Model Context Protocol (MCP)
了解模型上下文协议 (MCP) 如何标准化 AI 与数据和工具的连接。发现如何将 Ultralytics YOLO26 与 MCP 集成以实现更智能的工作流。
模型上下文协议 (MCP) 是一项开放标准，旨在标准化 AI 模型与外部数据、工具和环境的交互方式。过去，将 大语言模型 (LLMs) 或计算机视觉系统连接到真实数据源（如本地文件、数据库或 API 端点）时，每个工具都需要构建自定义集成。MCP 通过提供一种通用协议解决了这种碎片化问题，就像 AI 应用程序的 USB 接口一样。这使得开发者只需构建一次连接器，即可在多个 AI 客户端中使用，从而显著降低了创建 上下文感知客户支持 代理和智能助手的复杂性。
Link to this sectionMCP 的工作原理#
从本质上讲，MCP 通过客户端-主机-服务器架构运行。“客户端”是发起请求的 AI 应用程序（例如编码助手或聊天机器人界面）。“主机”提供运行时环境，而“服务器”是连接到特定数据或工具的桥梁。当 AI 代理 需要访问文件或查询数据库时，它会通过该协议发送请求。MCP 服务器处理此请求，检索必要的上下文，并以结构化方式将其返回给模型。
这种架构支持三种主要功能：
- 资源 (Resources)： 允许模型读取数据，例如日志、代码文件或业务文档，为 检索增强生成 (RAG) 提供必要的基础。
- 提示词 (Prompts)： 预定义的模板，帮助用户或模型有效地与服务器交互，从而简化 提示词工程 工作流程。
- 工具 (Tools)： 可执行的函数，允许模型采取行动，例如编辑文件、运行脚本或与 计算机视觉 流水线交互。
Link to this section实际应用#
MCP 正在迅速普及，因为它将模型与集成逻辑解耦。以下是其实际应用的两个具体示例：
-
统一开发环境： 在软件工程中，开发者经常需要在 IDE、终端和文档之间切换。支持 MCP 的编码助手可以同时连接到 GitHub 仓库、本地文件系统和错误跟踪数据库。如果开发者问“为什么登录失败？”，AI 可以使用 MCP 服务器提取最新的错误日志、读取相关的身份验证代码并检查未解决的问题，将这些 多模态数据 合成为解决方案，而无需用户手动复制和粘贴上下文。
-
上下文感知视觉检测： 在工业环境中，标准的视觉模型可以检测缺陷，但缺乏历史上下文。通过使用 MCP，可以将 Ultralytics YOLO26 检测系统链接到库存数据库。当模型检测到“损坏的零件”时，它会触发一个 MCP 工具来查询数据库中替换件的可用性，并自动起草一份维护工单。这将简单的 目标检测 任务转化为一个完整的自动化工作流程。
Link to this section区分相关术语#
将 MCP 与 AI 生态系统中的类似概念区分开来很有帮助：
- MCP 与 API： 应用程序编程接口 (API) 是一套特定的规则，用于让一个软件与另一个软件进行通信。MCP 是一种 协议，它标准化了 任何 AI 模型与 任何 API 或数据源的交互方式。你可以构建一个封装特定 API 的 MCP 服务器，使其对兼容 MCP 的客户端普遍可用。
- MCP 与 RAG： 检索增强生成 (RAG) 是一种向模型馈送外部数据的技术。MCP 是促进这一过程的 基础设施。RAG 是“内容”（获取数据），而 MCP 是“方式”（标准的连接管道）。
- MCP 与函数调用： 许多模型（包括 OpenAI GPT-4）原生支持函数调用。MCP 创建了一种标准方法来定义和公开这些函数（工具），这样它们就不必每次都硬编码到模型的系统提示词中。
Link to this section与计算机视觉的集成#
虽然 MCP 最初是为基于文本的 LLM 而普及的，但它在以视觉为中心的工作流程中也变得越来越重要。开发者可以创建 MCP 服务器，将计算机视觉功能作为工具公开。例如，充当中央控制器的 LLM 可以通过作为 MCP 工具公开的本地 Python 脚本，将视觉任务委托给 Ultralytics 模型。
以下 Python 代码片段演示了一个概念性工作流程，其中脚本使用视觉模型生成上下文，然后可以通过兼容 MCP 的端点提供该上下文：
from ultralytics import YOLO
# Load the YOLO26 model (efficient, end-to-end detection)
model = YOLO("yolo26n.pt")
# Perform inference to get visual context from an image
results = model("https://ultralytics.com/images/bus.jpg")
# Extract detection data to be passed as context
detections = []
for r in results:
for box in r.boxes:
cls_name = model.names[int(box.cls)]
detections.append(f"{cls_name} (conf: {box.conf.item():.2f})")
# This string serves as the 'context' a downstream agent might request
context_string = f"Visual Analysis: Found {', '.join(detections)}"
print(context_string)Link to this sectionAI 连接的未来#
模型上下文协议的引入标志着向模块化和可互操作的 代理式 AI 系统的转变。通过标准化连接，行业正在从孤立的聊天机器人转向能够在组织现有基础设施内执行有意义工作的集成助手。随着 Ultralytics Platform 等工具的不断发展，像 MCP 这样的标准协议很可能在 自定义训练模型 如何在更大的企业工作流程中部署和利用方面发挥关键作用。
