第10章：Model Context Protocol (MCP)

要使 LLM 能够作为 Agent 有效运作，它们的能力必须超越多模态生成。与环境的交互是必要的，包括访问当前数据、利用外部软件以及执行特定的操作任务。Model Context Protocol (MCP) 通过为 LLM 提供与外部资源交互的标准化接口来满足这一需求。该协议作为促进一致且可预测集成的关键机制。

MCP 模式概述

想象一个通用适配器，允许任何 LLM 接入任何外部系统、数据库或工具，而无需为每个系统定制集成。这本质上就是 Model Context Protocol (MCP) 的含义。它是一个开放标准，旨在标准化 Gemini、OpenAI 的 GPT 模型、Mixtral 和 Claude 等 LLM 与外部应用程序、数据源和工具的通信方式。可以将其视为一种通用连接机制，简化了 LLM 获取上下文、执行操作以及与各种系统交互的方式。

MCP 采用客户端-服务器架构。它定义了 MCP 服务器如何暴露不同的元素——数据（称为资源）、交互模板（本质上是 prompts）和可执行函数（称为工具）。然后由 MCP 客户端（可以是 LLM 宿主应用程序或 AI Agent 本身）来消费这些元素。这种标准化方法显著降低了将 LLM 集成到多样化操作环境中的复杂性。

然而，MCP 是"Agentic 接口"的一种契约，其有效性在很大程度上取决于它所暴露的基础 API 的设计。存在一种风险，即开发者只是简单地包装现有的遗留 API 而不加修改，这对于 Agent 来说可能是次优的。例如，如果一个工单系统的 API 只允许逐一检索完整的工单详情，那么当要求 Agent 汇总高优先级工单时，在处理大量数据时就会变得缓慢且不准确。为了真正有效，基础 API 应该通过确定性的特性（如过滤和排序）进行改进，以帮助非确定性的 Agent 高效工作。这凸显了一个事实：Agent 并不会神奇地取代确定性工作流；它们通常需要更强大的确定性支持才能成功。

此外，MCP 可以包装一个其输入或输出仍然无法被 Agent 天然理解的 API。只有当 API 的数据格式对 Agent 友好时，它才有用，而这是 MCP 本身无法保证的。例如，为一个文档存储创建 MCP 服务器，如果返回的是 PDF 文件，而消费它的 Agent 无法解析 PDF 内容，那么这在很大程度上是无效的。更好的方法是首先创建一个返回文档文本版本（如 Markdown）的 API，这样 Agent 才能真正读取和处理。这表明开发者不仅要考虑连接，还要考虑所交换数据的性质，以确保真正的兼容性。

MCP vs. Tool Function Calling

Model Context Protocol (MCP) 和 Tool Function Calling 是使 LLM 能够与外部能力（包括工具）交互并执行操作的不同机制。虽然两者的目的都是扩展 LLM 超越文本生成的能力，但它们在方法和抽象层次上有所不同。

Tool Function Calling 可以被认为是 LLM 向特定的、预定义的工具或函数发出的直接请求。请注意，在此上下文中，我们互换使用"tool"和"function"这两个词。这种交互的特点是一对一的通信模型，其中 LLM 根据其对用户意图的理解（需要外部操作）来格式化请求。然后应用程序代码执行该请求并将结果返回给 LLM。这个过程通常是专有的，并且在不同 LLM 提供商之间有所不同。

相比之下，Model Context Protocol (MCP) 作为 LLM 发现、通信和利用外部能力的标准化接口运行。它作为一个开放协议，促进与各种工具和系统的交互，旨在建立一个任何合规工具都可以被任何合规 LLM 访问的生态系统。这促进了不同系统和实现之间的互操作性、可组合性和可复用性。通过采用联邦模型，我们显著提高了互操作性，并释放了现有资产的价值。这一策略使我们能够通过将其包装在符合 MCP 的接口中，将分散的遗留服务带入现代生态系统。这些服务继续独立运行，但现在可以被组合到新的应用程序和工作流中，由 LLM 协调它们的协作。这在不要求昂贵地重写基础系统的情况下促进了敏捷性和可复用性。

