MCP 与创新悖论：为何开放标准能拯救 AI 自身

MCP 并非依靠更大模型推动下一波 AI 创新，而真正的颠覆来自于一种更为低调的力量：标准化。

Anthropic 于 2024 年 11 月推出的 Model Context Protocol (MCP) 标准化了 AI 应用程序如何与其训练数据之外的世界进行交互。就像 HTTP 和 REST 标准化了 Web 应用程序连接服务的方式一样，MCP 标准化了 AI 模型连接工具的方式。

你可能已经阅读过不少关于 MCP 的文章，但大多数文章忽略了一个既平凡又强大的部分：MCP 是一个标准。标准不仅仅是组织技术，它们还能创造增长飞轮。早期采用者能够乘上这波浪潮，而忽视的人则会被甩在后面。本文将阐述为什么 MCP 现在尤为重要，它带来了哪些挑战，以及它如何正在重新塑造整个生态系统。

如何让 MCP 带领我们从混乱走向有序

认识一下 Lily —— 一家云基础设施公司的产品经理。她同时使用 Jira、Figma、GitHub、Slack、Gmail 和 Confluence 等半打工具，忙于处理各项项目。和许多人一样，她也被不断更新的信息淹没。

到了 2024 年，Lily 发现大语言模型在信息整合方面已经非常出色。她看到了一个机会：如果她能把团队所有使用的工具接入到一个模型中，她就可以实现自动更新、草拟通讯稿以及按需回答问题。但问题在于，每个大语言模型都有自己特定的服务接入方式。每一次集成都使她更加依赖于单一厂商的平台。当她需要从 Gong 获取记录时，就必须建立另一个定制化连接，这使得日后如果要切换到更优秀的大语言模型变得异常困难。

就在这时，Anthropic 推出了 MCP —— 一个开放协议，用于标准化上下文流向大语言模型的流程。MCP 很快得到了 OpenAI、AWS、Azure、Microsoft Copilot Studio 的支持，不久后 Google 也加入了。官方的 SDK 已经支持 Python、TypeScript、Java、C#、Rust、Kotlin 和 Swift，而社区版 SDK 也陆续为 Go 等语言提供支持。采用速度非常迅速。

如今，Lily 通过本地 MCP 服务器将一切都运行在 Claude 上，并与她在工作中使用的各类应用连接。状态报告自动生成，领导层更新只需一次提示。随着新模型的不断出现，她可以轻松替换而不必更换任何集成。当她私下写代码时，会同时使用 Cursor（配合 OpenAI 的模型）和同一个 MCP 服务器，就像她在使用 Claude 时一样。她的集成开发环境 (IDE) 已经能识别出她正在构建的产品，MCP 让这一切变得简单。

标准的力量及其影响

Lily 的经历揭示了一个简单的事实：没有人喜欢使用碎片化的工具；没有用户愿意被锁定在某个厂商中；而没有任何公司希望在每次更换模型时都得重写集成代码。大家都希望能够自由选择最好的工具，而 MCP 正好满足了这一需求。

然而，伴随标准的出现，也带来了若干影响。

首先，缺乏强大公共 API 的 SaaS 提供商正面临被淘汰的风险。MCP 工具依赖于这些 API，而用户将要求 AI 应用程序支持这些接口。随着事实标准的形成，再也没有借口可以推脱。

其次，AI 应用开发周期将大幅加速。开发者不再需要编写定制代码来测试简单的 AI 应用，取而代之的是他们可以将 MCP 服务器与现成的 MCP 客户端（例如 Claude Desktop、Cursor 和 Windsurf）进行集成。

第三，切换成本正在崩塌。因为集成方式已经与特定模型解耦，组织可以在 Claude、OpenAI、Gemini 之间自由迁移 —— 或者混合使用不同模型 —— 而无需重建基础设施。未来的大语言模型提供商将从围绕 MCP 构建的现有生态系统中受益，使得他们能更专注于实现更优的性价比。

面对 MCP 带来的挑战

每一个标准的出现都不可避免地引入新的摩擦点，或者留下未解决的摩擦点，MCP 也不例外。

信任至关重要：已经出现了数十个 MCP 注册中心，提供数以千计的社区维护服务器。但如果你无法控制服务器 —— 或者不信任控制服务器的一方 —— 则存在将机密泄露给未知第三方的风险。如果你是一家 SaaS 公司，应提供官方服务器；如果你是一位开发者，应选择官方服务器。

质量参差不齐：API 不断演进，而维护不佳的 MCP 服务器很容易不同步。大语言模型依赖高质量的元数据来决定使用哪些工具。到目前为止，还没有权威的 MCP 注册中心，这进一步凸显了来自可信方的官方服务器的重要性。如果你是一家 SaaS 公司，应随着 API 的演进维护好自己的服务器；如果你是一位开发者，请选择官方服务器。

大型 MCP 服务器会增加成本并降低实用性：将过多工具捆绑在一个服务器中会增加 Token 消耗，引发费用上升，而且会让模型面临过多选择而感到困惑。这无疑是两头不讨好。更小、更专注于任务的服务器将变得非常重要，在构建和分发服务器时需要牢记这一点。

授权和身份验证问题依然存在：这些问题在 MCP 之前就存在，MCP 推出后问题依然存在。想象一下，Lily 赋予 Claude 发送邮件的权限，并下达诸如“迅速给 Chris 发送一份状态更新”这样的指令。结果，Claude 没有只给她的老板 Chris 发邮件，而是给她通讯录中所有名叫 Chris 的人发送邮件，以确保 Chris 收到信息。对于高风险、高判断性的操作，人类仍然需要介入。

展望未来

MCP 并非虚名 —— 它代表了 AI 应用基础设施的一次根本性转变。

就像之前每一个被广泛采用的标准一样，MCP 正在形成一个自我强化的增长飞轮：每一个新服务器、每一次新集成、每一个新应用都会不断增加这一势能。

如今，新的工具、平台和注册中心已经在不断涌现，旨在简化 MCP 服务器的构建、测试、部署和发现。随着生态系统不断进化，AI 应用将提供简洁的接口，便于接入新功能。拥抱这一协议的团队将以更快的速度推出产品，同时实现更佳的集成体验。那些提供公共 API 和官方 MCP 服务器的公司也能成为这场集成变革的重要一环，而迟迟不接入的采用者则将为争取存在感而苦苦挣扎。

Noah Schwartz 是 Postman 的产品负责人。