MCP：让 AI 查完再答
一个你一定遇到过的问题
你让 AI 帮你综述一下 GLP-1 受体激动剂的心血管保护作用，它给你洋洋洒洒写了两页，列了 6 篇参考文献，看起来像模像样。
你抽了其中一篇去 PubMed 查——查无此文。
不是 DOI 错了，是这篇文章从来就没存在过。作者名字、期刊名称、发表年份，全是 AI "编"的。
这就是 L1-2 讲过的幻觉问题。但在 L1 的时候我们只是"知道了这个风险"，现在到了 L3，是时候解决它了。
为什么 AI 给不了出处？
要理解这个问题，得回到 AI 的工作原理。
AI 的知识是"冻住"的
L1-2 讲过，大模型是通过大量文本训练出来的"语言预测机器"。训练完成之后，它的知识就定格在训练数据的截止日期了。
这意味着：
- 2024 年 12 月训练完成的模型，不知道 2025 年 1 月发布的新指南
- 它"知道"的文献，不是因为它有一个文献数据库可以查，而是因为训练数据里包含了相关文本的片段
- 它在回答时不是"去查"文献，而是在"回忆"训练数据中出现过的文字模式
"回忆"和"查"有什么区别
这个区别对医生来说很好理解：
| "回忆"（通用 AI 的工作方式） | "查"（你日常的工作方式） | |
|---|---|---|
| 类比 | 闭卷考试 | 开卷考试 |
| 知识来源 | 以前学过/看过的内容 | 当场翻书、查 UpToDate、查 PubMed |
| 信息时效性 | 可能过时 | 查到的就是最新的 |
| 准确性 | 可能记错、记混、甚至"脑补" | 有原文可以核对 |
| 出处 | 通常说不出具体来源 | 可以标注页码、DOI、指南版本 |
你作为医生，做临床决策时不会仅凭记忆——你会翻指南、查 UpToDate、搜 PubMed。MCP 就是让 AI 也能这样做。
MCP 是什么
一句话解释
MCP（Model Context Protocol，模型上下文协议）是一套让 AI 调用外部工具和数据源的标准接口。
不用记这个英文名。你只需要知道：配了 MCP 之后，AI 回答问题的时候可以先去查专业数据库，查完再答。
用你熟悉的概念理解
在医院里，不同科室的信息系统需要互通：LIS（检验系统）的结果要能在 HIS（医院信息系统）里看到，PACS（影像系统）的图要能调出来。为了让这些系统"说同一种语言"，有一套标准协议叫 HL7。
MCP 做的事情类似——它是 AI 世界的"HL7"：
| 医院信息化 | AI 生态 |
|---|---|
| HL7 协议 | MCP 协议 |
| 让 HIS 能调 LIS 的检验结果 | 让 AI 能调 PubMed 的文献数据 |
| 让不同厂商的系统互通 | 让不同的 AI 工具都能接入同一套外部服务 |
在 MCP 出现之前，如果你想让 AI 工具能查文献，每个工具得跟文献数据库单独对接一次
三个核心概念
MCP 的世界里只有三个角色，记住它们的关系就够了：
| 角色 | 是什么 | 例子 |
|---|---|---|
| MCP Client | 你用的 AI 工具 | Cherry Studio、Cursor、Trae、扣子（Coze） |
| MCP Server | 提供某种能力的后台服务 | 百小应（循证检索）、PubMed MCP、Web Search MCP |
| Tool | 服务里的具体功能 | 文献检索、药物查询、指南检索 |
你不需要理解背后的技术实现——就像你不需要知道 HL7 的报文格式也能在 HIS 里查检验结果一样。你只需要知道：选一个 Client，接上一个 Server，就能用。
效果对比：有 MCP vs 没有 MCP
光讲概念没用，看效果。
下面是同一个提示词，分别用通用 AI（不配 MCP）和配了百小应 MCP 后的回答对比。我们挑三个最典型的场景：
场景一：文献综述
提示词：请帮我综述 GLP-1 受体激动剂的心血管保护作用，列出关键临床试验和参考文献。
| 不配 MCP | 配了百小应 MCP | |
|---|---|---|
| 回答质量 | 内容专业，按临床试验逐个介绍 | 额外给出作用机制表格 + CVOT 试验汇总对比表 |
