一、MCP 是否了解请陈述 MCP 的原理与应用1. 什么是 MCPMCPModel Context Protocol模型上下文协议是由 Anthropic 公司于 2024 年 11 月推出并开源的一套开放标准旨在标准化 AI 模型与外部工具、数据源之间的交互方式。简单来说MCP 就像 AI 世界的「USB-C 接口」——它为各类 AI 应用提供统一的连接标准让大语言模型LLM能够安全、高效地与外部资源和工具交互。它解决了 AI 系统与外部工具集成时的「M×N 集成难题」过去每个模型都要为每个工具单独编写连接代码复杂度和维护成本呈指数级增长而 MCP 用统一协议将连接收敛为「MN」新增工具或模型时无需重复造轮子。2. 架构设计Host / Client / Server 三分天下MCP 采用经典的客户端-服务器架构Client-Server Architecture其精妙之处在于清晰划分了各组件的职责边界从而实现安全高效的交互。整个架构由三个核心组件构成MCP 主机Host运行 LLM 的主程序可以是智能聊天机器人、自动化工作流系统或 IDE 插件等。主机是一切需求的起点并提供权限控制与用户授权。例如用户提出需求时主机负责初始化请求并确保只有经授权的操作才会执行。MCP 客户端Client运行在 AI 应用内部充当「专职联络员」负责与特定工具服务器建立并维持一对一的加密通信。每个连接独立管理保证会话隔离与安全客户端还负责协议转换——把主机请求转成标准 MCP 消息再把服务器响应返回主机。MCP 服务器Server轻量级网关把特定功能或数据源如 GitHub API、本地数据库、企业 ERP通过 MCP 协议暴露出来。每个服务器提供一组明确定义的能力资源Resources、工具Tools、提示词Prompts与采样Sampling。服务器实现具体业务逻辑但通过 MCP 封装这些细节对客户端与主机透明。MCP 自身的定位是一个高效的「交通调度系统」专注于在模型与工具之间安全、有序地传递指令与数据而不处理复杂业务逻辑。这种清晰的边界划分既保证了安全也让问题排查与系统扩展变得简单。3. 四大核心功能模块MCP 定义了四个核心功能模块标准化了模型与外部环境的交互方式资源Resources只读数据访问如本地文件、数据库记录、API 查询结果。每个资源通过 URI 标识如file://config.json客户端可通过resources/list与resources/read发现并读取。这使得模型能动态获取外部知识实现检索增强生成RAG先检索再生成。工具Tools可执行函数如发邮件、执行代码、创建仓库等。工具可能改变系统状态因此调用前需用户显式授权。调用遵循请求-响应模式callTool让模型不仅能「给信息」还能「做操作」大幅扩展应用边界。提示词Prompts预定义模板如「生成 SQL{user_question}」用于标准化常见任务的输入格式可包含少样本示例few-shot帮助模型更好地理解如何完成任务。采样Sampling允许服务器主动请求模型推理支持递归 LLM 交互——服务器可反向向客户端寻求推理服务实现双向智能交互。例如一个数据分析工具可请模型帮助解释复杂的统计结果。4. 通信协议与传输机制MCP 建立在JSON-RPC 2.0之上——一个轻量级远程过程调用协议使用 JSON 交换数据。它提供了可预测的消息结构请求、响应、错误的标准格式使协议简单、跨语言兼容。目前定义了两类标准传输机制stdio标准输入输出客户端将服务器作为子进程启动服务器通过 stdin 接收 JSON-RPC 消息、通过 stdout 回写响应消息以换行符分隔且不得嵌入换行符。适合本地开发工具低延迟、简单可靠。HTTP with SSE服务器作为独立进程运行可处理多客户端连接需提供两个端点——SSE 端点客户端建立连接并接收消息与 HTTP POST 端点客户端发送消息。支持远程连接与流式传输适合云端应用与实时更新场景。此外MCP 允许自定义传输机制可在任何支持双向消息交换的通道上实现如 WebSockets、原始 socket灵活性很高能适配各种网络环境。5. 延伸MCP 与其他智能体协议的对比面试官还追问了 MCP 与 Agent 类协议的区别这里一并整理MCP模型上下文协议解决「AI 与工具之间」的连接问题。A2AAgent-to-Agent 协议Google 提出解决「智能体与智能体之间」的协作问题。ANPAgent Network Protocol智能体网络协议开源协议旨在构建开放、安全、去中心化的「智能体互联网」。特点① 去中心化设计以智能体为中心各智能体平等参与② 跨平台互操作支持不同框架、不同供应商的智能体互联互通③ 适用于物联网、边缘计算、跨组织协作等去中心化场景④ 开源社区驱动强调开放性与社区贡献。AGORA新兴智能体通信框架专注「从自然语言到协议」的智能转换强调人机交互与动态协议生成。机制包括自然语言接口将自然语言指令转化为结构化协议、动态协议生成按任务需求动态生成通信协议、语义推理结合语义网技术增强复杂任务理解、混合架构CS 与 P2P 混合。特点用户友好、自适应协作适用于教育、医疗等强人机交互场景但目前仍处实验阶段生态支持较弱潜力巨大。一句话总结MCP 管「模型接工具」A2A / ANP / AGORA 管「智能体之间怎么聊」层次不同、互补而非替代。二、LLM 调参常用参数有哪些调整会带来什么影响大模型推理阶段有七个最常用、最重要的调节参数1. 最大令牌数Max tokens单次响应能生成的令牌数量上限取值 1 到模型 token 限制。设置过低会导致输出被截断设置过高则可能浪费计算资源。2. 温度Temperature取值 0~2控制生成的随机性低温≈0输出确定、可预测高温0.7~1.0更有创造性与多样性但也可能引入噪声或无关内容。建议问答、聊天机器人等任务用较低温度头脑风暴、创意写作等用较高温度。3. Top-k取值 1~∞把下一个令牌的采样范围限制在概率最高的 k 个内如 k5 只从这 5 个里选。有助于增强模型专注度但 k 值过小容易导致输出重复。4. Top-p核心采样 / Nucleus Sampling取值 0~1从一个「概率质量总和达到 p 的最小令牌集合」中采样如 top-p0.9 只考虑累计概率达 90% 的令牌。相比 Top-k 更灵活能在生成内容的一致性与多样性之间取得平衡。5. 频率惩罚Frequency penalty取值 -2~2降低模型重复使用已频繁出现令牌的倾向。正值抑制重复摘要任务可借此避免冗余负值放大重复诗歌创作可借此实现有意为之的重复。6. 存在惩罚Presence penalty取值 -2~2鼓励模型引入当前文本中尚未出现的新令牌。值越高越追求新颖值越低越倾向沿用已有模式。非常适合需要探索多样化观点的生成任务。7. 停止序列Stop sequences自定义令牌列表模型一旦生成其中任意一个便立即停止。对 JSON 等结构化输出至关重要可防止模型生成多余文本让你无需复杂提示工程即可强制严格的响应边界。以上即为本次面试两道题的完整回答思路。希望对准备大模型 / AI 应用岗的同学有所帮助也欢迎在评论区交流补充。