动作 | 发邮件、建文件、调 API |
| 计算 | 精确计算 | 数学运算、代码执行 |
| 媒体处理 | 处理非文本内容 | 图像生成、语音合成 |
Anthropic 的故事：从分裂到 MCP
Dario Amodei 的抉择
DA1983-
Dario Amodei
Anthropic CEO，前 OpenAI 副总裁
"我们不仅需要让 AI 变得更强大，更需要确保 AI 是安全的、可控的。"
2020.12Dario Amodei 带 9 人离开 OpenAI，创立 Anthropic，专注于 AI 安全
2021Anthropic 提出「大计算团」（Big Blob of Compute）假说——理解大模型的内部运作
2023.3发布 Claude 模型，主打安全与可控
2024.3发布 Claude 3，多项基准测试超过 GPT-4
2024.11发布 MCP 协议——「AI 工具的 USB 标准接口」
Dario 离开 OpenAI 的根本原因，是他对 AI 安全的深度忧虑。在 OpenAI 内部，他和他的团队主张「在推进 AI 能力的同时，必须投入同等甚至更多资源来确保安全」。但 OpenAI 正在全力冲刺 GPT 的商业落地，安全研究被不断压缩。于是 Dario 带着 9 位志同道合者——包括他的妹妹 Daniela Amodei——创立了 Anthropic。他们的核心信念是：安全不是能力之后才考虑的问题，而是能力的基础。
MCP：模型上下文协议
「AI 工具的 USB 接口」
MCP（Model Context Protocol）是 Anthropic 在 2024 年底提出的开放协议，标准化了 AI 模型与外部工具和数据源的连接方式。
类比：
USB 是硬件设备的统一接口
MCP 是 AI 工具的统一接口
之前：
每个工具需要单独适配每个 AI 模型
N 个工具 × M 个模型 = N×M 个适配器
有了 MCP：
工具实现一次 MCP 接口 → 所有支持 MCP 的模型都能用
N 个工具 + M 个模型 = N+M 个适配器在 USB 出现之前，键盘用 PS/2 接口，打印机用并口，调制解调器用串口——每个设备都有自己的专用线缆。MCP 之前的世界也是如此：每个 AI 工具都需要为每个模型单独开发适配器。MCP 的出现就像 USB 一样，用一个统一标准终结了这种混乱。
MCP 的架构
┌──────────┐ ┌──────────┐ ┌──────────┐
│ AI 模型 │◄───►│ MCP 客户端 │◄───►│ MCP 服务器 │
│ (Host) │ │ (Client) │ │ (Server) │
└──────────┘ └──────────┘ └──────┬───┘
│
┌────┴────┐
│ 外部资源 │
│ 文件系统 │
│ 数据库 │
│ API │
└─────────┘MCP 提供的三种能力
| 能力 | 说明 | 示例 |
|---|---|---|
| Tools | 模型可以调用的函数 | 搜索文件、执行代码 |
| Resources | 模型可以读取的数据 | 文件内容、数据库记录 |
| Prompts | 预定义的提示模板 | 常用工作流模板 |
MCP 的优势
标准化：
所有工具遵循同一协议 → 开发者只需学一套
安全性：
客户端控制模型能访问哪些工具
工具执行需要用户确认
可组合：
多个 MCP 服务器可以同时连接
不同的工具可以灵活组合
生态系统：
开源社区贡献了大量 MCP 服务器
覆盖文件系统、数据库、Git、搜索等常见场景A2A：Agent 间通信协议
什么是 A2A？
A2A（Agent-to-Agent）协议解决的是不同 Agent 之间如何协作的问题。
单个 Agent 的局限：
一个 Agent 不可能擅长所有事情
A2A 的思路：
专业化的 Agent 互相协作
用户请求
│
▼
协调 Agent（理解意图、分配任务）
│
├──→ 编程 Agent（写代码）
├──→ 搜索 Agent（查找信息）
├──→ 分析 Agent（处理数据）
└──→ 报告 Agent（生成报告）
│
▼
协调 Agent 汇总结果 → 返回用户A2A 的核心概念
| 概念 | 说明 |
|---|---|
| Agent Card | 描述 Agent 的能力和接口 |
| Task | Agent 间传递的工作单元 |
| Message | Agent 间的通信消息 |
| Artifact | 任务产出的结果 |
实际应用
Claude Code + MCP 示例
Claude Code 是一个编程 Agent，通过 MCP 连接各种工具：
用户："帮我检查这个项目的测试覆盖率"
Claude Code 的执行流程：
1. 通过文件系统 MCP 读取项目文件
2. 分析项目结构，找到测试文件
3. 调用终端执行测试命令
4. 解析测试结果
5. 生成覆盖率报告
6. 如果覆盖率低，提出改进建议工具生态
常见的 MCP 服务器：
├── 文件系统 — 读写文件
├── GitHub — 管理 PR、Issue
├── 数据库 — 查询 PostgreSQL、MySQL
├── 搜索 — Google、Brave Search
├── Slack — 发送和读取消息
├── Git — 版本控制操作
├── Puppeteer — 浏览器自动化
└── 自定义 — 企业内部 API本节小结
| 概念 | 要点 |
|---|---|
| Function Calling | LLM 生成结构化的函数调用请求 |
| MCP | 标准化 AI 与工具的连接协议（工具的 USB） |
| MCP 三种能力 | Tools（函数）、Resources（数据）、Prompts（模板） |
| A2A | Agent 间通信协议，实现多 Agent 协作 |
| 意义 | AI 从「只会说话」到「能做事」的关键基础设施 |
思考题
- MCP 类比于 USB 标准。历史上标准化协议（如 USB、HTTP）对行业的影响是什么？MCP 能否复制这种成功？
- Function Calling 让 AI 可以执行操作，这带来了哪些安全风险？如何防护？
- Dario Amodei 选择安全而非速度来创建 Anthropic。在 AI 发展中，安全和能力之间应该如何平衡？