AI 带来的意义便是解放人类劳动力，提升大多数工作能力的下限，然而目前 LLM 局限性仍大，必须来回对话才能给出建议，且必须用户根据建议亲自执行，距离真正利用 AI 帮我们工作还有一段落差。

而现在如果可以透过与 AI 对话，实际利用你的电脑进行邮件回覆、报表撰写等功能，甚至还可以帮你自动化炒币，是不是越来越接近解放生产力的愿景？而这项技术就是目前在 AI 领域的当红关键字 - MCP

MCP 是什么？

MCP（Model Context Protocol）是由 Anthropic 公司在 2024 年 11 月发布的一套「标准化协定」，用来解决过去 AI 模型只能「说」却无法「做」的问题。

首先先将 MCP 命名拆解

• Model：模型，指的就是各种 AI 大型语言模型（例如 GPT、Claude、Gemini 等）

• Context：脉络，代表给模型的额外资料或者外部工具

• Protocol：协议，通用、标准化的「规范」或者「接口」

合在一起就是：透过统一规范，让 AI 不只会「说」，还能直接操控外部工具完成各种任务。

一般我们最常使用的 LLM，像是 ChatGPT、Grok 等等，只能根据对话内容进行「文字输入、文字输出」。如果我们要让 AI 帮忙实际执行操作，例如去电脑资料夹读档案、发 Email、查资料库等，通常先是下指令给 LLM，用户再经由 LLM 的回应自己动手操作，最后再把结果回报给 AI，AI 再给我们文字建议，我们继续操作，如此往复循环。

MCP 的出现，让 AI 不但能读取电脑本地的档案、连线到某个远端资料库，甚至能直接操作特定的网路服务。也就是说，AI 不再仅仅只是输出文字，而是能替你完成很多重复性或流程性的工作。

运作方式简述

• MCP Host（管理员）：负责管理、协调整个 MCP 的运作。例如 Claude Desktop 就是一种 Host，能协助 AI 存取你本地端的资料或工具。

• MCP Client（用户端）：接收使用者的需求，并与 LLM（AI 模型）进行沟通。常见例子包括各种整合了 MCP 的聊天介面或 IDE（如 Goose、Cursor、Claude Chatbot）。

• MCP Server（伺服器）：可以视作是一组「已经整理好、带有注解」的 API 集合，提供 AI 可以使用的功能。例如读取资料库、发送邮件、管理档案、呼叫外部服务等。

有了 MCP，AI 不只能理解人类语言，还能把特定的文字直接翻译成动作指令，进而完成自动化操作。例如，帮你整理销售报表、发邮件给客户，甚至透过指令直接在 Blender 上进行 3D 建模。

参考：https://www.youtube.com/watch?v=FDRb03XPiRo&t=4s

MCP 的重要性为何？ 打通 AI 与外部工具的桥梁 #p#分页标题#e#

LLM 的局限性在于当中的资料都经过预训练，并非实时更新，意思是 LLM 的资料仅限于它训练时所看到的资讯，因此训练之后产生的新资讯，模型是不知道的。

假设 LLM 为今年 2 月训练，那么今年 2 月之后的资料则是完全没有的。

目前主流的方法是使用 RAG (Retrieval-Augmented Generation)，这是一种把「检索系统」与「生成模型」结合的方式。这种架构能在 LLM 推理前，先检索最新的资料，并将检索结果作为上下文提供给模型。具体来说：

• 资料检索 (Retrieval)：在 LLM 回答问题前，先使用一个检索工具（例如网路搜索、内部资料库查询等），寻找符合当下问题的最新资料。

• 生成 (Generation)：检索到的资料会作为辅助资料（Context）传递给 LLM，帮助它生成更精准、即时的回答。

像AI 在回覆问题前，先透过 Bing 或 Google 搜寻最新的资讯，再将检索结果整合进回应，就是使用 RAG 的方式。

MCP 跟 RAG 最大的不同是：

• RAG 是用较为静态的资料辅助 LLM 的回答，而MCP 则能让 AI 真正「动手去做」，例如查资料库、调用 API，或什至修改档案内容。

• 标准化 & 通用性：像 USB-C 一样的存在：不同厂商可以各自开发符合 MCP 规范的功能，就像所有装置都能使用同一种 USB-C 传输线一样。如果没有 MCP，每个开发者都得自行定义该怎么让 AI 呼叫特定 API。这意味着相同的工作会被不同人重复开发。 MCP 统一后，大家只要实作同一套规范就能立即整合，避免重复造轮子的现象出现。

声明：投资有风险，入市须谨慎。本资讯不作为投资建议。
本文链接： - 链补手