Skip to content

MCP 单独讲解:Agent / AI 应用开发面试版 ​

⏱ 阅读约 18 分钟 ⭐ 热门话题 📚 Agent 开发系列(4/5)

适用场景:Agent 开发、AI 应用开发、Java + Spring AI 项目面试 核心目标:让你能讲清楚 MCP 是什么、为什么出现、怎么实现、和 Tool Calling / RAG / Agent 的关系、如何落到你的项目里。


📚 Agent 开发系列:1. 面试扫盲 → 2. ReAct Agent → 3. Harness → 4. MCP(本篇) → 5. Skill

0. 一句话总结 ​

MCP,全称 Model Context Protocol,可以理解为“AI 应用连接外部工具、数据源和业务系统的统一协议”。

如果说传统后端通过 REST API、RPC、SDK 调用外部服务,那么在 Agent 应用里,MCP 试图提供一套统一方式,让大模型应用可以发现并调用外部工具、读取外部资源、复用提示词模板,从而减少每个工具都单独适配的成本。

面试里可以这样说:

MCP 是一种面向 AI 应用的上下文和工具接入协议。它把外部系统能力抽象成 Tools、Resources、Prompts 等标准能力,由 MCP Server 暴露出来,MCP Client 负责连接和发现这些能力,最终让 Agent 能以统一方式调用文件、数据库、搜索、业务接口等外部能力。它解决的是 Agent 工具生态标准化和跨系统集成的问题。


1. MCP 为什么会火? ​

1.1 Agent 应用发展的痛点 ​

随着 Agent 应用越来越复杂,系统通常不再只是:

text
用户问题 → 大模型回答

而是变成:

text
用户问题
→ 意图识别
→ 检索知识库
→ 调用业务工具
→ 访问数据库 / 文件 / 外部 API
→ 多轮规划
→ 输出结果

这会带来几个问题:

  1. 工具接入方式不统一
    每个系统都要单独写工具描述、参数 schema、鉴权逻辑、调用逻辑。

  2. 不同 Agent 框架难以复用工具
    同一个 GitHub 工具、数据库工具、文件工具,LangChain、Spring AI、OpenAI Agents、Claude Desktop 可能都要各写一套适配。

  3. 上下文来源越来越复杂
    Agent 需要读取文件、数据库、知识库、业务系统状态、运行日志,这些都需要标准化暴露给模型。

  4. 本地工具和远程工具都需要纳入 Agent 体系
    比如本地文件、IDE、浏览器、数据库、企业内部系统、SaaS 服务。

MCP 正是为了解决这类问题出现的。


2. MCP 的核心架构 ​

MCP 的基本架构通常包含三类角色:

text
Host Application
    ↓
MCP Client
    ↓
MCP Server
    ↓
External Systems

2.1 Host:宿主应用 ​

Host 是最终承载 AI 交互的应用,比如:

  • Claude Desktop
  • Cursor / AI IDE
  • 企业 AI 助手
  • 你的 Spring AI 后端服务
  • OpenAI Agents 应用
  • 自研 Agent 平台

Host 负责用户交互、模型调用、权限控制、结果展示等。

2.2 MCP Client:协议客户端 ​

MCP Client 通常嵌在 Host 里面,负责:

  • 连接 MCP Server
  • 初始化会话
  • 发现 Server 暴露的能力
  • 把工具、资源、提示词注册给 Agent
  • 转发 Agent 的工具调用请求
  • 接收工具返回结果

面试可以说:

MCP Client 是 Host 和 MCP Server 之间的协议适配层,它不直接处理业务逻辑,而是负责能力发现、协议通信和调用转发。

2.3 MCP Server:能力提供方 ​

MCP Server 负责把某个外部系统的能力标准化暴露出来,例如:

  • 文件系统 MCP Server
  • GitHub MCP Server
  • 数据库 MCP Server
  • 浏览器 MCP Server
  • 企业内部订单 MCP Server
  • 课程系统 MCP Server
  • 搜索 MCP Server

