MCP 是一种开放协议，它标准化了应用程序如何为 LLMs.将 MCP 想象成 AI 应用的 USB-C 端口。正如 USB-C 提供了一种将设备连接到各种外围设备和配件的标准化方式一样，MCP 也提供了一种将 AI 模型连接到不同数据源和工具的标准化方式。

为什么选择MCP

• 基础架构中保护数据安全

• 在模型（LLM）供应商中方便切换

• 可以把LLM接入越来越大的项目中

MCP 的主要作用

1. 更好的记忆管理 - 帮助AI模型记住对话的重要部分，而不是被不相关信息填满有限的记忆空间

2. 信息组织 - 将对话内容组织成结构化的格式，让AI能更清晰地理解"谁说了什么"和"什么信息最重要"

3. 性能提升 - 通过减少无用信息，模型可以更专注于重要内容，提高回答质量并降低成本

通俗比喻

• 没有MCP时，AI像是一个记录员，把所有听到的话都记下来，导致记忆很快就被填满

• 有了MCP后，AI像是有了一位助理，这位助理会帮忙整理信息，突出重点，过滤噪音，让AI能更好地理解和回应用户

MCP作为记忆辅助工具

1. 优化有限的上下文窗口：大型语言模型都有一个上下文窗口限制（比如8K、32K或128K个标记），MCP帮助在这个有限空间内更高效地存储重要信息

2. 智能记忆管理：不是简单地记住更多内容，而是更聪明地决定"记住什么"和"忘记什么"

3. 结构化记忆：将对话内容组织成更有条理的格式，让AI能更清晰地回忆和利用之前的交流

实际价值

• 解决长对话问题：在长时间对话中，普通模型容易"忘记"之前提到的重要信息，MCP帮助保留关键内容

• 降低成本：通过减少处理不必要的信息，可以降低API调用成本

• 提高一致性：让AI能够更连贯地跟进之前的讨论，减少"健忘"现象

MCP的实现机制

1. 消息结构化：MCP使用特定的JSON格式来组织对话历史，每条消息都包含元数据（如时间戳、角色、重要性等）

2. 智能消息筛选：
• 不是简单地保留最近N条消息
• 而是根据消息的重要性评分决定保留哪些消息
• 可能会删除低价值的消息来节省上下文空间

3. 分层记忆管理：
• 短期记忆：当前对话的重要部分
• 长期记忆：关键信息的摘要或重要的历史片段
• 工作记忆：当前需要处理的信息

4. 摘要生成（这是您问到的部分）：
• MCP确实会在特定时刻生成摘要，但不一定是每次请求都做
• 通常在对话达到一定长度或复杂度时触发
• 摘要会被存储并成为上下文的一部分，替代原始的详细对话

5. 上下文压缩：使用各种技术减少令牌使用量，同时保留关键信息

重要性评分的实现

1. AI参与评分：
• MCP框架中，通常会使用AI模型本身或辅助模型来评估消息的重要性
• 这可能涉及额外的API调用，让AI为每条消息打分

2. 评分的时机：
• 可能在用户发送新消息后立即评估
• 或在对话达到特定长度时批量评估历史消息

3. 评分标准包括：
• 消息的信息密度
• 与当前问题的相关性
• 包含的指令或关键信息
• 时间相关性（较新的可能更重要）

4. 混合方法：
• 高级MCP实现会结合规则系统和AI评估
• 例如，用户的问题自动获得高优先级
• 但具体内容的重要性需要AI理解