以下是 MCP 和 Tool Function Calling 之间根本区别的详细分析：

特性	Tool Function Calling	Model Context Protocol (MCP)
标准化	专有且特定于供应商。格式和实现在不同 LLM 提供商之间各不相同。	一个开放的、标准化的协议，促进不同 LLM 和工具之间的互操作性。
范围	LLM 请求执行特定预定义函数的直接机制。	关于 LLM 和外部工具如何发现和相互通信的更广泛框架。
架构	LLM 与应用程序的工具处理逻辑之间的一对一交互。	客户端-服务器架构，其中由 LLM 驱动的应用程序（客户端）可以连接和利用各种 MCP 服务器（工具）。
发现	LLM 在特定对话的上下文中被明确告知哪些工具可用。	支持动态发现可用工具。MCP 客户端可以查询服务器以查看它提供哪些能力。
可复用性	工具集成通常与所使用的特定应用程序和 LLM 紧密耦合。	促进可复用的、独立的"MCP 服务器"的开发，这些服务器可以被任何合规的应用程序访问。

将 Tool Function Calling 想象成给 AI 一套特定的定制工具，比如一把特定的扳手和螺丝刀。这对于具有固定任务集的工作坊来说是高效的。另一方面，MCP (Model Context Protocol) 就像创建一个通用的、标准化的电源插座系统。它本身不提供工具，但它允许来自任何制造商的任何合规工具插入并工作，从而实现动态且不断扩展的工作坊。

简而言之，Function Calling 提供对少数特定函数的直接访问，而 MCP 是让 LLM 发现和使用大量外部资源的标准化通信框架。对于简单的应用程序，特定工具就足够了；对于需要适应的复杂、互联的 AI 系统，像 MCP 这样的通用标准至关重要。

MCP 的其他考虑因素

虽然 MCP 提供了一个强大的框架，但全面的评估需要考虑几个影响其对于给定用例适用性的关键方面。让我们更详细地了解一些方面：

Tool vs. Resource vs. Prompt：理解这些组件的具体角色很重要。Resource 是静态数据（例如，PDF 文件、数据库记录）。Tool 是执行操作的可执行函数（例如，发送电子邮件、查询 API）。Prompt 是引导 LLM 如何与 Resource 或 Tool 交互的模板，确保交互是结构化且有效的。
可发现性：MCP 的一个关键优势是 MCP 客户端可以动态查询服务器以了解它提供哪些工具和资源。这种"即时"发现机制对于需要适应新能力而无需重新部署的 Agent 来说非常强大。
安全性：通过任何协议暴露工具和数据都需要强大的安全措施。MCP 实现必须包括身份验证和授权，以控制哪些客户端可以访问哪些服务器以及它们被允许执行哪些特定操作。
实现：虽然 MCP 是一个开放标准，但其实现可能很复杂。然而，提供商开始简化这个过程。例如，一些模型提供商如 Anthropic 或 FastMCP 提供 SDK，抽象掉大量样板代码，使开发者更容易创建和连接 MCP 客户端和服务器。
错误处理：全面的错误处理策略至关重要。协议必须定义如何将错误（例如，工具执行失败、服务器不可用、无效请求）传达回 LLM，以便它能够理解失败并可能尝试替代方法。
本地 vs. 远程服务器：MCP 服务器可以部署在与 Agent 相同的机器上（本地），也可以部署在不同的服务器上（远程）。可以选择本地服务器来实现敏感数据的处理速度和安全性，而远程服务器架构允许跨组织共享、可扩展地访问常用工具。
按需 vs. 批处理：MCP 可以支持按需的交互式会话和更大规模的批处理。选择取决于应用程序，从需要即时工具访问的实时对话 Agent，到批量处理记录的数据分析管道。
传输机制：协议还定义了通信的底层传输层。对于本地交互，它使用基于 STDIO（标准输入/输出）的 JSON-RPC 来实现高效的进程间通信。对于远程连接，它利用对 Web 友好的协议，如 Streamable HTTP 和 Server-Sent Events (SSE)，以实现持久且高效的客户端-服务器通信。