| 参考文献 | 6 篇经典文献，有作者和期刊名，但没有原文链接 | 8 篇文献，含中英文来源，每篇附可点击的原文链接 |
| 最大差距 | 文献看起来真，但你得自己去 PubMed 逐篇搜索核实 | 点击链接直接跳转原文验证，30 秒内完成核实 |
场景二：复杂病例用药
提示词：72 岁男性，高血压 155/95mmHg，2 型糖尿病 HbA1c 8.2%，CKD 3b 期 eGFR 38，目前用药：氨氯地平 5mg qd、二甲双胍 500mg bid。请基于最新临床指南给出用药调整建议。
| 不配 MCP | 配了百小应 MCP | |
|---|---|---|
| 回答质量 | 分科给出建议，提到了"ADA 指南" | 同样分科建议，但每条建议带编号引用标注 [1][2]... |
| 出处标注 | 提到指南名称，但没有具体文献信息 | 每条引用含期刊、年份、原文链接，可直接验证 |
| 临床可操作性 | 建议合理但偏泛 | 给出具体剂量范围、监测计划和随访时间 |
场景三：药物相互作用
提示词：华法林与阿莫西林同时使用，是否存在临床显著的药物相互作用？
| 不配 MCP | 配了百小应 MCP | |
|---|---|---|
| 机制分析 | 详细（4 种机制），质量不错 | 同样详细，额外给出具体的 INR 监测阈值和处理方案 |
| 参考文献 | 引用 ACC 指南、Stockley's，但没有链接 | 5 篇文献均为 RCT 或病例研究，附可点击的原文链接 |
| 你能不能直接用 | 需要自己去核实引用是否真实 | 点击链接即可验证，敢用 |
对比总结
看完三个场景，差距不在"回答好不好"——通用 AI 的回答质量其实也不差。差距在"能不能验证"：
| 通用 AI | 配了 MCP 的 AI | |
|---|---|---|
| 回答质量 | 7-8 分 | 8-9 分 |
| 引用可验证性 | ❌ 提到指南名但查不到具体文献 | ✅ 每条引用可点击跳转原文 |
| 你敢不敢直接用 | 得先自己核实一遍 | 核实成本极低，30 秒搞定 |
一句话总结：通用 AI 给你"看起来对的答案"，MCP 给你"可以验证的答案"。在医疗场景下，这个区别决定了你敢不敢用。
💡 想看五个场景的完整对比（含截图），可以参考配套教程：《医疗从业者 MCP 实战教程》
动手配置：5 分钟搞定
选工具
| 工具 | 适合谁 | 特点 |
|---|---|---|
| Cherry Studio | 零基础新手（推荐） | 图形界面，点击配置 |
| Cursor / Trae | 有一定技术基础的用户 | AI 编程 IDE，功能更强 |
| 扣子（Coze） | 想搭建智能体的用户 | 可视化搭建，自带模型额度 |
新手从 Cherry Studio 开始就好，最简单。
用 Cherry Studio 配置百小应 MCP
第 1 步：下载安装 Cherry Studio
前往 cherry-ai.com 下载对应系统版本，安装后打开。
第 2 步：配置大模型
进入 设置 → 模型服务 → 选一个模型服务商（如百川、火山引擎）→ 填入你的 API 密钥。
API 密钥是模型厂商给你的一串字符，类似于"通行证"。大多数国产模型对新用户有免费额度，直接去官网申请即可。
然后在聊天界面，选择一个带扳手图标 🔧 的模型。这很重要——只有带扳手的模型才支持调用外部工具，没有扳手图标的不行。
第 3 步：添加百小应 MCP
进入 设置 → MCP 服务器 → 点击添加，填写：
- 名称：百小应 MCP（随便起，自己能认出来就行）
- 类型：选择"服务器发送事件 (sse)"
- URL：
https://baixiaoying-mcp-server.baichuan-ai.com/sse - 请求头：
Authorization=Bearer 你的密钥
密钥从百小应官网获取。保存后看到状态变为绿色，就配好了。
第 4 步：测试
回到聊天界面，点击输入框下方的扳手图标 🔧，选择"手动"模式，勾选百小应 MCP。