MCP Server 暴露的能力一般包括:

text
Tools      可被调用的动作
Resources  可被读取的上下文资源
Prompts    可复用的提示词模板

3. MCP 的三大核心能力 ​

3.1 Tools:工具 ​

Tools 是 MCP 中最像 Tool Calling 的部分。

它表示一个可被 Agent 调用的动作,例如:

text
query_course(courseId)
create_order(courseId, userId)
search_docs(keyword)
read_file(path)
send_email(to, subject, body)

一个 Tool 通常包括:

text
工具名称
工具描述
参数 schema
返回结构
调用逻辑
权限约束

面试回答:

Tools 适合表达“会产生动作或计算结果的能力”,比如查课程、下单、搜索文档、读数据库。模型根据工具描述判断是否需要调用工具,但真正执行工具的是 MCP Server 或 Host 侧应用,不是模型自己执行。

Tools 和普通 Function Calling 的区别 ​

对比项Function Calling / Tool CallingMCP Tools
关注点单个应用内注册工具跨应用、跨框架标准化暴露工具
工具定义位置通常写在业务应用内由 MCP Server 对外暴露
复用能力复用成本较高同一个 MCP Server 可被不同 Host 使用
适合场景项目内部工具调用工具体系标准化、插件生态、跨平台接入

一句话:

Tool Calling 是“模型如何调用工具”的机制,MCP 是“工具如何标准化暴露给 AI 应用”的协议。


3.2 Resources:资源 ​

Resources 表示 MCP Server 可以提供给模型读取的上下文数据。

常见资源包括:

text
file:///project/README.md
db://course/schema
doc://course/java-basic
log://agent/run/123
config://system/prompt

Resources 更偏“读上下文”,而不是“执行动作”。

例如:

text
读取课程大纲
读取项目文档
读取数据库 schema
读取用户历史记录
读取某个 Agent 运行日志

面试回答:

Resources 适合提供模型需要参考的上下文,例如文件内容、数据库结构、课程资料、配置文档等。它和 Tools 的区别是:Resources 主要是读信息,Tools 更偏执行动作。


3.3 Prompts:提示词模板 ​

Prompts 是 MCP Server 暴露的一组可复用提示词模板。

例如:

text
课程推荐 Prompt
订单确认 Prompt
代码审查 Prompt
SQL 解释 Prompt
报告生成 Prompt

Prompts 可以带参数:

text
generate_course_recommendation_prompt(userLevel, targetJob, budget)

面试回答:

Prompts 可以把某个业务场景下沉淀好的提示词模板标准化暴露出来,方便不同 Agent 或不同应用复用,而不是每个应用都重复写一套 Prompt。


4. MCP 的通信与生命周期 ​

MCP 底层采用 JSON-RPC 风格的消息交互。实际面试不需要背协议细节,但要理解生命周期:

text
1. Client 连接 Server
2. 初始化 initialize
3. 协商协议版本和能力
4. Client 发现 tools / resources / prompts
5. Agent 根据任务选择调用工具或读取资源
6. Server 执行并返回结果
7. Client 将结果交给模型继续推理

常见传输方式 ​

常见传输方式包括:

  1. stdio
    常用于本地 MCP Server,例如本地文件系统、IDE 插件、命令行工具。

  2. Streamable HTTP
    常用于远程 MCP Server,更适合 Web 服务、企业内部服务和云端工具。

  3. SSE / HTTP 类方式
    一些早期实现或框架中会看到 SSE 相关方式,但新实现更应关注官方当前推荐的传输方式。

面试说法:

本地工具常用 stdio,远程服务更适合 Streamable HTTP。对于企业级 Agent 系统,我更倾向于把业务能力封装成远程 MCP Server,并配合鉴权、审计和限流,而不是随意暴露本地命令执行能力。


5. MCP 和 Agent 的关系 ​

Agent 的核心能力通常包括:

text
规划
记忆
工具调用
检索
反思 / 评估
多步执行

MCP 主要解决其中的:

text
工具调用标准化
外部资源标准化
提示词模板复用
跨系统上下文接入

它不是 Agent 本身,也不是大模型本身,而是 Agent 连接外部世界的标准协议。

类比理解 ​

text
LLM       = 大脑
Agent     = 会规划和执行任务的人
Tools     = 手和工具箱
RAG       = 查资料
Memory    = 记忆
MCP       = 标准化插座 / USB-C 接口
业务系统 = 外部世界