Model Context Protocol 使用客户端-服务器模型来标准化信息流。理解组件交互是 MCP 高级 Agentic 行为的关键：

Large Language Model (LLM)：核心智能。它处理用户请求、制定计划，并决定何时需要访问外部信息或执行操作。
MCP 客户端：这是 LLM 周围的应用程序或包装器。它充当中介，将 LLM 的意图转换为符合 MCP 标准的正式请求。它负责发现、连接和与 MCP 服务器通信。
MCP 服务器：这是通往外部世界的网关。它向任何授权的 MCP 客户端暴露一组工具、资源和 Prompts。每个服务器通常负责一个特定领域，例如连接到公司的内部数据库、电子邮件服务或公共 API。
可选的第三方 (3P) 服务：这代表 MCP 服务器管理和暴露的实际外部工具、应用程序或数据源。它是执行请求操作的最终端点，例如查询专有数据库、与 SaaS 平台交互或调用公共天气 API。

交互流程如下：

发现：MCP 客户端代表 LLM 查询 MCP 服务器，询问它提供哪些能力。服务器响应一个清单，列出其可用工具（例如，send_email）、资源（例如，customer_database）和 Prompts。
请求制定：LLM 确定它需要使用其中一个已发现的工具。例如，它决定发送一封电子邮件。它制定一个请求，指定要使用的工具（send_email）和必要的参数（收件人、主题、正文）。
客户端通信：MCP 客户端接收 LLM 制定的请求，并将其作为标准化调用发送给相应的 MCP 服务器。
服务器执行：MCP 服务器接收请求。它验证客户端身份、验证请求，然后通过与底层软件交互来执行指定的操作（例如，调用电子邮件 API 的 send() 函数）。
响应和上下文更新：执行后，MCP 服务器将标准化响应发送回 MCP 客户端。此响应指示操作是否成功，并包含任何相关输出（例如，已发送电子邮件的确认 ID）。然后客户端将此结果传递回 LLM，更新其上下文，并使它能够继续其任务的下一步。

实际应用与用例

MCP 显著拓宽了 AI/LLM 的能力，使它们更加多功能化和强大。以下是九个关键用例：

数据库集成：MCP 允许 LLM 和 Agent 无缝访问数据库中的结构化数据并与之交互。例如，使用 MCP Toolbox for Databases，Agent 可以查询 Google BigQuery 数据集以检索实时信息、生成报告或更新记录，所有这些都由自然语言命令驱动。
生成媒体编排：MCP 使 Agent 能够与高级生成媒体服务集成。通过 MCP Tools for Genmedia Services，Agent 可以编排涉及 Google Imagen（图像生成）、Google Veo（视频创建）、Google Chirp 3 HD（逼真语音）或 Google Lyria（音乐创作）的工作流，允许在 AI 应用程序中进行动态内容创建。
外部 API 交互：MCP 为 LLM 调用任何外部 API 并接收响应提供了标准化方式。这意味着 Agent 可以获取实时天气数据、拉取股票价格、发送电子邮件或与 CRM 系统交互，将其能力扩展到其核心语言模型之外。
基于推理的信息提取：利用 LLM 强大的推理能力，MCP 促进了有效的、依赖于查询的信息提取，超越了传统的搜索和检索系统。Agent 不是让传统搜索工具返回整个文档，而是可以分析文本并提取直接回答用户复杂问题的精确条款、数字或陈述。
自定义工具开发：开发者可以构建自定义工具并通过 MCP 服务器暴露它们（例如，使用 FastMCP）。这使得专门的内部函数或专有系统能够以标准化、易于消费的格式提供给 LLM 和其他 Agent，而无需直接修改 LLM。
标准化 LLM 到应用程序的通信：MCP 确保 LLM 与它们交互的应用程序之间有一致的通信层。这减少了集成开销，促进了不同 LLM 提供商和宿主应用程序之间的互操作性，并简化了复杂 Agentic 系统的开发。
复杂工作流编排：通过组合各种 MCP 暴露的工具和数据源，Agent 可以编排高度复杂的多步骤工作流。例如，Agent 可以从数据库检索客户数据、生成个性化的营销图像、起草定制电子邮件，然后发送它，所有这些都通过与不同的 MCP 服务交互来完成。
IoT 设备控制：MCP 可以促进 LLM 与物联网 (IoT) 设备的交互。Agent 可以使用 MCP 向智能家居设备、工业传感器或机器人发送命令，实现对物理系统的自然语言控制和自动化。
金融服务自动化：在金融服务中，MCP 可以使 LLM 与各种金融数据源、交易平台或合规系统交互。Agent 可以分析市场数据、执行交易、生成个性化财务建议或自动化监管报告，同时保持安全和标准化的通信。

