Anthropic 正式开源 Model Context Protocol
2026 年 9 月，Anthropic 正式开源 Model Context Protocol（MCP），同步宣布 Claude Desktop 应用已支持本地 MCP 服务器、公开发布一批预构建的 MCP 服务器开源代码库，并开放 MCP 服务器构建 SDK。所有 Claude.ai 计划用户均可连接 MCP 服务器至 Claude Desktop；Claude for Work 客户可开始本地测试 MCP 服务器，连接内部系统与数据集。
- 发布时间：2026 年 9 月
- 可用时间：立即可用（预构建服务器与 SDK 已公开）
- 部署支持：本地 claude Desktop 端已集成；远程生产部署工具包将 soon 提供（Claude for Work）
- 开源性质：完全开源，项目由 Anthropic 的 David Soria Parra 与 Justin Spahr-Summers 创建
- MCP 能力：支持双向、安全连接；数据源可通过 MCP 服务暴露；AI 应用可作为 MCP 客户端连接服务
协议核心：统一连接碎片化数据源
MCP 的提出源于当前 AI 面临的典型困境：即使最复杂的模型仍受限于信息孤岛。现有方案中，每接入一个新数据源皆需独立定制实现，致使系统难以规模化。MCP 提供一种通用开放标准，替换碎片化集成方式，为 AI 系统提供更简洁、可靠的访问路径。
ncia 与 Block、Apollo 已率先集成 MCP；开发工具厂商 Zed、Replit、Codeium 与 Sourcegraph 正推进 MCP 适配工作。这些实践表明，MCP 可帮助 AI Agent 在编码任务中更准确检索相关信息，从而理解上下文、生成更精细且可运行的代码，降低重复尝试次数。Block 首席技术官 Dhanji R. Prasanna 指出，开源技术是连接 AI 与真实应用的桥梁，可确保创新开放透明、扎根协作。
一个值得注意的反差在于：当前多数 Agent 架构依赖 RAG（Retrieval-Augmented Generation，检索增强生成）或私有插件方案，而 MCP 直接定义跨系统通信协议层，不依赖特定应用框架，更接近基础设施级抽象。这不同于 LangChain/LangGraph 等侧重 Agent 编排的库——MCP 聚焦底层连接标准，二者形成互补而非替代。
MCP 三大组件清单
- MCP 规范与 SDK：开发者可借此构建服务端（exposing data）或客户端（AI apps）
- Claude Desktop 本地支持：允许连接本地运行的 MCP 服务器（目前仅限 claude for Work 用户）
- 开源 MCP 服务器仓库：首批预构建服务器包括 Google Drive、Slack、GitHub、Git、Postgres、Puppeteer
社区与落地路径
Anthropic 明确将 MCP 定位为协作型开源项目，鼓励开发者、企业及早期使用者共同建设。本地 MCP 服务器构建门槛较低：Claude 3.5 Sonnet 擅长快速生成 MCP 服务端实现代码，组织或个人可高效完成关键数据集的接入。用户可通过 Claude Desktop 安装预构建服务器；也可参考快速入门指南自行开发。
MCP 与传统方案对比
| 维度 | 传统私有集成 | RAG / 技术插件方案 | MCP（标准协议） |
|---|---|---|---|
| 标准化程度 | 无标准，定制开发 | 多依赖应用层库（如 LangChain） | 通用开放协议，跨系统兼容 |
| 复用性 | 数据源绑定，难复用 | 代码逻辑耦合，迁移成本高 | 协议统一，服务可替换 |
| 通信方向 | 通常单向检索 | 多为单向检索，少数支持调用 | 双向安全连接 |
| 生态扩展 | 每新增源需重造轮子 | 需适配不同 Agent 框架 | 开源社区共建，生态自然扩展 |
注：MCP 未指定推理模型，仅解决数据连接问题，因此可与任何 Claude 或第三方模型协同。
读者落地建议
- 适合哪些人立即尝试：需要快速接入 GitHub/Postgres/Google Drive 等已有系统的开发团队；正在构建 Agent 编排能力、希望底层接入标准化的平台厂商；希望减少 RAG 换源成本的技术决策者。
- 建议再等等再行动的场景：尚未部署本地 claude Desktop 的企业用户需等待远程 MCP 服务器部署工具包；期待 MCP 直接解决硬件控制或物理设备操作的团队，应关注 Anthropic 同步发布的 Model Hardware Standard（MHS） Preview。
写在最后
MCP 的推出将协议层从"应用内插件"提升为"跨系统通信标准"，有望终结 AI 数据接入的碎片化时代。当连接成本趋近于零，AI 系统的真正考验将转向上下文理解深度与业务流程适配能力