在人工智慧 (AI) 領域中，縮寫 MCP 正引起廣泛關注。但它究竟是什麼？又為什麼會突然變得如此受歡迎？此外，使用它可能有哪些潛在的優點和缺點？
當 Anthropic 決定在 11 月開放原始碼模型上下文協定 (Model Context Protocol, MCP) 時，他們可能沒有預料到它會被如此廣泛地採用。如今，各式各樣的供應商都在提供對 MCP 的支援，或開發創新的方法來增強其安全性、擴展其功能，或提高其靈活性。是什麼解釋了 MCP 的成功故事？使用它是否存在任何固有的風險或限制？
有趣的是，儘管 MCP 是在相對較近期才推出的，但它已迅速被包括 Google 和 OpenAI 在內的主要 AI 參與者所採用。這表明 MCP 的價值主張從一開始就引起了強烈的共鳴。對 MCP 最全面的解釋可以在其官方文件中找到：’MCP 是一個開放協定，它標準化了應用程式如何向 LLM 提供上下文。將 MCP 視為 AI 應用程式的 USB-C 連接埠。’
MCP：AI 的 USB-C
將其比作 USB-C 特別具有洞察力。正如 Anthropic 所解釋的那樣，’正如 USB-C 提供了一種標準化的方式，將您的設備連接到各種外設和配件一樣，MCP 提供了一種標準化的方式，將 AI 模型連接到各種資料來源和工具。’
建立 LLM 與各種資料來源和應用程式之間的無縫連接，對於充分實現代理型 AI (Agentic AI) 的潛力至關重要。代理型 AI 指的是將 AI 用於比簡單的文字或圖像生成更複雜的任務。這些模型的固有架構使得在新的資料上訓練它們的成本過高，即使有大量的計算資源可用。此外，LLM 主要生成輸出，並非天生就被設計來控制應用程式。要實現這種控制，需要額外的開發工作。MCP 提供了一種標準化的方法，讓模型可以連接到資料，從而解決了這個挑戰。
有了 MCP，如果一個應用程式有一個 API 端點，它就可以很容易地被用於 MCP 伺服器。這代表著朝著實現代理型 AI 邁出了重要的一步，後者可以查閱公司資料並根據這些資料採取行動。這第一步為後續的進展鋪平了道路。正如 USB-C 協定是開發 Thunderbolt 3、4 和 5 作為筆記型電腦和外設的全面連接的必要先決條件一樣，MCP 為未來的 AI 創新奠定了基礎。
一位 Anthropic 員工恰如其分地總結了 MCP 的本質：’它的要點是：您有一個 LLM 應用程式，例如 Claude Desktop。您希望讓它與您擁有的某些系統互動（讀取或寫入）。MCP 解決了這個問題。’
MCP 主要包括一個負責檢索特定資料的 MCP 伺服器。MCP 客戶端在 AI 應用程式中運行，並連接到一個或多個 MCP 伺服器。MCP 主機指的是一個包含具有代理能力的 LLM 或元件的 AI 應用程式。最後，資料或服務本身由 MCP 元件的組合操作控制。模型上下文協定仔細地定義了每個元件應如何與其他元件通信。通信是透過 SSE (HTTP) 或 STDIO (本地伺服器) 進行的。
MCP 的主要影響
MCP 促進了與 AI 的特別直觀的互動。例如，無需配置單獨的工具來建立 LinkedIn 貼文。只需授予對滑鼠和鍵盤的控制權，系統就可以自動導航到 Chrome，存取 LinkedIn 網站，並建立貼文。這種方法提供了一種替代 Anthropic 的 Claude Computer Use 和 OpenAI Operator 的方案，允許在選擇 AI 模型時有更大的靈活性。