简而言之，Model Context Protocol (MCP) 使 Agent 能够从数据库、API 和 Web 资源访问实时信息。它还允许 Agent 通过集成和处理来自各种来源的数据来执行诸如发送电子邮件、更新记录、控制设备和执行复杂任务等操作。此外，MCP 支持 AI 应用程序的媒体生成工具。

使用 ADK 的实践代码示例

本节概述如何连接到提供文件系统操作的本地 MCP 服务器，使 ADK Agent 能够与本地文件系统交互。

使用 MCPToolset 设置 Agent

要为文件系统交互配置 Agent，必须创建一个 agent.py 文件（例如，位于 ./adk_agent_samples/mcp_agent/agent.py）。MCPToolset 在 LlmAgent 对象的 tools 列表中实例化。至关重要的是，要将 args 列表中的 "/path/to/your/folder" 替换为 MCP 服务器可以访问的本地系统上目录的绝对路径。此目录将是 Agent 执行的文件系统操作的根目录。

python

import os
from google.adk.agents import LlmAgent
from google.adk.tools.mcp_tool.mcp_toolset import MCPToolset, StdioServerParameters

# 创建一个可靠的绝对路径，指向与此 Agent 脚本相同目录中
# 名为 'mcp_managed_files' 的文件夹。
# 这确保 Agent 在演示时可以开箱即用。
# 对于生产环境，您需要将其指向更持久和安全的地址。
TARGET_FOLDER_PATH = os.path.join(os.path.dirname(os.path.abspath(__file__)), "mcp_managed_files")

# 在 Agent 需要之前确保目标目录存在。
os.makedirs(TARGET_FOLDER_PATH, exist_ok=True)

root_agent = LlmAgent(
    model='gemini-2.0-flash',
    name='filesystem_assistant_agent',
    instruction=(
        'Help the user manage their files. You can list files, read files, and write files. '
        f'You are operating in the following directory: {TARGET_FOLDER_PATH}'
    ),
    tools=[
        MCPToolset(
            connection_params=StdioServerParameters(
                command='npx',
                args=[
                    "-y",  # npx 自动确认安装的参数
                    "@modelcontextprotocol/server-filesystem",
                    # 这必须是一个文件夹的绝对路径。
                    TARGET_FOLDER_PATH,
                ],
            ),
            # 可选：您可以过滤 MCP 服务器中的哪些工具被暴露。
            # 例如，只允许读取：
            # tool_filter=['list_directory', 'read_file']
        )
    ],
)

npx（Node Package Execute）捆绑在 npm（Node Package Manager）5.2.0 及更高版本中，是一个允许直接从 npm 注册表执行 Node.js 包的实用程序。这消除了全局安装的需要。本质上，npx 作为 npm 包运行器，通常用于运行许多社区 MCP 服务器，这些服务器作为 Node.js 包分发。

