AI領域的互操作性標準之爭正變得異常熱鬧。就在本週，Google DeepMind CEO Demis Hassabis宣佈，將為其Gemini模型新增對Anthropic主導的模型上下文協議MCP的支援，稱其為“一個優秀的協議，正迅速成為 AI Agent 時代的開放標準”。這距離OpenAI CEO Sam Altman宣佈支援MCP僅僅過去幾周時間。
幾乎在同一時間段，Google Cloud也高調推出了自己主導的、旨在實現AI Agent之間協作和工作流自動化的開放協議——Agent2Agent (A2A)，並聯合了包括Salesforce、Box等在內的 50 多家技術夥伴。
這種看似“左右互搏”的舉動——既擁抱競爭對手的標準，又力推自家的新協議，恰恰凸顯了當前行業對於如何讓AI模型、Agent更有效地連線外部資料、工具乃至彼此協作的迫切需求與探索。儘管A2A的目標是Agent間的通訊與協作，Google對MCP的明確支援，仍然被視為MCP走向主流標準的一個強力訊號。
那麼，這個讓巨頭們投入關注，並且已經在實際應用中嶄露頭角的MCP，其核心價值究竟是什麼？它能為開發者和使用者帶來哪些實實在在的好處？
1
AI的“通用聯結器”
MCP 最初由 Anthropic 提出並開源，旨在建立一個開放、標準的規範，讓大型語言模型能夠無縫地與各種外部資料來源和工具（如業務軟體、資料庫、程式碼庫等）進行互動。可以將其想象為AI世界的“USB-C”或“通用翻譯器”，解決模型智慧與現實應用之間的連線問題。
在Anthropic的推動下，尤其是在OpenAI和Google這兩大巨頭相繼明確表態支援後，MCP正從一個有潛力的提議，加速成為被廣泛接受的標準。這標誌著AI應用開發朝著更統一、更高效的方向邁出了重要一步。國內如阿里雲百鍊等平臺也已迅速跟進，上線MCP功能並著手構建服務生態。
MCP的核心價值在於“標準化”。它定義了一套通用規範，允許任何AI模型（客戶端）透過輕量級的“MCP伺服器”與外部資源互動。這解決了以往需要為每個模型和工具定製整合方案的碎片化問題，MCP借鑑了API、LSP等協議標準化的成功經驗。雖然技術本身非顛覆性，但其標準化的嘗試對提升開發效率和拓寬應用場景潛力巨大。
1
MCP到底有什麼用？
那麼MCP的實際價值體現在何處？關鍵在於其模型無關的通用性、可重用性和組合性，這使得AI能夠在真實場景中發揮更大作用。
首先，MCP有效打通了AI與外部資料和工具的壁壘。有了MCP，AI能直接與資料庫對話，用自然語言查詢即時的銷售資料；或者連線到你的程式碼倉庫，像一個真正的助手那樣瀏覽、理解甚至修改程式碼。同樣，透過接入Slack、Google Drive等日常生產力工具的MCP伺服器，AI可以幫你收發訊息、查詢更新文件，無縫融入你的工作流程。
MCP的更大的潛力在於驅動更復雜的Agent行為和跨服務協作。AI Agent不再侷限於執行單一任務，而是能組合呼叫多個MCP伺服器來完成複雜目標。
必優科技近期釋出了AI PPT方向的MCP Server，市場負責人張嘉蒙給矽星人舉了一個例子：要生成一份介紹北京交通的PPT，AI可以先呼叫地圖服務商（如高德）的MCP獲取交通資料，再呼叫PPT製作工具（比如必優自己的服務）的MCP來整合資訊並生成簡報。這種跨服務的便捷排程，尤其是讓不同開發者提供的服務能被AI靈活組合，在過去是難以想象的，MCP則有望打破這種壁壘。“常規我是調不到高德介面的，因為他們沒空理我們，MCP至少讓我們的門檻降低了”。