雖然 Anthropic 的競爭對手最初並未立即採用，但像 Cursor 和 Zed 這樣的獨立工具在 MCP 發佈後不久就整合了它。該協定也在國際上獲得了吸引力，中國的阿里巴巴和百度等公司也紛紛採用 MCP。這種不斷增長的採用使得像 OpenAI 和 Google 這樣的組織更容易證明他們自己整合 MCP 的合理性。
目前，MCP 佔據著與技術堆疊中其他廣泛接受的標準相似的位置，例如 Kubernetes 或 OAuth，它們分別起源於 Google 和 Twitter。隨著時間的推移，這些標準的起源變得不太重要。這樣的協定或最佳實踐通常會在’正確的時間’和’正確的地點’出現，它們的存在對於實現 AI 的廣泛採用至關重要。
對 MCP 的批評
雖然 MCP 解決了一個重要的需求，但它並非沒有受到批評。圍繞 MCP 的許多擔憂都與安全性有關，或者更確切地說，是與人們認為的安全性不足有關。最初的規範缺乏定義的身份驗證機制（儘管後來添加了這個機制，但它並未被普遍採用）。輸入通常被隱含地信任，而 LLM 仍然容易出錯，這可能會產生潛在的嚴重後果。遠端程式碼執行可能會在不需要 RMM 工具的情況下損害整台電腦。攻擊者可以簡單地指示 LLM 導航到特定的位置，竊取資料，並將其透過電子郵件發送到其他地方。
與 Kubernetes 類似，MCP 很可能依賴於外部安全措施。但是，開發人員可能並不總是優先考慮安全考量，而可能主要關注這種 AI 工具的潛力。因此，由於該協定本身缺乏安全功能，因此很難預防因採用 MCP 而引起的安全事件。
這種批評不應被理解為過於苛刻。新的協定和標準很少從一開始就納入’預設安全’原則。當它們這樣做時，往往會阻礙快速採用。如果 Anthropic 最初專注於最大限度地提高其安全性，MCP 可能根本不會獲得任何關注。
相反，MCP 也受到了安全公司的歡迎。例如，Wiz 開發了自己的 MCP 伺服器，該伺服器具有全面的雲端可見性、上下文情報，以及圍繞資料來源的統一安全措施。儘管如此，該公司仍然對該協定持批評態度，理由是其擔憂範圍從 RCE 到提示注入和命令劫持。解決這些問題可能需要專門的解決方案。
MCP 的未來取決於社群
既然 MCP 已經成為 GenAI 連接的標準，那麼它的成熟取決於社群的集體努力，而不僅僅是 Anthropic。這種協作過程已經獲得了動力。例如，Docker 旨在使 MCP 像它使用容器一樣容易使用，並使其達到生產就緒的狀態。Docker MCP Catalog 和 MCP Toolkit 代表了一個以容器化 MCP 應用程式為中心的生態系統的開端。Docker 強調了 Stripe、Elastic、Heroku、Pulumi 和 Grafana Labs 等早期採用者是重要的貢獻者。
看起來，使用 MCP 的熱情正在超過它目前的成熟程度。儘管如此，它的廣泛採用表明，改進可能會定期出現，範圍從圍繞 MCP 的更強大的安全措施到新穎的用例。MCP 未來的開發和完善將是一項協作努力，它將受到更廣泛的 AI 社群的需求和創新的推動。
隨著模型上下文協定日益受到重視，了解其複雜性、潛在優勢和固有風險至關重要。以下各節將更深入地探討 MCP 的各個方面，從而提供對這項開創性技術的全面概述。
了解 MCP 的技術基礎
從本質上講，模型上下文協定是一組規範，它定義了不同的軟體元件如何互動，從而為大型語言模型提供上下文。這種上下文對於 LLM 有效地執行任務至關重要，因為它允許它們存取和利用外部資料和工具。
MCP 的關鍵元件包括：
MCP 伺服器： 此元件充當外部資料來源和工具的閘道。它公開 API，允許 LLM 檢索資訊或執行動作。
MCP 客戶端： 此元件駐留在 LLM 應用程式中，並與 MCP 伺服器通信，以請求資料或觸發動作。
MCP 主機： 這是 LLM 和 MCP 元件運行的整體環境。它提供它們正常運行所需的基礎設施和資源。
