在 AI 提效上，我们小组的每个人都有自己的独特方式，作为一个沉醉在业务开发+业务样式改版的终端开发，再加上我的 CSS 功底基本上样式就是靠试，每次在 UI 还原部分都是很是痛苦。这样，在团队内部同学完成了 Done 插件转React 代码并完成 OneDay Web 端落地后，我就在想，是否可以在插件端实现一样的能力，就这样 MCP 的能力自然就进入我的视野了。
MCP （Model Context Protocol，模型上下文协议）是一个标准化协议，定义了应用程序和 AI 模型之间交换上下文信息的方式。这使得开发者能够以一致的方式将各种数据源、工具和功能连接到 AI 模型（一个中间协议层），就像 USB-C 让不同设备能够通过相同的接口连接一样。MCP 的目标是创建一个通用标准，使 AI 应用程序的开发和集成变得更加简单和统一。
近年来，人工智能领域涌现出许多新概念和新技术，其中AIGC、MCP和Agent成为了业界和学术界的热门话题。本文将深入浅出地介绍这三个概念，帮助读者全面理解它们的内涵、区别与联系，以及在实际应用中的价值。
今天介绍的demo就如题目所说，是一个查询数据库的MCP服务，其实之前我们也有一篇讲text2sql的案例《DeepSeek+Dify查询数据库》，但是因为我们表结构作为知识库，需要我们把这个表结构做的很丰富，确保能够更精准的生成相应的SQL语句，今天介绍的MCP查询数据库会更灵活一些。
本文围绕大语言模型（LLMs）智能应用中的工具与数据接入问题，系统介绍了两种主流方案：基于 Agent + Function Call 的动态调度机制与基于 MCP（Model Context Protocol）的标准化接入框架。通过梳理各自的工作原理、应用流程及典型实践，分析了不同场景下的适用性选择。同时，结合实际部署经验，探讨了两种模式在未来智能系统演进中的协同融合方向。
MCP协议的初衷是希望能将大模型的工具调用来做统一，对于 MCP 的原理介绍的文章已经随处可见，相信大家都有自己的见解，这里简单介绍一些没有MCP之前的痛点问题，帮助大家理解为何需要MCP。
MCP（Model Context Protocol，模型上下文协议）是由 Anthropic 提出并于 2024 年 11 月开源的一种通信协议，旨在解决大型语言模型（LLM）与外部数据源及工具之间无缝集成的需求。它通过标准化 AI 系统与数据源的交互方式，帮助模型获取更丰富的上下文信息，从而生成更准确、更相关的响应。
近期关注AI行业动态的人士应该能观察到一个趋势，基础模型训练领域正日益呈现出寡头垄断的特征，而AI应用创新的前景和空间依然开阔，令人兴奋的AI应用层出不穷。一个完整的AI应用系统中常常包括三个主要角色：用户、AI Agent、外部工具，AI交互系统的核心之一是解决这三个角色之间的通信问题。
传统的 Web 应用都是由人来操作的，用户需要学习帮助文档，操作成本相对较高，如果能让 AI 来帮我们操作，我们只需要在关键节点进行确认的动作即可，是不是就非常方便？
随着人工智能技术的爆发式增长，企业级应用对AI大模型的分析、推理、生成等能力需求日益迫切。然而，传统模型面临“数据孤岛”困境：大量关键业务数据分散在本地系统、专有数据库或第三方服务中，难以通过简单的提示词直接注入模型，导致模型理解受限、决策质量不足。更严峻的是，对于涉及隐私或合规要求的数据（如企业财务信息、医疗记录等），直接暴露给云端模型存在显著安全风险。如何打破数据壁垒，同时确保敏感信息的安全可控，成为AI落地的核心挑战。
关注时代Java
