什麼是 AI 的 MCP 協定？讓 AI 更聰明、更靈活的關鍵技術！

在 AI 快速發展的今天，常會遇到這樣的問題—AI 助理只能回答已知的資訊，卻不一定能主動存取最新的外部數據，例如即時查詢資料庫、管理檔案，甚至與網頁或應用程式互動。而 MCP（Model Context Protocol）協定的誕生就是為了解決這個問題！

MCP 是一種 開放原始碼協定，讓 AI 能夠輕鬆對接外部系統，從單純的被動回答者，進化成能夠主動執行任務的智慧助手(AI Agent)。那 MCP 到底是什麼？它又是如何提升 AI 的能力呢？讓我們一起來看看吧！

圖片來源：Norah Sakal；維那思重製

MCP 是什麼？

MCP（Model Context Protocol，模型上下文協定）是一種專門為 AI 設計的標準化溝通協定，讓 AI 能夠理解並使用外部資料，從而擴展其功能範圍。簡單來說，它就像是一座橋梁，讓 AI 與不同的數據來源無縫連接，也就是讓不同程式或AI之間有一個共通溝通的語言。

💡 關鍵概念

模型（Model）： AI 本身，例如 GPT、Claude 等。
上下文（Context）： AI 可存取的外部數據，如檔案、API、資料庫等。
協定（Protocol）： 一套標準化規則，確保 AI 能夠正確存取和處理這些外部資料。

MCP 的架構

MCP 由三大核心部分組成，每個部分各司其職，確保 AI 能夠順利運作：

1.MCP 伺服器（Server）

外部數據或工具來源，作為 AI 可以使用的工具。(可能是一些購物網站、旅運規劃軟體、串流平台等)

2.MCP 用戶端（Client）

充當 AI 與 MCP 伺服器之間的橋樑，確保 AI 能正確讀取數據並執行指令。

3.MCP 主機（Host）

指揮中心，負責管理 MCP伺服器與用戶端連線

這樣的架構讓 MCP 能夠靈活地整合不同數據來源，提升 AI 的應用範圍與實用性。

三個核心資訊流運作流程

Host發起請求：
- Host（如AI助理）根據使用者需求決定要查詢的外部資源，並將請求發送給Client。
Client處理請求：
- Client接收Host的請求，翻譯成標準化協議，並將其轉發給對應的Server。
Server執行操作：
- Server根據請求存取相關資源（如資料庫或API），執行操作後返回結果至Client。
Client回傳結果：
- Client將Server的回應轉化為Host可理解的格式，並將結果傳遞給Host，以供AI進一步處理和生成回應。

具體應用案例：AI助理查詢天氣

假設使用者問AI助理：「今天台北的天氣如何？」以下是系統的運作流程：

1. Host（主機）階段

操作：AI助理接收到使用者輸入「今天台北的天氣如何？」並進行自然語言處理（NLP）。
動作：
- 將「台北」解析為地點關鍵字。
- 確定需要查詢當前天氣數據，並生成一個標準化請求（例如：「查詢台北的當前天氣」）。
- 將請求發送給MCP Client。

2. Client（客戶端）階段

操作：Client接收Host的請求，負責將其轉換為適合Server處理的格式。
動作：
- 使用地理編碼API（如Tomorrow.io或OpenWeatherMap API）將「台北」轉換為經緯度座標（例如：25.0330°N, 121.5654°E）。
- 構建API請求，包含經緯度資訊和其他參數（如單位格式、語言等）。
- 將請求發送至Weather API伺服器。

3. Server（伺服器）階段

操作：伺服器接收Client的請求，與外部天氣數據源進行通信。
動作：
- 查詢實時天氣數據，例如溫度、降雨量、風速等。
- 返回結構化結果，例如：json{ "temperature": "25°C", "condition": "晴天", "humidity": "60%" }
- 將結果傳回Client。

4. 回傳結果

Client階段：
- Client接收伺服器回應，將數據轉換為Host可理解的格式。
- 將整理後的資料傳遞給Host。
Host階段：
- Host根據天氣數據生成自然語言回應，例如：「今天台北是晴天，溫度約25°C，濕度60%。」
- 將結果呈現給使用者。

完整資訊流示例

使用者 → Host：輸入查詢「今天台北的天氣如何？」
Host → Client：發送標準化請求「查詢台北當前天氣」
Client → Server：透過API請求查詢經緯度與天氣數據
Server → Client：返回結構化天氣數據
Client → Host：傳遞整理後的結果
Host → 使用者：生成自然語言回應並顯示結果

