MCP 与 API：定义、区别与用例

MCP 全称模型上下文协议（Model Context Protocol），是一个开放标准，AI 智能体利用该标准访问外部系统：应用程序功能（工具）、资源（包括数据库）以及提示词。

API 通过设定的端点和参数连接两个应用程序，而与此不同，MCP 允许 LLM 在运行时发现最新的工具。MCP 还可以大幅减少集成维护所需的时间。

MCP 和 API 并不是对立的技术。MCP 旨在为基于 AI 的应用程序提供对外部功能和信息的全面访问，同时减少对定制 API 配置的需求。通常，MCP 请求会触发服务器端 API 调用，在某些重要的开发者用例中，API 仍然比 MCP 更受青睐。

MCP 是一种开源协议（一组规则），允许 AI 工具安全、自主地调用数据库、软件功能和提示词等工具。
与预配置的 API 相比，MCP 允许 LLM 根据任务需求选择当前的外部功能，而不会使上下文窗口过于臃肿。
对于传统的软件集成以及某些固定的、迭代式的 LLM 工作流，API 是更佳选择。
如果应用中的 AI 功能不断扩展、你管理大量的集成，或者供应商功能频繁变化，那么 MCP 无疑是更好的选择。
在开发者圈子之外，在主流 AI 聊天机器人（Claude、ChatGPT、Perplexity 等）中个人使用 MCP 连接器不需要任何复杂的编程知识。大多数都支持一键集成。

MCP 是一种广泛使用的协议，用于 AI 模型与 MCP 服务器之间的通信。该协议使 MCP 客户端能够调用 MCP 服务器上可用的任何工具和资源。

构成 MCP 工作流的三个组件包括：

主机：最终用户触发操作或输入自然语言提示（例如“告诉我伦敦的天气”）的包装应用（例如 Perplexity）。主机向 LLM 提供可用工具列表，LLM 决定哪个工具最适合完成任务。
客户端：使用 MCP 协议连接到 MCP 服务器的协议处理程序（内置于主机中）。
服务器：接收 MCP 请求并提供或“公开”其可访问的各种功能的应用程序。

值得一提的是，MCP 服务器通常使用 API 与工具进行通信。例如，如果你将 Perplexity 连接到 Slack MCP，客户端将与 MCP server 通信，然后后者将使用 Slack API 发出原始 MCP 请求中详述的请求。

API 是两个应用程序之间的接口。与 MCP 一样，它定义了一个系统如何向另一个系统请求数据或操作的规则。客户端使用供应商指定的参数发送请求，服务器则返回响应。

以下是 API 请求和响应各个元素的概览：

端点：你发送请求的目标 URL。
方法：你希望服务器应用程序采取的操作。
参数：你发送供服务器处理的输入。
请求头：诸如授权和响应格式之类的附加信息。
请求体：执行请求所需的数据（这些数据有时是可选的）。
响应：服务器返回的信息或成功/失败状态。

从宏观层面来看，API 所做的一切几乎都归结为与系统交换数据或请求系统执行操作。

表面上看，这可能类似于 MCP 连接器的功能。然而，至关重要的区别在于，采用基于 API 的方法时，不同的任务需要不同的端点、方法和参数，所有这些都必须在客户端进行维护。MCP 服务器向 LLM 展示其所有可用功能或数据，而无需进行任何客户端更新。

	MCP	API
主要应用	基于 LLM 的工具中的工作流	软件平台之间定义的请求
工作原理	基于 LLM 推理访问多个工具；所有功能都是最新的，因为供应商控制着 MCP 服务器	软件使用预定义的端点、方法和参数发送特定于服务的请求
发现	LLM 可以看到并使用服务器公开的所有工具，包括新工具	软件只能发出预配置的 API 请求
主要用例	基于 AI 和智能体的工作流；基于自然语言提示的动态工具选择；AI 工具的供应商集成	高容量数据传输；固定、可重复的工作流；传统软件集成
其他用例	能够访问多个文件和代码库的编码助手；企业系统的自然语言访问；AI 工具的内部可重用集成	自定义集成；在线交易；定期数据检索；针对不支持 MCP 的 AI 工具的供应商集成
设置时间	建立 MCP 连接后微乎其微	需要在应用中单独配置 API 才能访问新功能
缺点	复杂任务的 Token 成本通常很高；对于明确定义的重复性数据任务，资源消耗过大	对于具有复杂集成的应用，维护成本极高；不保证能访问当前功能
优势	通用标准，能够处理复杂的工作流，对工具的访问权限更大，设置完成后无需人工干预	对于 AI 工具中的固定和高容量工作流，Token 消耗更低

让我们看一个阐述 MCP 与 API 之间区别的简单示例。在此场景中，请求实际上更适合 API（它很简单且不需要上下文）。但是，这两个示例清楚地表明了 MCP 如何针对多阶段 LLM 工作流实现最优。