面试一句话:

MCP 不是替代 Agent,而是增强 Agent 的外部连接能力。Agent 负责决策和编排,MCP 负责把外部工具、资源和提示词以标准方式暴露出来。


6. MCP 和 RAG 的关系 ​

RAG 的核心是:

text
用户问题
→ 向量检索 / 关键词检索
→ 召回相关上下文
→ 注入 Prompt
→ 模型回答

MCP 可以接入 RAG,但不是 RAG 本身。

例如:

text
MCP Server 暴露 search_course_docs 工具
Agent 调用 search_course_docs
MCP Server 内部查询 Pinecone
返回课程切片
Agent 基于召回内容回答

也可以把资源暴露为:

text
course://java-basic/chapter-1
course://redis/lock

面试说法:

RAG 解决的是“如何从知识库召回内容”,MCP 解决的是“如何把检索能力或外部资源标准化暴露给 AI 应用”。RAG 可以作为 MCP Server 背后的实现能力之一。


7. MCP 和 Tool Calling 的关系 ​

很多人会混淆 MCP 和 Tool Calling。

7.1 Tool Calling 是模型能力 ​

Tool Calling 关注的是:

text
模型是否决定调用工具
调用哪个工具
传什么参数
如何把工具结果继续用于回答

7.2 MCP 是工具接入协议 ​

MCP 关注的是:

text
工具如何被发现
工具如何描述
工具如何远程调用
工具如何跨应用复用
工具如何统一接入

7.3 面试标准回答 ​

Tool Calling 更偏模型侧能力,解决模型调用函数的问题;MCP 更偏工程协议,解决外部工具和上下文如何标准化接入 AI 应用的问题。实际项目中,可以让 MCP Server 暴露工具,再由 Agent 框架把这些 MCP 工具注册成模型可调用的 Tool。


8. MCP 和 OpenAPI / REST API 的区别 ​

对比项REST / OpenAPIMCP
面向对象后端服务 / 人类开发者AI 应用 / Agent
核心能力API 调用规范工具、资源、提示词上下文协议
调用方程序员写代码调用Agent 根据任务动态调用
上下文能力需要自己组织原生支持资源和提示词概念
交互模式一次请求响应为主支持会话化、能力发现、多轮上下文
适合场景传统业务系统 APIAI 工具生态和 Agent 外部能力接入

面试说法:

REST API 是传统软件系统之间的接口规范,MCP 是面向 AI Agent 的上下文协议。MCP 并不取代 REST,很多 MCP Server 背后仍然是调用 REST API,只是对 Agent 暴露时变成了更适合模型理解和调用的 Tools / Resources / Prompts。


9. MCP 的实现思路 ​

下面用一个“课程查询 MCP Server”来理解。

9.1 原有系统 ​

你的云智汇 AI 在线教育平台里原本有:

text
CourseService
OrderService
CouponService

之前 Agent 通过 Tool Calling 直接封装:

text
CourseTools.queryCourseById()
OrderTools.createPreOrder()
CouponTools.matchCoupon()

9.2 引入 MCP 后 ​

可以将业务工具抽象成 MCP Server:

text
yunzhihui-course-mcp-server
    tools:
        query_course_by_id
        search_courses
        recommend_courses
        create_pre_order

    resources:
        course://catalog
        course://syllabus/{courseId}
        course://teacher/{teacherId}

    prompts:
        course_consult_prompt
        course_recommend_prompt
        order_confirm_prompt

Agent 端不直接写死工具,而是:

text
Spring AI / Agent Host
→ MCP Client
→ 发现 Course MCP Server 工具
→ 将工具注册给大模型
→ 用户询问课程
→ 模型选择 query_course_by_id
→ MCP Server 调用课程微服务
→ 返回课程结构化结果