创建 __init__.py 文件是确保 agent.py 文件被 Agent Development Kit (ADK) 识别为可发现的 Python 包的一部分所必需的。此文件应与 agent.py 位于同一目录中。

python

# ./adk_agent_samples/mcp_agent/__init__.py
from . import agent

当然，其他受支持的命令也可以使用。例如，连接到 python3 可以如下所示实现：

python

connection_params = StdioConnectionParams(
    server_params={
        "command": "python3",
        "args": ["./agent/mcp_server.py"],
        "env": {
            "SERVICE_ACCOUNT_PATH": SERVICE_ACCOUNT_PATH,
            "DRIVE_FOLDER_ID": DRIVE_FOLDER_ID
        }
    }
)

在 Python 的上下文中，UVX 指的是一个命令行工具，它利用 uv 在临时的、隔离的 Python 环境中执行命令。本质上，它允许您运行 Python 工具和包，而无需在全局或项目环境中安装它们。您可以通过 MCP 服务器运行它。

python

connection_params = StdioConnectionParams(
    server_params={
        "command": "uvx",
        "args": ["mcp-google-sheets@latest"],
        "env": {
            "SERVICE_ACCOUNT_PATH": SERVICE_ACCOUNT_PATH,
            "DRIVE_FOLDER_ID": DRIVE_FOLDER_ID
        }
    }
)

一旦创建了 MCP 服务器，下一步就是连接到它。

使用 ADK Web 连接 MCP 服务器

首先，执行 adk web。在终端中导航到 mcp_agent 的父目录（例如，adk_agent_samples）并运行：

bash

cd ./adk_agent_samples  # 或您的等效父目录
adk web

一旦 ADK Web UI 在浏览器中加载完毕，从 Agent 菜单中选择 filesystem_assistant_agent。接下来，尝试以下提示：

"Show me the contents of this folder."
"Read the sample.txt file."（这假设 sample.txt 位于 TARGET_FOLDER_PATH。）
"What's in another_file.md?"

使用 FastMCP 创建 MCP 服务器

FastMCP 是一个高级 Python 框架，旨在简化 MCP 服务器的开发。它提供了一个抽象层，简化了协议的复杂性，使开发者能够专注于核心逻辑。

该库支持使用简单的 Python 装饰器快速定义工具、资源和 Prompts。一个显著的优势是其自动 Schema 生成，它智能地解释 Python 函数签名、类型提示和文档字符串，以构建必要的 AI 模型接口规范。这种自动化最大限度地减少了手动配置并减少了人为错误。

除了基本的工具创建之外，FastMCP 还促进了高级架构模式，如服务器组合和代理。这使得复杂、多组件系统的模块化开发以及将现有服务无缝集成到 AI 可访问的框架中成为可能。此外，FastMCP 包括针对高效、分布式和可扩展的 AI 驱动应用程序的优化。

使用 FastMCP 设置服务器

为了说明，考虑一个由服务器提供的基本"greet"工具。一旦激活，ADK Agent 和其他 MCP 客户端可以使用 HTTP 与此工具交互。

python

# fastmcp_server.py
# 此脚本演示如何使用 FastMCP 创建一个简单的 MCP 服务器。
# 它暴露一个生成问候语的单个工具。
# 1. 确保您已安装 FastMCP：
# pip install fastmcp
from fastmcp import FastMCP, Client

# 初始化 FastMCP 服务器。
mcp_server = FastMCP()

# 定义一个简单的工具函数。
# `@mcp_server.tool` 装饰器将此 Python 函数注册为 MCP 工具。
# 文档字符串成为 LLM 的工具描述。
@mcp_server.tool
def greet(name: str) -> str:
    """
    Generates a personalized greeting.