以下是一个使用 Open-Meteo API 发送天气信息 API 请求的脚本（用 Python 编写）：

python

import requests
url = "https://api.open-meteo.com/v1/forecast"
params = {    "latitude": 51.5072,    "longitude": -0.1276,    "current": "temperature_2m"}
response = requests.get(url, params=params)
data = response.json()
temperature = data["current"]["temperature_2m"]
print(f"Temperature in London: {temperature}°C")

此示例使用精确的请求格式通过 HTTPS 查询 Open-Meteo，以获取纬度 51.5072 和经度 -0.1276（伦敦）当前的 2 米温度。

相反，MCP 客户端可以向能够访问天气数据库的服务器发送如下 tools/call JSON-RPC 请求：

json

{
  "jsonrpc": "2.0",
  "id": 1,
  "method": "tools/call",
  "params": {
    "name": "get_weather",
    "arguments": {
      "city": "London"
    }
  }
}

在这个虚构的示例中，客户端请求服务器在其注册表中使用特定工具 (get-weather) 来执行任务（描述伦敦的天气）。

关键的区别在于，这项功能将是 MCP 服务器提供的众多功能之一。MCP 客户端无需了解特定的端点、参数、响应结构或身份验证方法即可生成请求。LLM 可以查看注册表中工具的描述，挑选其认为最适合完成用自然语言描述的任务的工具。

MCP 和 API 并非对立面。MCP 旨在简化集成的发现和维护。因此，对于非 AI 软件连接以及依赖特定稳定 API 群组的固定 LLM 任务和工作流，API 通常是最佳选择。

你需要管理大型或不断增长的工具集：MCP 客户端可以在运行时发现供应商服务器公开的所有工具，随着工具集的增长，从而减少单个 API 配置开销。
工具选择取决于用户请求：当任务步骤无法预先确定时（例如用户向聊天机器人发送各种各样的请求），MCP 非常有用。LLM 可以检查可用的工具名称、描述和架构，然后选择最适合任务的工具。
供应商功能频繁变化：当供应商向其应用添加新功能时，可以通过 MCP 立即使用。你无需添加新 API 或重新配置现有 API。
你希望在多个 AI 应用程序中使用相同的集成：一个 MCP 服务器可以向多个智能体或应用程序公开相同的功能，从而减少重复的集成工作。

你需要检索结构化数据：如果你的 AI 工具在用户工作流的既定阶段检索可预测的结构化信息（例如物流状态或客户支持工单号），那么标准 API 请求消耗的 Token 和时间较少。
你的工作流按固定顺序组织：如果你的工作流遵循具有精确 API 和确切结果的严格、可重复的顺序，则无需使用 MCP。
你的应用执行高容量工作流：对于高容量任务，Token 消耗可能会非常高。如果复杂的工作流需要结合推理进行迭代式的高容量输入或输出，最好结合使用 MCP 和 API 调用。
AI 推理毫无益处：如果普通的应用程序逻辑可以充分完成任务，那么直接调用 API 通常更简单且资源消耗更少。

MCP 与 API 之争主要关乎构建具备 AI 功能应用的开发者。不过，你可能也在纠结，在所选的 AI 工具中进行专业工作流时，是否应该使用 MCP。

通用规则同样适用：如果你想要覆盖面广、随时获取的第三方应用程序功能，那么 MCP 是不二之选。对于常规和高容量任务，简单的 API 设置将消耗更少的 Token。

大多数 AI 工具（包括 Perplexity）允许用户零编码设置和使用 MCP 连接器。这使得在不离开聊天界面的情况下编排多步骤工作流成为可能。例如，只需点击几下即可与 Gmail、Hubspot 和 Supabase 等平台集成。

Perplexity 的连接器目录，显示了包括 Gmail、Outlook、HubSpot、Monday.com、Supabase 和 Vercel 在内的集成。

MCP 的核心优势在于动态发现和降低 API 维护开销。通过将应用程序连接到 MCP server，你可以访问所选供应商（或本地系统）提供的所有最新工具、数据和提示词。

不过，API 仍然至关重要。它们构成了应用互联的基础架构。MCP 充当应用程序与外部功能之间的中间层，它允许 AI 智能体以适合复杂工作流的格式访问尽可能广泛的工具集。

MCP 与 API：主要区别是什么？

什么是模型上下文协议 (MCP)？

什么是应用程序编程接口 (API)？

用例、优势和缺点

MCP 与 API 的实际图解

如何在 MCP 和 API 之间做出选择

何时使用 MCP

何时使用直接 API

在 Perplexity 中使用 MCP 连接器

为什么 MCP 让基于 LLM 的应用功能更强大