Codeium是最早整合 MCP的開發者工具公司之一。在他們的 IDE產品Windsurf中引入了MCP 支援，使AI能夠執行各種開發任務，而不僅僅是程式碼補全。Codeium 的付費使用者可以透過 GUI 或配置檔案配置外部 MCP 伺服器，Codeium 使用者可以連線一個檔案系統或 Git MCP 伺服器，以便 AI 代理可以瀏覽和修改專案檔案。 Codeium團隊指出，Windsurf 現在能夠讓使用者自己選擇MCP 伺服器，以使用定製工具和服務。這種擴充套件性極大地增強了 AI 在 IDE 中的能力—-AI 不再侷限於靜態程式碼，而是能夠與外部 API 互動、執行測試命令或透過網路搜尋查詢文件。
此外，像LangChain這樣的開源代理框架已開始整合MCP。已有工具釋出，可將MCP工具轉換為適用於Python或TypeScript代理的LangChain工具，這意味著使用LangChain規劃的現有代理可以像呼叫本地函式一樣呼叫MCP伺服器。這些表明，MCP正在吸引那些希望其AI代理具備廣泛功能而不必從頭編寫每個整合的開發者。
另一個更生動的一個例子來自一位自稱程式碼小白的開發者“瑪格麗特加鹽”，他利用Cherry Studio平臺，接入Gemini模型，並參考官方文件自建了一個MCP伺服器，該伺服器集成了搜尋API（包含谷歌地圖、航班、酒店工具）。透過這種方式打造了一個個性化的旅行助手。在測試中，當詢問“新加坡機場到景點的公共交通路線”時，AI透過MCP呼叫了谷歌地圖工具，給出了比通用AI（如豆包）更具體、準確且附帶地圖截圖的路線規劃。在處理更復雜的“規劃杭州到新加坡行程（含機票酒店推薦）”任務時，AI更是展現了按需依次呼叫時間、航班、酒店搜尋等多個MCP工具的能力，實現了多步驟規劃，其結果的可用性也顯著優於通用AI的簡單聯網搜尋。
當我們對比MCP與特定模型的內建功能（如Function Calling）時可以看到，MCP不侷限於某個模型意味著為一個工具構建的MCP伺服器，可以被任何支援MCP協議的AI客戶端複用，極大地促進了工具生態的繁榮，因此被形象地稱為“AI領域的ODBC”。當然，這種靈活性也可能帶來額外的部署開銷和初期技術門檻。
目前，MCP也存在著一些侷限性。例如開發者“多多”在嘗試使用Claude + Blender MCP進行3D建模時發現的，雖然MCP能讓AI執行一些Blender的簡單操作，但在從零建立複雜模型或精確修改特定部位時效果不佳，AI難以精確理解3D空間的細節。她的經驗表明，現階段MCP在某些專業領域的深度應用，可能更適合輔助專業使用者加速簡單操作，或在已有模型基礎上進行粗略調整，而非完全替代傳統流程。
也就是說，要發揮MCP的價值，不僅依賴協議本身，更依賴於MCP伺服器的具體能力以及AI模型對任務和工具的理解程度，其在特定領域的成熟仍需時日。
MCP並非完美無缺，傳統API在某些場景下仍有其價值。當前其應用尚處早期，但跨模型相容性和標準化的優勢正吸引著越來越多的參與者。
從目前趨勢看，隨著行業主要玩家的採納、相關生態的逐步建立以及更多實際應用的探索，MCP很可能成為AI與現有軟體和服務整合的基礎技術。我們可能會看到更多產品“自帶”MCP介面，讓軟體天生具備“AI就緒”能力。這就像瀏覽器擴充套件API改變了網頁互動一樣，MCP正在為AI模型提供一套標準化的方式，與現實世界的數字工具進行協作。MCP有潛力成為提升AI在具體業務場景中實用性的關鍵基礎設施，促進AI與現有軟體和工作流程更緊密的融合。