    Args:
        name: The name of the person to greet.

    Returns:
        A greeting string.
    """
    return f"Hello, {name}! Nice to meet you."

# 或者，如果您想从脚本运行它：
if __name__ == "__main__":
    mcp_server.run(
        transport="http",
        host="127.0.0.1",
        port=8000
    )

这个 Python 脚本定义了一个名为 greet 的单个函数，它接收一个人的名字并返回一个个性化的问候语。此函数上方的 @tool() 装饰器自动将其注册为 AI 或其他程序可以使用的工具。函数的文档字符串和类型提示被 FastMCP 用来告诉 Agent 该工具如何工作、需要什么输入以及它将返回什么。

当脚本被执行时，它启动 FastMCP 服务器，监听 localhost:8000 上的请求。这使得 greet 函数作为一个网络服务可用。然后可以将 Agent 配置为连接到此服务器并使用 greet 工具作为更大任务的一部分来生成问候语。服务器持续运行，直到被手动停止。

使用 ADK Agent 消费 FastMCP 服务器

可以将 ADK Agent 设置为 MCP 客户端，以使用正在运行的 FastMCP 服务器。这需要将 HttpServerParameters 配置为 FastMCP 服务器的网络地址，通常是 http://localhost:8000。

可以包含一个 tool_filter 参数，以将 Agent 的工具使用限制为服务器提供的特定工具，例如 'greet'。当收到像"Greet John Doe"这样的请求提示时，Agent 的内嵌 LLM 会识别通过 MCP 可用的 'greet' 工具，使用参数"John Doe"调用它，并返回服务器的响应。这个过程演示了通过 MCP 暴露的用户定义工具与 ADK Agent 的集成。

要建立此配置，需要一个 Agent 文件（例如，位于 ./adk_agent_samples/fastmcp_client_agent/ 的 agent.py）。此文件将实例化一个 ADK Agent 并使用 HttpServerParameters 与运行中的 FastMCP 服务器建立连接。

python

# ./adk_agent_samples/fastmcp_client_agent/agent.py
import os
from google.adk.agents import LlmAgent
from google.adk.tools.mcp_tool.mcp_toolset import MCPToolset, HttpServerParameters

# 定义 FastMCP 服务器的地址。
# 确保您的 fastmcp_server.py（先前定义）在此端口上运行。
FASTMCP_SERVER_URL = "http://localhost:8000"

root_agent = LlmAgent(
    model='gemini-2.0-flash',  # 或您首选的模型
    name='fastmcp_greeter_agent',
    instruction='You are a friendly assistant that can greet people by their name. Use the "greet" tool.',
    tools=[
        MCPToolset(
            connection_params=HttpServerParameters(
                url=FASTMCP_SERVER_URL,
            ),
            # 可选：过滤 MCP 服务器中的哪些工具被暴露
            # 在这个例子中，我们期望只有 'greet'
            tool_filter=['greet']
        )
    ],
)

该脚本定义了一个名为 fastmcp_greeter_agent 的 Agent，它使用 Gemini 语言模型。它被赋予了一个具体的指令，即作为一个友好的助手，其目的是问候人们。关键是，代码为此 Agent 配备了执行其任务的工具。它将 MCPToolset 配置为连接到在 localhost:8000 上运行的独立服务器，这应该是前面例子中的 FastMCP 服务器。Agent 被授予对该服务器上托管的 greet 工具的专门访问权限。本质上，此代码设置了系统的客户端，创建了一个了解其目标是问候人们并知道使用哪个外部工具来完成它的智能 Agent。

在 fastmcp_client_agent 目录中创建 __init__.py 文件是必要的。这确保 Agent 被 ADK 识别为一个可发现的 Python 包。