這些元件之間的通信通常透過 HTTP 等標準網路協定進行，使用 JSON 等格式進行資料交換。這種標準化允許不同的 LLM 和外部資料來源之間實現互通性，從而促進一個更加開放和協作的 AI 生態系統。
探索 MCP 的優勢
採用 MCP 為使用 LLM 的開發人員和組織提供了許多優勢。一些關鍵優勢包括：
簡化的整合： MCP 簡化了將 LLM 連接到外部資料來源和工具的過程，從而降低了整合的複雜性和所需的時間。
增強的靈活性： MCP 允許開發人員輕鬆地在不同的 LLM 和資料來源之間切換，而無需修改底層應用程式程式碼。
改進的可擴展性： MCP 使 LLM 能夠存取大量資料並利用各種工具，從而增強了它們的可擴展性和效能。
提高的安全性： 雖然安全性是一個令人擔憂的問題，但 MCP 提供了一個實施安全措施的框架，以保護資料並防止未經授權的存取。
加速的創新： 透過標準化 LLM 與外部資源互動的方式，MCP 促進了 AI 社群內部的創新和協作。
應對 MCP 的安全挑戰
如前所述，安全性是 MCP 的一個關鍵問題。缺乏內建的安全功能可能會使系統容易受到各種攻擊。但是，開發人員可以採取幾個步驟來降低這些風險：
實施身份驗證： 強化身份驗證機制，以驗證存取 MCP 資源的使用者和應用程式的身份。
驗證輸入： 仔細驗證所有輸入資料，以防止提示注入攻擊和其他形式的惡意輸入。
限制存取： 根據使用者角色和權限，限制對敏感資料和工具的存取。
監控活動： 監控 MCP 活動，以發現可疑模式和潛在的安全漏洞。
使用安全工具： 將 MCP 與防火牆和入侵檢測系統等安全工具整合，以增強保護。
透過實施這些安全措施，開發人員可以顯著降低使用 MCP 帶來的風險，並確保其 AI 系統的安全性和完整性。
MCP 的實際應用
MCP 的潛在應用非常廣泛，涵蓋各行各業。以下是 MCP 在實踐中被使用的一些範例：
客戶服務： 將 LLM 連接到 CRM 系統，以提供個人化的客戶支援並更有效地解決問題。
財務分析： 將 LLM 與財務資料來源整合，以分析市場趨勢並提出投資建議。
醫療保健： 將 LLM 連接到電子健康記錄，以協助醫生診斷疾病並制定治療計畫。
教育： 將 LLM 連接到教育資源，以提供學生個人化的學習體驗。
製造業： 將 LLM 與工業控制系統整合，以最佳化生產流程並提高品質控制。
這些只是 MCP 被用於增強 AI 功能並解決實際問題的眾多方式中的幾個範例。隨著技術的成熟並被更廣泛地採用，我們可以預期會出現更多創新的應用。
MCP 和 AI 整合的未來
模型上下文協定有望在 AI 整合的未來中發揮關鍵作用。隨著 LLM 變得越來越強大和複雜，對標準化方式將它們連接到外部資源的需求只會增加。MCP 為這種整合提供了堅實的基礎，使開發人員能夠建構更強大和更通用的 AI 系統。
在未來的幾年中，我們可以預期 MCP 會不斷發展並適應 AI 社群不斷變化的需求。這種發展可能涉及：
改進的安全功能： 添加更強大的安全功能，以解決當前的漏洞並確保 AI 系統的安全。
增強的效能： 最佳化以提高 MCP 的效能和可擴展性，使其能夠處理更大的資料量和更複雜的任務。
擴展的支援： 增加對不同 LLM、資料來源和工具的支援，使 MCP 對更廣泛的開發人員更易於存取。
社群驅動的開發： 轉向更社群驅動的開發模式，使開發人員能夠為 MCP 的發展做出貢獻並根據其特定需求對其進行客製化。
隨著 MCP 不斷發展，它無疑將在塑造 AI 的未來及其與我們生活各個方面的整合方面發揮至關重要的作用。它提供的標準化和互通性將促進創新，加速開發，並最終釋放人工智慧的全部潛力。