技術細節與工具

地理編碼API：如Tomorrow.io或Geocode Maps API，用於將地點轉換為經緯度。
天氣API：如OpenWeatherMap或Tomorrow.io，用於獲取實時天氣數據。
自然語言處理模型：GPT模型，用於解析使用者輸入並生成回應。
系統整合工具：n8n或Gradio，用於協調不同模組之間的工作流程。

MCP 的優勢：為什麼 AI 需要它？

MCP 不僅僅是一個技術標準，它還帶來了許多實際好處，讓 AI 應用變得更強大、更靈活：

1. 標準化整合

透過 MCP，開發人員無需為每個 AI 助理單獨設計對接方式，降低開發成本，讓 AI 更容易連接不同系統。

2. 即時數據存取（Real-time Data Access）

AI 可以即時存取與更新外部數據，而不需要重新訓練模型或經過複雜的工作流程，確保資訊的最新性與準確性。

3. 增強上下文意識

MCP 讓 AI 能夠理解並處理更複雜的請求，進而提供更精確、更有邏輯的回應，讓 AI 更「聰明」。

4. 簡化開發與維護

MCP 提供了一個標準化框架，讓開發人員更容易整合 AI 與外部系統，同時降低後續維護成本。

5. 資料安全性

所有數據存取都需要使用者授權，並且在本地端執行，確保資料不會被未經授權的外部系統存取。

6. 跨行業應用

MCP 可應用於醫療、金融、零售等多個領域，讓 AI 成為更強大的行業解決方案。

MCP 的應用場景

MCP 的應用範圍極廣，能夠幫助 AI 在不同場景下發揮更大作用，例如：

1.資料庫查詢

AI 助理可以透過 MCP 即時存取和分析企業內部資料庫，提高工作效率。

2.檔案管理

使用者可以讓 AI 直接讀取、編輯、管理檔案，而不需要手動操作。

3.網頁互動

AI 透過 MCP 可以自動瀏覽網頁、提取資訊，甚至執行自動化操作。

4.醫療領域

醫療 AI 可透過 MCP 直接查詢病歷、分析醫療數據，提供更準確的診斷建議。

5.金融科技

MCP 讓 AI 能夠即時分析市場數據、處理財務報表，為投資決策提供更精確的支援。

一次開發，永久受益的 AI 生態革命

透過 MCP，在最完美的狀態下，開發者只需要寫一次程式碼，然後上傳到 GitHub 或未來的MCP Marketplace，之後就不太需要再管它。所有支援 MCP 的 AI 應用或 AI Agent 都可以直接下載並立即使用，無需額外適配，不會因環境變化而失效。

這對整個生態系來說是三贏局面：

AI App 開發者 省去繁瑣的對接與適配工作，專注於創新與功能開發。

工具開發商 能夠更輕鬆地讓 AI 模型存取各種數據與功能，擴展 AI 能力。

使用者 則能享受更強大、更智慧的 AI 服務，無須擔心兼容性或更新問題。

更好的是，MCP 是 LLM 無關（LM-Agnostic） 的，開發者不必被綁定特定的 AI 模型（如 GPT、Claude、Mistral 等）。只要 AI App 接入 MCP，它就能根據使用者的需求，動態選擇最佳的 LLM 來處理請求，確保 AI 助理始終提供最準確、最即時的回應。

結語：MCP 是 AI 進化的關鍵

AI 在我們的日常生活中扮演越來越重要的角色，但如果 AI 只能被動回應，而無法主動存取外部資料，那它的潛力將受到極大限制。而 MCP 協定的出現，讓 AI 變得更加靈活、智慧且安全，讓它能夠真正成為我們的智能助手，而不只是回應機器。

雖然目前MCP技術僅僅才是剛起步的階段，正式採用上線的服務幾乎都還是GitHub這類程式開發服務(這也是Claude.ai程式能力強的原因)，其他應用很多都還在開發研究階段，但假設MCP這個協定運作邏輯是成立的，商業模式也合理，那麼 AI 技術的發展，MCP 的應用將越來越廣泛，未來的 AI 不僅能回答問題，還能真正「做事」！但值得注意的是MCP 伺服器（Server）安全性與信任機制需要做考量，那又是另外一個故事了，總之如果對 AI 應用有興趣，MCP 無疑是一個接下來值得關注的重要技術。

參考資料

EP80 - 又一個中國AI公司爆紅，但Manus這次沒那麽驚艷？AI界迅速躥紅的MCP，究竟是什麽？ -科技浪

Apple Podcast

Spotify

什麼是 MCP? 為什麼 MCP 這麼熱門? MCP 的好處在哪? -ExplainThis
到底什麼是MCP?他對AI的發展重要嗎？2分鐘超簡單說明！-庭宇的爵士職場生活
什麼是MCP？讓AI成為真正的AI Agent，而不只是「說話」的機器 -愛貝斯網路有限公司