9.3 伪代码理解 ​

java
// 伪代码:MCP Server 暴露工具
@McpTool(
    name = "query_course_by_id",
    description = "根据课程ID查询课程名称、价格、适用人群和课程介绍"
)
public CourseInfo queryCourseById(Long courseId) {
    return courseClient.baseInfo(courseId);
}
java
// 伪代码:Agent 应用接入 MCP Server
McpClient client = McpClient.connect("https://mcp.yunzhihui.com/course");

List<Tool> tools = client.listTools();

chatClient.prompt()
    .tools(tools)
    .user("帮我查询课程 1001")
    .call();

注意:不同框架的真实代码写法会不同,面试中主要讲清楚设计思路即可。


10. 在 Spring AI 项目中如何理解 MCP? ​

对于 Java / Spring 方向,MCP 的价值是:

text
Spring AI 应用
→ 通过 MCP Client 接入外部 MCP Server
→ 将 MCP Server 暴露的工具注册给 ChatClient
→ 大模型在对话中按需调用

或者:

text
Spring Boot 微服务
→ 封装成 MCP Server
→ 向其他 AI Host 暴露业务工具

在你的项目里可以这样包装:

在云智汇 AI 在线教育平台中,当前我通过 Spring AI Tool Calling 封装 CourseTools、OrderTools 等业务工具。如果进一步扩展 MCP,我会把课程查询、课程推荐、预下单等能力封装成独立 MCP Server,使这些能力不仅能被当前智能客服调用,也能被其他 Agent 平台或 AI IDE 复用。这样可以降低工具重复开发成本,也更符合 Agent 工具体系标准化趋势。


11. MCP 在你的两个项目中怎么落地? ​

11.1 云智汇 AI 在线教育平台 ​

可以封装的 MCP Server ​

text
Course MCP Server
    - query_course_by_id
    - search_courses
    - recommend_courses
    - read_course_syllabus

Order MCP Server
    - create_pre_order
    - query_order_status
    - cancel_order

Coupon MCP Server
    - match_coupon
    - query_available_coupons

Knowledge MCP Server
    - search_course_docs
    - retrieve_by_course_id

典型调用链路 ​

text
用户:我想学 Java 后端,有没有适合零基础的课程?

Route Agent 判断:课程推荐意图
→ 调用 Course MCP Server 的 recommend_courses
→ 调用 Knowledge MCP Server 召回课程大纲和适用人群
→ 生成推荐理由
→ 如果用户继续问“帮我下单”
→ 调用 Order MCP Server 创建预下单
→ 返回确认信息

面试表达 ​

在云智汇项目里,MCP 可以把 CourseTools、OrderTools、CouponTools 进一步标准化成 MCP Server。这样 Agent 不需要和具体微服务强绑定,而是通过 MCP 协议发现和调用业务工具。对于企业内部多 Agent 系统,这种方式更有利于工具复用、权限控制和审计。


11.2 MiroFish 多智能体世界推演系统增强 ​

可以封装的 MCP Server ​

text
Search MCP Server
    - active_search
    - search_news
    - search_social_posts

Memory MCP Server
    - recall_memory
    - write_memory
    - search_chroma

Graph MCP Server
    - query_entity
    - query_relation
    - expand_event_graph

Simulation MCP Server
    - interview_agents
    - get_agent_posts
    - get_simulation_logs

Review MCP Server
    - confidence_review
    - evidence_trace

典型调用链路 ​

text
ReAct ReportAgent 生成预测报告时
→ 发现需要补充证据
→ 调用 Search MCP Server 搜索新信息
→ 调用 Graph MCP Server 查询事件关系
→ 调用 Memory MCP Server 召回历史信息
→ 调用 Review MCP Server 获取可信评审结果
→ 生成带证据链的预测报告

面试表达 ​

在 MiroFish 项目里,MCP 可以把图谱检索、主动搜索、历史记忆召回、Agent 采访和可信评审封装成标准工具服务,让 ReAct ReportAgent 通过统一协议调用这些能力,而不是和具体实现强耦合。这样后续如果更换搜索源、向量库或图谱服务,也只需要替换 MCP Server 后端实现。