要开始，打开一个新的终端并运行 python fastmcp_server.py 以启动 FastMCP 服务器。接下来，在终端中转到 fastmcp_client_agent 的父目录（例如，adk_agent_samples）并执行 adk web。一旦 ADK Web UI 在浏览器中加载完毕，从 Agent 菜单中选择 fastmcp_greeter_agent。然后您可以通过输入像"Greet John Doe"这样的提示来测试它。Agent 将使用您 FastMCP 服务器上的 greet 工具来创建响应。

概览

是什么：要作为有效的 Agent 运作，LLM 必须超越简单的文本生成。它们需要具备与环境交互的能力，以访问当前数据并利用外部软件。如果没有标准化的通信方法，每次 LLM 与外部工具或数据源之间的集成都会成为一种定制的、复杂的且不可复用的工作。这种临时方法阻碍了可扩展性，使得构建复杂的、互联的 AI 系统变得困难且低效。

为什么：Model Context Protocol (MCP) 通过充当 LLM 与外部系统之间的通用接口，提供了一个标准化的解决方案。它建立了一个开放的标准化协议，定义了如何发现和使用外部能力。MCP 采用客户端-服务器模型运行，允许服务器向任何合规的客户端暴露工具、数据资源的交互式 Prompts。由 LLM 驱动的应用程序充当这些客户端，以可预测的方式动态发现和交互可用资源。这种标准化方法促进了可互操作和可复用组件的生态系统，极大地简化了复杂 Agentic 工作流的开发。

经验法则：在构建复杂的、可扩展的或企业级的 Agentic 系统，需要与多样化且不断发展的外部工具、数据源和 API 集合交互时，使用 Model Context Protocol (MCP)。当不同 LLM 和工具之间的互操作性是一个优先事项，以及当 Agent 需要能够动态发现新能力而无需重新部署时，它是理想的选择。对于具有固定且数量有限的预定义函数的更简单的应用程序，直接的 Tool Function Calling 可能就足够了。

可视化摘要

图 1：Model Context Protocol

关键要点

以下是关键要点：

Model Context Protocol (MCP) 是一个促进 LLM 与外部应用程序、数据源和工具之间标准化通信的开放标准。
它采用客户端-服务器架构，定义了暴露和消费资源、Prompts 和工具的方法。
Agent Development Kit (ADK) 支持利用现有 MCP 服务器并通过 MCP 服务器暴露 ADK 工具。
FastMCP 简化了 MCP 服务器的开发和管理，特别是对于用 Python 实现的工具的暴露。
MCP Tools for Genmedia Services 允许 Agent 与 Google Cloud 的生成媒体能力（Imagen、Veo、Chirp 3 HD、Lyria）集成。
MCP 使 LLM 和 Agent 能够与真实世界的系统交互，访问动态信息，并执行超越文本生成的操作。

总结

Model Context Protocol (MCP) 是一个促进大语言模型 (LLM) 与外部系统之间通信的开放标准。它采用客户端-服务器架构，使 LLM 能够通过标准化工具访问资源、利用 Prompts 和执行操作。MCP 允许 LLM 与数据库交互、管理生成媒体工作流、控制 IoT 设备并自动化金融服务。实践示例演示了设置 Agent 与 MCP 服务器通信，包括文件系统服务器和使用 FastMCP 构建的服务器，说明了其与 Agent Development Kit (ADK) 的集成。MCP 是开发超越基本语言能力的交互式 AI Agent 的关键组件。

参考资料

Model Context Protocol (MCP) Documentation. (Latest). Model Context Protocol (MCP). https://google.github.io/adk-docs/mcp/
FastMCP Documentation. FastMCP. https://github.com/jlowin/fastmcp
MCP Tools for Genmedia Services. MCP Tools for Genmedia Services. https://google.github.io/adk-docs/mcp/#mcp-servers-for-google-cloud-genmedia
MCP Toolbox for Databases Documentation. (Latest). MCP Toolbox for Databases. https://google.github.io/adk-docs/mcp/databases/