- 這就是MCP
- 艾逗筆（@idoubi）
- 2281字
- 2025-08-07 17:41:59
1.2.2 AI應用視角
1. 智能體的崛起
2023年11月7日，OpenAI在其首屆開發者大會上發布了GPTs，允許用戶通過簡單的自然語言來創建自定義的AI助手。我們不妨將GPTs看成初級形態的智能體。
GPTs的發布，是智能體發展的一個重要里程碑，推動了智能體的大眾化。在此之后，各大模型廠商紛紛跟進，推出了各自的智能體平臺。
各大模型廠商的智能體與GPTs的實現原理基本一致：由用戶在模型廠商的對話產品（比如智譜清言、豆包等）中自定義創建，用戶可以設置系統提示詞、上傳知識庫文件、創建工具函數以集成外部API等。
在ChatGPT平臺創建GPTs應用的界面如圖1-8所示。
圖1-8 在ChatGPT平臺創建GPTs應用
不難看出，此類產品實現的核心是對函數調用機制的進一步封裝，在大模型智能生成能力的基礎上，增加了對業務數據的獲取與處理能力。然而，隨著智能體數量的激增，這一繁榮的背后暴露了一些亟待解決的問題。
OpenAI推行過一段時間的插件（plugins）機制，讓ChatGPT客戶端通過插件的方式對接各類外部數據或服務，但由于開發成本太高，該方案最終被下架。隨后，OpenAI推出了更輕量級的GPTs方案，用戶通過簡單配置即可構建屬于自己的智能體。該機制一度帶來了GPTs數量的爆發式增長，短時間內涌現出數百萬個第三方GPTs。但由于大部分GPTs只是簡單的提示詞包裝，應用門檻低，實用價值不高，再加上GPTs只能在ChatGPT平臺使用，生態太過封閉，慢慢地也沒了熱度。AI還在迅速發展，各類智能體層出不窮，智能體的功能實現依賴大模型的智能，也需要外部工具，包括獲取實時數據的能力。如何更好地解決大模型與外部數據或服務的集成問題，讓智能體開發更簡單，成了行業普遍關注的問題。
2. AI應用生態面臨的問題以及MCP的解決方案
智能體實在太火了！獨立開發者小豆躍躍欲試。他想打造一個“網頁文章摘要助手”——用戶只需在瀏覽器中點擊按鈕，即可調用大模型對文章進行摘要提煉。這類應用看似簡單，但小豆在動手實踐的過程中遇到了一連串的難題。
他先在ChatGPT平臺上創建了一個GPTs，調教得還算滿意。然而，當他打算將摘要能力集成進自己的瀏覽器插件或者部署到其他平臺（如智譜清言）時，卻發現無法復用GPTs，只能重新搭建。而如果通過Coze、Dify等第三方平臺導出API并將其接入自己的應用，又發現接口格式不統一，適配工作量巨大。
與此同時，有的用戶希望摘要助手還能分析本地客戶溝通文件，以識別潛在意向客戶。但由于GPTs默認只能在云端處理數據，一旦涉及上傳操作，用戶普遍擔心隱私泄露，加之每次文件更新都得重新上傳，體驗十分割裂。
更棘手的是，當小豆想進一步提升摘要效果、接入Perplexity的聯網檢索能力時，又得寫代碼去對接API，難以通過GPTs打通服務鏈路。服務提供方希望能力被廣泛復用，客戶端平臺則面對眾多API選擇無所適從，而開發者夾在中間，感受到極高的集成與協作成本。
一個簡單的智能體開發需求，卻暴露出AI應用生態的三大系統性問題：
接口碎片化，導致跨平臺兼容性差；
數據處理與隱私安全難以兼顧，限制智能能力釋放；
服務集成與擴展效率低，生態構建成本高。
我們來看看MCP是如何解決上述三大問題的。
第一，解決接口碎片化問題：統一協議標準，降低開發成本。
? MCP服務器可復用
MCP服務器只需開發一次，即可在任意支持MCP的AI應用中使用。用戶想要使用某個MCP服務器時，只需要為AI應用添加一個配置即可。比起原來的GPTs或智能體，MCP服務器的復用成本更低。
? 統一對接方式，簡化了MCP客戶端的開發
在開發AI應用時，若需要接入外部能力，開發者往往需要逐一對接各類外部API。不同的API具有不同的請求地址、參數格式和鑒權方式，多樣化的對接方式導致開發工作量大。
而基于MCP為AI應用集成功能時，無論接入多少個MCP服務器，請求和響應的數據格式都是統一的。AI應用只需創建一個MCP客戶端，并按照MCP約定的方式傳遞參數，MCP服務器即可按統一格式返回結果。通過標準化的數據交換格式，MCP顯著降低了雙方的開發和集成成本。
第二，兼顧數據處理與隱私安全：安全使用，最小暴露。
? 私有數據可安全使用
MCP服務器可以通過本地進程運行，對接用戶電腦中的私有數據，并將其作為上下文補充給大模型。由于數據處理過程全程在本地完成，不需要將原始文件上傳至云端，有效避免了敏感信息外泄的風險。
? 按需提取，最小暴露
與傳統外掛知識庫一次性上傳整份數據不同，MCP服務器采用查詢式處理機制。大模型只會收到與當前問題相關的“最小必要信息”，降低了敏感數據暴露的概率。
第三，解決服務接入效率低的問題：功能即服務，快速構建生態。
? MCP服務器可方便集成
MCP服務器不僅可以作為外掛插件，被用戶添加到AI應用使用，也可以作為獨立的服務，被AI應用集成。
跟對接功能API相比，AI應用對接MCP服務器更加簡單、靈活。可以把MCP服務器當作積木，每個MCP服務器集成一項或多項原子能力，開發AI應用就跟搭積木一樣，快速拼裝，大大提升了開發效率。
? 數據或服務提供方掌握接入主動權
MCP服務器具備可復用的特點，對于數據或服務提供方來說，是一個很大的利好。
MCP通過“配置即接入”的機制，系統性緩解了服務方“主動權分散、接入不可控”的問題。數據或服務提供方只需將能力封裝為MCP服務器，并公開其配置地址，即可實現“一次開發，多端復用”。
? AI應用無須重復對接
MCP通過統一的接口標準和用戶配置機制，幫助AI應用解決了篩選難、整合難、對接難的問題。
AI應用只需實現一次MCP接入，就擁有了與所有MCP服務器通信的能力，客戶端的處理方式可以完全復用，避免了為每個服務單獨寫接入邏輯的高昂開發成本。
更重要的是，服務的整合從“開發接入”轉變為“用戶配置”。新增服務不再需要MCP客戶端更新代碼或發布新版本，只需用戶粘貼一個配置地址，就能立即調用該MCP服務器所提供的能力。這一轉變極大地降低了服務集成的邊際成本，讓AI應用可以更輕松地構建“插件市場”或“服務集市”。