然后输入一个你工作中的真实问题试试，比如：
华法林与阿莫西林同时使用，是否存在临床显著的药物相互作用？请给出具体机制和参考文献。使用百小应 mcp
你会看到 AI 先显示"正在调用工具…"，然后返回带出处的结构化回答。这就是 MCP 在工作。
配置第二个 MCP：Web Search
一个 AI 工具可以同时连接多个 MCP 服务。推荐再加一个 Web Search MCP（让 AI 能搜索网页信息），这样它既能查专业文献，也能搜最新资讯。
在 MCP 服务器中再添加一个服务即可。具体的 URL 和配置参数，可以在 mcp.so 上搜索 "web search" 找到。
配好两个之后，AI 会根据你的问题自动判断该调哪个——问文献的时候调百小应，问最新消息的时候调 Web Search。你不需要手动切换。
💡 更详细的配置步骤和截图，参见配套教程《医疗从业者 MCP 实战教程》中的"动手环节"章节。
MCP 的局限性
MCP 很好用，但不是万能的。用之前要清楚它的边界：
1. MCP 返回的信息不等于"绝对正确"
MCP 让 AI "查了再答"，但： - 数据源本身可能有错误或过时（虽然概率比 AI 瞎编低得多） - AI 在整合检索结果时仍可能误读或曲解原文 - 你的专业审核仍然不可省略
2. MCP 不能访问你医院的内网系统
目前主流的 MCP 服务都是公网服务——它能查 PubMed、查指南数据库，但查不了你医院的 HIS、LIS、PACS。医院内网数据的对接需要信息科参与和单独技术方案，通识课不展开；若你后续学习更高阶课程，可能会再专门讲这一块。
3. 数据隐私仍然适用
L1-4 讲过的脱敏原则在使用 MCP 时同样适用。你的提问会被发送到 MCP Server 进行检索——所以不要在提问中包含患者的真实姓名、身份证号等可识别信息。
4. 不同 MCP 服务的质量差异很大
百小应接入的是权威医学数据库，可信度高。但 MCP 生态里也有很多质量参差不齐的服务。选择 MCP 服务时，关注它背后的数据源是什么。
从"凭记忆答"到"查完再答"
在 L3-1 我们把提示词"固化"成了 Skill，解决了效率问题。
这一节我们用 MCP 解决了可信度问题——AI 的回答从"凭记忆猜"变成了"查完再答"，从"你得自己去核实"变成了"给你原文链接自己点"。
但还有一个问题没解决：MCP 能让 AI 查公共数据库，可是你们科室自己的指南、规范、操作手册怎么办？ 这些东西不在任何公开数据库里，MCP 查不到。
这就是下一节要解决的问题——知识库（RAG）。
动手试一试
- 配置 MCP：在 Cherry Studio（或你习惯的工具）上配好百小应 MCP，确认能正常调用
- 对比测试：选一个你工作中常遇到的问题，分别在有 MCP 和没有 MCP 的情况下问一遍，对比回答质量和引用可验证性
- 加第二个 MCP：尝试再配一个 Web Search MCP，体验多工具协作
- 验证引用：拿到 MCP 回答后，点开引用链接验证 1-2 篇——确认引用是真实的，同时建立"即使有 MCP 也要抽查"的习惯
本节小结
| 概念 | 一句话 |
|---|---|
| AI 的知识"冻结" | 训练完成后知识定格，无法获取新信息、无法查数据库 |
| MCP | 让 AI 调用外部工具的标准接口——查完再答，不是瞎编 |
| MCP 三角色 | Client（你用的工具）→ Server（提供能力的服务）→ Tool（具体功能） |
| MCP vs 通用 AI | 通用 AI 给"看起来对的答案"，MCP 给"可以验证的答案" |
| MCP 的局限 | 不是万能的——返回信息仍需审核、不能访问内网、要注意脱敏 |
本节带走：
- 至少 2 个配置好的 MCP 服务（百小应 + Web Search）
- 一个核心认知转变：从"AI 说什么你就信什么"到"AI 查完给你看出处，你自己判断"。 这不只是一个工具配置的变化，是你和 AI 协作方式的根本升级
- L3-1 解决了效率（Skill），L3-2 解决了可信度（MCP），下一节解决定制化（你自己的资料）