OpenAI，Google和阿里們都“認”了的MCP，究竟給開發者帶來啥實惠了

　　本文來自于微信公眾號 硅星人Pro，作者：周一笑。

　　AI領域的互操作性標準之爭正變得異常熱鬧。就在本周，Google DeepMind CEO Demis Hassabis宣布，將為其Gemini模型添加對Anthropic主導的模型上下文協議MCP的支持，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宣布支持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)，并聯合了包括Salesforce、Box等在內的 50 多家技術伙伴。

　　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于如何讓AI模型、Agent更有效地連接外部數據、工具乃至彼此協作的迫切需求與探索。盡管A2A的目標是Agent間的通信與協作，Google對MCP的明確支持，仍然被視為MCP走向主流標準的一個強力信號。

　　那么，這個讓巨頭們投入關注，并且已經在實際應用中嶄露頭角的MCP，其核心價值究竟是什么?它能為開發者和用戶帶來哪些實實在在的好處?

　　1

　　AI的“通用連接器”

　　MCP 最初由 Anthropic 提出并開源，旨在創建一個開放、標準的規范，讓大型語言模型能夠無縫地與各種外部數據源和工具(如業務軟件、數據庫、代碼庫等)進行交互。可以將其想象為AI世界的“USB-C”或“通用翻譯器”，解決模型智能與現實應用之間的連接問題。

　　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持后，MCP正從一個有潛力的提議，加速成為被廣泛接受的標準。這標志著AI應用開發朝著更統一、更高效的方向邁出了重要一步。國內如阿里云百煉等平臺也已迅速跟進，上線MCP功能并著手構建服務生態。

　　MCP的核心價值在于“標準化”。它定義了一套通用規范，允許任何AI模型(客戶端)通過輕量級的“MCP服務器”與外部資源交互。這解決了以往需要為每個模型和工具定制集成方案的碎片化問題，MCP借鑒了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到底有什么用?

　　那么MCP的實際價值體現在何處?關鍵在于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與外部數據和工具的壁壘。有了MCP，AI能直接與數據庫對話，用自然語言查詢實時的銷售數據;或者連接到你的代碼倉庫，像一個真正的助手那樣瀏覽、理解甚至修改代碼。同樣，通過接入Slack、Google Drive等日常生產力工具的MCP服務器，AI可以幫你收發消息、查找更新文檔，無縫融入你的工作流程。

　　MCP的更大的潛力在于驅動更復雜的Agent行為和跨服務協作。AI Agent不再局限于執行單一任務，而是能組合調用多個MCP服務器來完成復雜目標。

　　必優科技近期發布了AI PPT方向的MCP Server，市場負責人張嘉蒙給硅星人舉了一個例子：要生成一份介紹北京交通的PPT，AI可以先調用地圖服務商(如高德)的MCP獲取交通數據，再調用PPT制作工具(比如必優自己的服務)的MCP來整合信息并生成演示文稿。這種跨服務的便捷調度，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接口的，因為他們沒空理我們，MCP至少讓我們的門檻降低了”。

　　Codeium是最早集成 MCP的開發者工具公司之一。在他們的 IDE產品Windsurf中引入了MCP 支持，使AI能夠執行各種開發任務，而不僅僅是代碼補全。Codeium 的付費用戶可以通過 GUI 或配置文件配置外部 MCP 服務器，Codeium 用戶可以連接一個文件系統或 Git MCP 服務器，以便 AI 代理可以瀏覽和修改項目文件。 Codeium團隊指出，Windsurf 現在能夠讓用戶自己選擇MCP 服務器，以使用定制工具和服務。這種擴展性極大地增強了 AI 在 IDE 中的能力----AI 不再局限于靜態代碼，而是能夠與外部 API 交互、運行測試命令或通過網絡搜索查詢文檔。

　　此外，像LangChain這樣的開源代理框架已開始整合MCP。已有工具發布，可將MCP工具轉換為適用于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調用本地函數一樣調用MCP服務器。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集成的開發者。

　　另一個更生動的一個例子來自一位自稱代碼小白的開發者“瑪格麗特加鹽”，他利用Cherry Studio平臺，接入Gemini模型，并參考官方文檔自建了一個MCP服務器，該服務器集成了搜索API(包含谷歌地圖、航班、酒店工具)。通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通過MCP調用了谷歌地圖工具，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調用時間、航班、酒店搜索等多個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于通用AI的簡單聯網搜索。

　　當我們對比MCP與特定模型的內置功能(如Function Calling)時可以看到，MCP不局限于某個模型意味著為一個工具構建的MCP服務器，可以被任何支持MCP協議的AI客戶端復用，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也存在著一些局限性。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，但在從零創建復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用戶加速簡單操作，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，更依賴于MCP服務器的具體能力以及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并非完美無缺，傳統API在某些場景下仍有其價值。當前其應用尚處早期，但跨模型兼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采納、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與現有軟件和服務集成的基礎技術。我們可能會看到更多產品“自帶”MCP接口，讓軟件天生具備“AI就緒”能力。這就像瀏覽器擴展API改變了網頁交互一樣，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與現有軟件和工作流程更緊密的融合。