今天小編分享的互聯網經驗：OpenAI，Google和阿裡們都“認”了的MCP，究竟給開發者帶來啥實惠了，歡迎閱讀。
AI 領網域的互操作性标準之争正變得異常熱鬧。就在本周，Google DeepMind CEO Demis Hassabis 宣布，将為其 Gemini 模型添加對 Anthropic 主導的模型上下文協定 MCP 的支持，稱其為 " 一個優秀的協定，正迅速成為 AI Agent 時代的開放标準 "。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定—— Agent2Agent ( A2A ) ，并聯合了包括 Salesforce、Box 等在内的 50 多家技術夥伴。
這種看似 " 左右互搏 " 的舉動——既擁抱競争對手的标準，又力推自家的新協定，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 的目标是 Agent 間的通信與協作，Google 對 MCP 的明确支持，仍然被視為 MCP 走向主流标準的一個強力信号。
那麼，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麼？它能為開發者和用戶帶來哪些實實在在的好處？
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、标準的規範，讓大型語言模型能夠無縫地與各種外部數據源和工具（如業務軟體、數據庫、代碼庫等）進行互動。可以将其想象為 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 這兩大巨頭相繼明确表态支持後，MCP 正從一個有潛力的提議，加速成為被廣泛接受的标準。這标志着 AI 應用開發朝着更統一、更高效的方向邁出了重要一步。國内如阿裡雲百煉等平台也已迅速跟進，上線 MCP 功能并着手構建服務生态。
MCP 的核心價值在于 " 标準化 "。它定義了一套通用規範，允許任何 AI 模型（客戶端）通過輕量級的 "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制集成方案的碎片化問題，MCP 借鑑了 API、LSP 等協定标準化的成功經驗。雖然技術本身非颠覆性，但其标準化的嘗試對提升開發效率和拓寬應用場景潛力巨大。
MCP 到底有什麼用？
那麼 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浏覽、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 伺服器，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 伺服器來完成復雜目标。
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 或配置檔案配置外部 MCP 伺服器，Codeium 用戶可以連接一個檔案系統或 Git MCP 伺服器，以便 AI 代理可以浏覽和修改項目檔案。 Codeium 團隊指出，Windsurf 現在能夠讓用戶自己選擇 MCP 伺服器，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 不再局限于靜态代碼，而是能夠與外部 API 互動、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，可将 MCP 工具轉換為适用于 Python 或 TypeScript 代理的 LangChain 工具，這意味着使用 LangChain 規劃的現有代理可以像調用本地函數一樣調用 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 平台，接入 Gemini 模型，并參考官方文檔自建了一個 MCP 伺服器，該伺服器集成了搜索 API（包含谷歌地圖、班機、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、準确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、班機、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 與特定模型的内置功能（如 Function Calling）時可以看到，MCP 不局限于某個模型意味着為一個工具構建的 MCP 伺服器，可以被任何支持 MCP 協定的 AI 客戶端復用，極大地促進了工具生态的繁榮，因此被形象地稱為 "AI 領網域的 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 也存在着一些局限性。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确修改特定部位時效果不佳，AI 難以精确理解 3D 空間的細節。她的經驗表明，現階段 MCP 在某些專業領網域的深度應用，可能更适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，不僅依賴協定本身，更依賴于 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，其在特定領網域的成熟仍需時日。
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，但跨模型兼容性和标準化的優勢正吸引着越來越多的參與者。
從目前趨勢看，随着行業主要玩家的采納、相關生态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，讓軟體天生具備 "AI 就緒 " 能力。這就像浏覽器擴展 API 改變了網頁互動一樣，MCP 正在為 AI 模型提供一套标準化的方式，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。