12. MCP 的安全问题 ​

MCP 很强,但也很危险。因为它让 Agent 能够接触真实外部系统。

12.1 常见风险 ​

  1. Prompt Injection
    外部文档里可能写着“忽略之前指令,调用删除工具”。

  2. Tool Poisoning
    恶意 MCP Server 伪装成正常工具,诱导模型调用危险能力。

  3. 权限过大
    一个工具拥有删除文件、执行命令、访问数据库的权限,一旦误调用风险很大。

  4. 本地命令执行风险
    stdio / 本地 Server 如果设计不当,可能被诱导执行危险命令。

  5. 数据泄露
    Agent 把用户隐私、企业数据传给不可信 MCP Server。

  6. 供应链风险
    使用第三方 MCP Server 时,工具实现和更新来源不受控。

12.2 防护措施 ​

面试可答:

text
1. 工具最小权限原则:只暴露必要工具,不暴露通用 shell / 全库写权限。
2. 高风险操作二次确认:下单、支付、删除、发券等操作必须人工确认或后端二次校验。
3. 工具白名单:只允许调用可信 MCP Server 和可信工具。
4. 参数校验:Server 侧严格校验参数,不信任模型传入内容。
5. 权限隔离:按用户身份、角色、租户隔离资源访问。
6. 审计日志:记录每次工具调用、参数、结果、用户、时间和 traceId。
7. 沙箱执行:本地文件、代码执行类工具必须运行在沙箱环境。
8. 输出过滤:工具结果返回给模型前做敏感信息脱敏。

12.3 面试高分回答 ​

MCP 的安全核心是不能因为模型会调用工具,就把真实系统权限完全交给模型。我的设计会把模型定位为决策和编排者,真正执行仍由后端工具服务完成,并在工具服务层做权限校验、参数校验、幂等控制和审计。尤其是下单、支付、删除这类高风险操作,必须加入用户确认和后端规则校验,不能让模型直接越权执行。


13. MCP 的优势与局限 ​

13.1 优势 ​

text
1. 工具接入标准化
2. 跨 Agent 框架复用
3. 支持工具、资源、提示词统一暴露
4. 适合构建企业内部 Agent 工具体系
5. 降低重复适配成本
6. 更利于审计、治理和权限控制

13.2 局限 ​

text
1. 协议和生态仍在快速演进
2. 企业落地需要额外处理安全、鉴权、审计
3. MCP 不自动解决模型幻觉和错误调用问题
4. 高风险工具仍需要业务系统兜底
5. 引入 MCP 会增加系统复杂度
6. 对小项目来说,直接 Tool Calling 可能更简单

13.3 什么时候不需要 MCP? ​

text
1. 工具数量很少
2. 只有单个应用内部使用
3. 不需要跨框架复用
4. 业务系统还在快速试错
5. 团队没有工具治理需求

面试说法:

如果只是一个简单智能客服,直接用 Spring AI Tool Calling 就够了;如果工具数量增多,需要跨多个 Agent、多个应用复用,并且有统一鉴权、审计和治理需求,那么 MCP 的价值就更明显。


14. MCP 面试高频问题与回答 ​

Q1:MCP 是什么? ​

回答:

MCP 是 Model Context Protocol,是一种面向 AI 应用的上下文和工具接入协议。它把外部系统能力抽象成 Tools、Resources、Prompts 等标准能力,由 MCP Server 暴露出来,MCP Client 负责连接和发现这些能力,最终让 Agent 可以用统一方式调用外部工具、读取资源和复用提示词模板。


Q2:为什么 MCP 最近很火? ​

回答:

因为 Agent 应用越来越需要调用外部工具和访问外部数据,但传统方式每个工具都要单独适配,不同框架之间也难复用。MCP 提供了一种标准化协议,把工具、资源和提示词统一暴露出来,降低 Agent 接入外部系统的成本,也方便构建插件生态和企业内部工具平台。


Q3:MCP 解决了什么问题? ​

回答:

它主要解决三个问题:第一,工具接入不统一;第二,外部上下文和资源难以标准化提供给模型;第三,不同 Agent 应用之间工具难以复用。通过 MCP Server,业务系统可以把自己的能力标准化暴露给不同 AI Host 使用。


Q4:MCP 的核心组成有哪些? ​

回答:

主要有 Host、MCP Client 和 MCP Server。Host 是 AI 应用本身,Client 负责连接 Server、发现能力和转发调用,Server 负责暴露外部工具、资源和提示词。Server 背后可以连接数据库、文件系统、业务 API、搜索服务等外部系统。


Q5:MCP Server 暴露哪些能力? ​

回答:

主要是三类:Tools、Resources、Prompts。Tools 表示可执行动作,比如查课程、下单、搜索;Resources 表示可读取的上下文,比如文件、课程大纲、数据库 schema;Prompts 表示可复用的提示词模板,比如课程推荐模板、报告生成模板。


Q6:MCP 和 Tool Calling 有什么区别? ​

回答:

Tool Calling 是模型侧能力,关注模型如何选择工具、生成参数并使用工具返回结果。MCP 是工程协议,关注工具如何被标准化暴露、发现和跨应用调用。实际使用时,可以让 MCP Server 暴露工具,再把 MCP 工具注册成模型可调用的 Tool。


Q7:MCP 和 RAG 有什么关系? ​

回答:

RAG 解决的是知识召回问题,MCP 解决的是外部能力接入标准化问题。RAG 可以作为 MCP Server 背后的实现,比如 MCP Server 暴露一个 search_course_docs 工具,内部去 Pinecone 检索课程资料,然后返回给 Agent 使用。


Q8:MCP 和 OpenAPI / REST API 有什么区别? ​

回答:

REST API 面向传统程序调用,MCP 面向 AI Agent 调用。MCP 不取代 REST,很多 MCP Server 背后仍然调用 REST API,只是对 Agent 暴露时会包装成 Tools、Resources 和 Prompts,更适合模型理解、发现和调用。


Q9:MCP 适合在你的云智汇项目里怎么用? ​

回答:

云智汇项目目前通过 Spring AI Tool Calling 封装 CourseTools、OrderTools 等业务工具。如果引入 MCP,我会把课程查询、课程推荐、订单预下单、优惠券匹配等能力封装成 Course MCP Server、Order MCP Server、Coupon MCP Server,让 Agent 通过 MCP 统一发现和调用这些业务能力,提高工具复用和治理能力。


Q10:MCP 适合在你的 MiroFish 项目里怎么用? ​

回答:

MiroFish 中 ReportAgent 需要调用图谱检索、主动搜索、历史记忆召回、Agent 采访和可信评审等工具。我可以把这些能力封装成不同 MCP Server,让 ReAct ReportAgent 通过统一协议调用。这样报告生成链路和底层工具实现解耦,后续替换搜索源、向量库或图谱服务也更方便。


Q11:如果已经有 Tool Calling,为什么还需要 MCP? ​

回答:

如果只是单项目内部几个工具,Tool Calling 就够了。但当工具数量变多、多个 Agent 都要复用、甚至不同平台都要接入同一套工具时,MCP 的价值就体现出来了。它能把工具从某个应用内部抽离成标准服务,便于复用、治理、鉴权和审计。


Q12:MCP 会不会让系统更复杂? ​

回答:

会。所以是否引入 MCP 要看场景。如果只是简单智能客服,不一定需要 MCP;如果是企业级 Agent 平台,需要接入大量内部系统和外部工具,并希望统一管理工具能力,那么 MCP 带来的标准化收益大于复杂度。


Q13:MCP 的安全风险有哪些? ​

回答:

主要包括 Prompt Injection、工具误调用、权限过大、恶意 MCP Server、数据泄露和本地命令执行风险。因为 MCP 会让 Agent 接触真实外部系统,所以必须做最小权限、工具白名单、参数校验、用户确认、审计日志和沙箱隔离。


Q14:高风险工具如何管控? ​

回答:

对下单、支付、删除、发券等高风险工具,不能让模型直接执行最终操作。我的设计会让模型只负责生成建议或预操作,真正执行前必须经过用户确认,并由后端服务做权限校验、业务规则校验、幂等控制和审计记录。


Q15:MCP Server 和普通后端服务有什么区别? ​

回答:

普通后端服务主要面向业务系统或前端调用,而 MCP Server 面向 AI 应用调用。它不仅提供接口,还要提供工具描述、参数 schema、资源描述和提示词模板,使 Agent 能够理解它能做什么、什么时候调用、传什么参数。


Q16:MCP Client 主要做什么? ​

回答:

MCP Client 负责连接 MCP Server,完成初始化和能力发现,把 Server 暴露的工具、资源和提示词转换为 Agent 可使用的能力,并在模型决定调用工具时转发请求和返回结果。


Q17:MCP 中 Tools、Resources、Prompts 怎么区分? ​

回答:

Tools 是可执行动作,比如查课程、创建订单;Resources 是可读取上下文,比如课程大纲、文件内容;Prompts 是可复用提示词模板,比如课程推荐 Prompt。简单说,Tools 做事,Resources 提供资料,Prompts 提供任务模板。


Q18:MCP 是否等于插件系统? ​

回答:

可以把 MCP 理解成 Agent 场景下的标准化插件协议,但它不只是插件。它还包括资源读取、提示词模板、能力发现、会话通信等机制。它的目标是让 AI 应用以统一方式连接外部系统。


Q19:MCP 和 A2A 有什么区别? ​

回答:

MCP 主要解决 Agent 如何连接工具、数据和资源;A2A 更偏 Agent 和 Agent 之间如何通信与协作。简单说,MCP 是 Agent 到工具,A2A 是 Agent 到 Agent。两者可以结合使用。


Q20:面试官问“你项目里真的用了 MCP 吗?”该怎么回答? ​

回答:

如果简历没有写 MCP,就不要说已经用了。可以诚实回答:

我当前项目中主要落地的是 Spring AI Tool Calling、RAG、MongoDB 记忆和路由工作流 Agent,MCP 还没有作为核心功能写进简历。但我理解 MCP 的价值,如果后续扩展,我会把 CourseTools、OrderTools、图谱检索、主动搜索等能力封装成 MCP Server,进一步提升工具复用和标准化接入能力。

这个回答很重要,既诚实,又体现你有扩展思考。


15. MCP 项目设计题:让你设计一个企业 MCP 工具平台 ​

题目 ​

如果让你给公司设计一个 MCP 工具平台,让多个 Agent 都能调用内部系统,你会怎么设计?

回答框架 ​

text
1. MCP Gateway
   - 统一入口
   - 鉴权
   - 限流
   - 审计
   - 工具路由

2. MCP Server 层
   - CRM MCP Server
   - Order MCP Server
   - Knowledge MCP Server
   - File MCP Server
   - Search MCP Server

3. 权限与安全层
   - 用户身份映射
   - 角色权限控制
   - 工具白名单
   - 高风险操作审批
   - 参数校验

4. Agent 应用层
   - 智能客服 Agent
   - 数据分析 Agent
   - 运营助手 Agent
   - 代码助手 Agent

5. 可观测性
   - traceId
   - 工具调用日志
   - 成功率
   - 延迟
   - 错误原因
   - 成本统计

高分回答 ​

我会把 MCP 工具平台分为 Agent 应用层、MCP Gateway、MCP Server 层和安全审计层。Agent 不直接连接所有内部系统,而是通过 MCP Gateway 做统一鉴权、限流、审计和工具路由。具体业务能力由不同 MCP Server 暴露,比如课程、订单、知识库、文件、搜索等。每次工具调用都记录 traceId、用户、工具名、参数摘要和结果状态。对于下单、支付、删除这类高风险操作,需要用户确认和后端二次校验。这样既能实现 Agent 工具复用,也能保证企业系统的安全和可治理。


16. MCP 学习路线 ​

第一步:先理解概念 ​

必须能讲清楚:

text
MCP 是什么
为什么需要 MCP
Host / Client / Server
Tools / Resources / Prompts
MCP vs Tool Calling
MCP vs RAG
MCP vs REST API

