大模型很聪明，但不知道你公司内部有什么。MCP 协议让 AI Agent 安全地访问企业文件、数据库、API，不再乱编数据
部署完 AI Agent，第一反应往往是：它能回答通用问题，但不知道公司制度、合同模板、项目进度、客服记录。
传统解法有两条路：
MCP 提供了第三条路：标准化协议层，像 USB 接口一样，让 AI Agent 即插即用地连接各种数据源，无需为每个数据源单独写集成代码。
MCP（Model Context Protocol）由 Anthropic 开源，核心思路：把 AI Agent 与数据源之间的通信方式标准化。
类比：USB 协议让电脑连接各种设备（鼠标、键盘、硬盘），不用为每个设备单独写驱动。MCP 让 AI Agent 连接各种数据源（文件、数据库、API），不用为每个数据源单独写集成。
MCP 协议包含三类核心组件：
| 组件 | 作用 | 类比 |
|---|---|---|
| Host（宿主） | AI 应用本身（如 Mule Agent） | 电脑 |
| Client（客户端） | 与每个数据源维持一个连接 | USB 控制器 |
| Server（服务端） | 每个数据源的 MCP 适配器 | 设备驱动 |
| Tools（工具） | Server 暴露给 Agent 的可调用能力 | 设备功能接口 |
# Python 环境（建议 3.10+）
pip install mcp
# Node.js 环境（如果用 JS/TS）
npm install @modelcontextprotocol/sdkMCP 有 Python 和 TypeScript 两个官方 SDK，企业内部系统多用 Python 实现。
先用一个最简例子：让 AI Agent 能读取公司共享盘里的文件。
# file_server.py
from mcp.server.fastmcp import FastMCP
mcp = FastMCP("企业文件系统")
@mcp.tool()
def read_document(path: str) -> str:
"""读取指定路径的文档内容"""
import os
# 安全限制：只允许读取指定目录
ALLOWED_DIR = "/data/knowledge_base"
full_path = os.path.realpath(os.path.join(ALLOWED_DIR, path))
if not full_path.startswith(ALLOWED_DIR):
return "错误：路径不在允许范围内"
try:
with open(full_path, "r", encoding="utf-8") as f:
return f.read()[:8000] # 限制返回长度
except Exception as e:
return f"读取失败：{e}"
if __name__ == "__main__":
mcp.run()os.path.realpath 做路径规范化，并检查最终路径是否在允许目录内。防止 Agent 通过 ../../../etc/passwd 读取系统文件。
# 方式 A：stdio 模式（本地进程通信，最简单）
python file_server.py
# 方式 B：SSE 模式（HTTP 长连接，适合远程）
python -m uvicorn file_server:app --port 8080stdio 模式通过标准输入输出通信，适合本地集成。Mule Agent 可以直接通过 stdio 模式调用本地 MCP Server。
在 Mule Agent 后台添加 MCP 数据源：
# mule_agent_config.json
{
"mcp_servers": [
{
"name": "企业知识库",
"command": "python",
"args": ["/data/mcp/file_server.py"],
"description": "访问公司知识库文档"
}
]
}配置完成后，AI Agent 在对话中就能自动发现并调用 read_document 工具，读取 /data/knowledge_base/ 目录下的文件。
向 AI Agent 提问：
"我们公司最新的年假制度是怎么规定的？请从知识库中找到相关文档并回答。"
Agent 会自动：
read_document("hr/vacation-policy-2026.md")全程在企业内部网络完成，数据不出公司，符合数据安全要求。
问题：如果不做路径检查，恶意 prompt 可以让 Agent 读取 /etc/passwd 或公司敏感文件。
if not realpath(full).startswith(ALLOWED_DIR): raise PermissionError()问题：大文档直接返回全部内容，消耗大量 token，成本飙升，响应变慢。
[:8000]），或用 top_k 参数只返回最相关片段。需要全文时再让 Agent 分段读取。问题：Server 进程挂了，Agent 沉默，用户不知道工具不可用，还以为 AI 在思考。
health_check_interval（MCP SDK 内置），定期探测 Server 状态。异常时在对话中主动告知用户："当前无法访问知识库，请联系管理员"。问题：企业文档有 GBK 编码（Windows 系统导出文件），直接读 utf-8 报 UnicodeDecodeError。
encoding="utf-8", errors="replace" 自动替换无法解码的字符，或先尝试 GBK 再 fallback UTF-8：open(path, encoding="utf-8") or open(path, encoding="gbk")问题：Agent 不确定文档是否完整，连续调用 read_document 同一文件多次。
token_used 和 content_length 元信息，让 Agent 判断是否已获得完整内容。MCP 协议支持在 tool result 中返回 metadata。| 维度 | MCP | RAG |
|---|---|---|
| 适用场景 | 实时数据、频繁变更的文件、需要写操作的场景 | 大规模文档库、搜索型问答、历史归档数据 |
| 延迟 | 低（直接读文件/API） | 高（向量检索 + LLM 生成） |
| 实现成本 | 中（每个数据源要写 MCP Server） | 高（切块、向量化、建索引） |
| 数据一致性 | 实时（读取时就是最新） | 滞后（依赖索引更新时间） |
| 安全性 | 高（可在 MCP Server 加细粒度权限） | 中（向量数据库整体开放） |
实际推荐：两者可以叠加用。MCP 处理实时、敏感的读写操作；RAG 处理大规模文档搜索。典型架构：RAG 负责"找相关文档"，MCP 负责"获取详细内容"。