ClaudeMCP突然爆火！AIAgent圈的“萬能插頭”，直接讓Cursor工作流效率提升10倍

整理 | Tina

最近，MCP 突然受到了廣泛關注。MCP（模型上下文協議）是去年 11 月由 Claude 的母公司 Anthropic 推出的一項開放標準協議。其目標是為大型語言模型提供一種開放、標準化的方式，以便與外部資料來源、工具和服務進行連線。

雖然釋出後一直未引起太大關注，但最近情況發生了變化。現在大家都在 X 上熱烈討論 MCP 伺服器，認為它將成為 AI 應用的顛覆性創新。

突然被引爆的 MCP

上週，Windsurf 表示他們已將 MCP 伺服器連線到軟體中，實現了與 GitHub、Slack、Figma 等平臺的直接互動，為 Cascade 添加了更多實用工具，從而打造了全新的工作流程。

還有更多人則嘗試了 Cursor 和 MCP 的組合。

有人嘗試了在不到 2 分鐘內透過 Cursor 設定 MCP 與 Google Docs 整合，並使用該功能建立產品需求文件（PRD）。

還有人用 Cursor 和 MCP 技術實現了一種自動化流程，使得公司能夠快速響應客戶需求並自動完成開發。

具體來說，如果客戶在 Slack 上說：“我們需要加個新功能！”以前程式設計師得手動去看 Slack，然後自己寫程式碼，再提交程式碼。而現在當客戶提出一個功能請求後，Cursor 會自動讀取該 Slack 請求並構建所需的功能，隨後自動建立一個 Pull Request（程式碼提交請求），提交給開發團隊稽核和合並。這整個過程是自動完成的，大大提高了效率，同時也讓工程師可以專注於更長期的工作任務。

甚至還有博主還表示 MCP 重塑了他的 Cursor 工作流，將效率提升了 10 倍。

這些案例也體現出了 MCP 為什麼會火爆起來。

儘管過去新的 AI 應用層出不窮，但我們普遍感受到，它們大多是獨立的新服務，與我們日常使用的系統缺乏有效整合。也就是說，AI 模型與現有系統的融合進展緩慢。我們目前還不能同時透過某個 AI 應用來做到聯網搜尋、傳送訊息、更新資料庫等，這些功能單個實現都不是很難，但是如果要全部整合到一個系統裡面就比較麻煩。

以日常開發為例，想象一下在 IDE 中，我們可以透過 IDE 的 AI 來完成下面這些工作：查詢本地資料庫中已有的資料，以輔助開發；使用 AI 搜尋 GitHub Issue，判斷某個問題是否已知的 bug；透過即時通訊軟體來完成編碼需求和提交 PR ……

而現在，這些功能透過 MCP 正在變為現實。 AI 整合已有服務進展緩慢的一個原因是我們在技術方面缺少一個開放的、通用的協議標準。而 MCP 正是填補這一空白的方案。藉助MCP，開發者可以根據自己的需求花費很少的時間整合更多功能，提升Cursor等IDE工作流中的效率。

MCP 是 AI 界的“萬能插頭”？

Anthropic 官方表示 MCP 是受微軟 LSP (Language Service Protocol) 的啟發，他們將 MCP 比作 AI 應用程式的 USB-C 介面，希望透過它連線各種不同的服務。

試想一下，如果我們能將任何代理連線到任何服務、網站或應用程式，那麼網際網路的運作方式將會徹底改變。簡單來說，他們希望 MCP 成為 AI 界的“萬能插頭”。

在傳統 API 的方式中，就像各種電器需要不同的插頭，你要用一個 AI 應用連線不同的資料來源（比如網站、資料庫），就得為每種資料來源單獨做一套連線方式，非常麻煩。這就導致了“整合碎片化”，就像你家裡一堆不同的充電器，亂糟糟的，維護起來也費勁。

而 MCP 則像 USB-C 介面一樣，它提供了一個統一的標準。有了 MCP，AI 應用就能用同一種方式連線各種資料來源和工具。這樣一來，開發者就省事多了，不用重複造輪子，開發效率大大提高。

此外，MCP 支援雙向通訊，使 AI 互動更加智慧。傳統 API 通訊通常是單向的，缺乏真正的對話能力。而 MCP 支援雙向通訊，AI 助手不僅能夠獲取資料，還能執行操作、更新資訊，並在多次互動中保持上下文，增強了智慧化程度。

MCP 還具有較好的可擴充套件性和可維護性。在 API 領域，每次新增整合都像是重新造輪子，開發和維護成本增加。而 MCP 採用標準協議，開發者只需進行一次整合，即可在多個 AI 應用中複用，大幅減少重複工作，提升開發效率。

同時，MCP 提供統一的資料交換框架，幫助企業實施一致的安全策略，簡化合規流程。此外，MCP 還賦能 AI 代理，使其在執行復雜任務時展現出更高的自主性。受限於傳統 API 機制，AI 代理往往在執行任務時受到一定侷限，而 MCP 讓 AI 代理能夠即時訪問資訊、管理資源，並無縫連線多個平臺，提升了執行能力和自主決策的可能性。

在一個 MCP 架構中，MCP 客戶端負責呼叫工具、查詢資源並填充提示資訊，為模型提供上下文。伺服器端則暴露這些工具、資源和提示資訊，供客戶端使用。工具種類包括讀取資料、傳送資料、更新資料庫或檔案等，幾乎涵蓋所有操作。資源是由伺服器提供的資料，應用程式控制如何使用。伺服器可以提供影像、文字檔案、JSON 檔案等，應用程式根據需求使用這些資源。

據 Anthropic 公佈的資料，MCP 的採用正在增長，有超過 1100 個社群構建的伺服器和官方整合可供使用。很多是由個人開發者自己構建並開源的，也有一些公司自己構建的伺服器：https://github.com/modelcontextprotocol/servers

比如，前幾天 Composio MCP 就宣稱他們正在構建世界上最大的完全託管 MCP 伺服器源，能夠連線 Claude、Cursor、Windsurf，支援 100 多個應用和 15,000 個以上的 API 操作，而且無需複雜的身份驗證設定。更吸引人的是，這一切都不需要編寫任何 Python 程式碼。