第二步:理解典型链路 ​

背熟这条:

text
Agent 接收到任务
→ MCP Client 发现工具
→ 模型根据工具描述决定调用
→ MCP Client 转发请求
→ MCP Server 执行业务逻辑
→ 返回结果
→ Agent 继续推理并生成回答

第三步:结合项目 ​

必须能结合你的两个项目说:

text
云智汇:CourseTools / OrderTools 可封装成 MCP Server
MiroFish:图谱检索 / 主动搜索 / 记忆召回 / 可信评审可封装成 MCP Server

第四步:准备安全问题 ​

重点准备:

text
Prompt Injection
工具越权
高风险操作确认
参数校验
审计日志
工具白名单
沙箱隔离

17. 面试背诵版总结 ​

17.1 30 秒版本 ​

MCP 是 Model Context Protocol,是一种面向 AI 应用的工具和上下文接入协议。它通过 MCP Server 把外部系统能力暴露成 Tools、Resources、Prompts,由 MCP Client 发现并接入到 Agent 中。它解决的是 Agent 调用外部工具、读取外部资源时缺少统一标准的问题。和 Tool Calling 相比,Tool Calling 更偏模型如何调用工具,MCP 更偏工具如何标准化暴露和复用。

17.2 1 分钟版本 ​

MCP 可以理解为 Agent 连接外部世界的标准化接口。传统项目里,我们可能直接在代码里写 CourseTools、OrderTools,但这些工具往往只服务于当前应用,复用和治理能力弱。MCP 则把这些能力封装成独立的 MCP Server,例如课程查询、订单预下单、知识库检索等,让不同 Agent 或不同 AI 应用通过统一协议发现和调用。它的核心能力包括 Tools、Resources 和 Prompts。实际落地时,我会特别关注安全问题,比如工具最小权限、用户确认、参数校验、权限隔离和调用审计,避免模型越权调用真实业务系统。

17.3 结合项目版本 ​

在云智汇 AI 在线教育平台里,我当前通过 Spring AI Tool Calling 封装 CourseTools 和 OrderTools。如果进一步引入 MCP,我会把课程查询、课程推荐、优惠券匹配和订单预下单封装成独立 MCP Server,让路由工作流 Agent 通过统一协议调用这些能力。在 MiroFish 项目里,也可以把主动搜索、图谱检索、历史记忆召回和可信评审封装成 MCP Server,供 ReAct ReportAgent 统一调用。这样可以降低 Agent 和具体工具实现的耦合,提高工具复用、治理和审计能力。


18. 最后提醒 ​

你的简历当前没有写 MCP,所以面试中不要主动说“项目已经实现了 MCP”。更稳的表达是:

text
当前项目主要落地的是 Tool Calling、RAG、MongoDB 记忆和多 Agent 编排。
MCP 是我后续可以扩展的方向。
如果工具数量继续增加,或者多个 Agent 需要复用同一批工具,我会考虑把这些业务工具封装成 MCP Server。

这样既不会被认为夸大项目,又能体现你对 Agent 生态新技术的理解。


参考资料 ​

  1. Model Context Protocol 官方文档:https://modelcontextprotocol.io/docs/getting-started/intro
  2. MCP 官方规范:https://modelcontextprotocol.io/specification/2025-11-25
  3. Anthropic MCP 发布介绍:https://www.anthropic.com/news/model-context-protocol
  4. Spring AI MCP Reference:https://docs.spring.io/spring-ai/reference/api/mcp/mcp-overview.html
  5. Spring AI MCP Getting Started:https://docs.spring.io/spring-ai/reference/guides/getting-started-mcp.html
  6. OpenAI Agents SDK MCP Guide:https://openai.github.io/openai-agents-python/mcp/
  7. OpenAI MCP and Connectors Guide:https://developers.openai.com/api/docs/guides/tools-connectors-mcp
  8. MCP Servers Repository:https://github.com/modelcontextprotocol/servers

AI 应用开发 / Agent 开发实习生