深入解读MCP协议的技术架构、生态价值与未来趋势，揭示其如何重构AI与工具、数据及智能体之间的交互方式，为企业和开发者带来效率提升。
原文标题：MCP 火爆半年后，是时候对它“祛魅”了
原文作者：AI前线
冷月清谈：
怜星夜思：
2、文章提到MCP在数据隐私和安全方面还需加强，那么在实际应用中，企业应该如何确保使用MCP协议的安全性？
3、MCP目前主要解决的是AI模型与外部数据交互的问题，未来它还有可能在哪些方面发挥更大的作用？
原文内容
2024 年 11 月 25 日，Anthropic 公司发布的 MCP 协议在推动 AI 技术发展方面具有里程碑式的意义。
在电子设备领域，USB-C 接口的普及彻底解决了不同设备间的连接难题——无论是充电、数据传输还是外设扩展，一个接口即可满足所有需求。事实上，从大模型还未如此火爆之前，数据孤岛和工具碎片化问题就制约 AI 生产力的发展。Anthropic 推出的 MCP 为什么会受到如此高的评价，归根结底它就是在彻底改变上述局面。
模型上下文协议 (MCP) 是一项开放标准，使开发者能够在其数据源和 AI 驱动的工具之间建立安全的双向连接。其架构简单易懂：开发者可以通过 MCP 服务器公开数据，也可以构建连接到这些服务器的 AI 应用程序（MCP 客户端）。
在没有 MCP 之前，开发者需要为每个工具或平台单独定制连接方式，这既耗时又低效。MCP 通过统一的系统接口解决了这个问题，简化了 AI 与外部服务（如 Slack、Gmail 等）的交互。
在 MCP 发布后，Anthropic 官方就已经确认已经与 Asana、Atlassian、Block、Intercom、Linear、PayPal、Sentry、Stripe 和 Webflow 展开合作，带来一整套全新的远程 MCP 服务器，所有服务器均基于 Cloudflare 构建。
Intercom 工程高级副总裁 Jordan Neill 表示：“在 Intercom，人工智能的变革力量正日益清晰。Intercom 的人工智能代理 Fin 目前已自主解决 Anthropic 等领先公司超过 50% 的客户支持对话。借助 MCP，将人工智能连接到内部工具和系统比以往任何时候都更加容易，从而实现更高的商业价值。例如，客户对话可以提供有关产品使用方式和客户体验的宝贵见解。然而，这些数据通常被锁定在支持平台内。Intercom MCP 服务器可以解锁这一丰富的客户数据源，使组织中任何使用 AI 工具的人都可以访问。例如，工程师可以利用 Cursor 或 Claude Code 等工具中来自 Intercom 的对话历史记录和用户数据，更高效地诊断和解决问题。”
MCP 的核心价值在于解决 AI 模型与工具、数据源集成的碎片化问题。传统模式下，开发者需要为每个 AI 模型与每个工具 / 数据源的组合单独开发接口，形成“M×N”的复杂适配网络。例如，让 AI 分析 Excel 数据并发送微信提醒，需要分别开发 Excel 读取接口和微信 API 对接代码，还要处理数据格式转换，耗时耗力且易出错。MCP 通过统一协议将这种复杂度简化为“M+N”，实现真正的即插即用体验——AI 模型只需遵循 MCP 标准，就能像“插 U 盘”一样快速连接各类工具和数据源。
本文将深入探讨 MCP 的技术架构、生态价值、商业影响及未来趋势，揭示这一协议如何重构 AI 与工具、数据及智能体之间的交互方式，为企业和开发者带来前所未有的效率提升。
谭宇：从用户角度而言，MCP 包括三个方面：第一是一套协议， 规定了 MCP Client 和 MCP Server 怎么通信，现在支持两种协议，STDIO（标准输入输出）和 SSE （Server-Sent Event）；第二是一套 SDK，包括了 JavaScript、Python、GO 等多种语言的实现，方便开发者实现自己的 MCP Client/Server；第三是一个生态，通过标准的协议，大家将有价值的 MCP Server 开放出来，类似 App Store 的概念，比如现在有 mcp.so / glama 等。
谭宇：MCP 的架构很简单，在 STDIO 协议下，MCP Server 是作为 MCP Client 的一个子进程存在，在 SSE 协议下，则是简单 C/S 架构。高并发与低延迟并非这套协议要考虑的内容。
谭宇：数据源问题也不是 MCP 要考虑的问题，支持哪些数据源还是看基于这套协议怎么去实现，如果只说可能性，那么 MCP 理论上可以支持任何数据源。
谭宇：其实就像上面提到的，MCP 理论上可以支持任何数据源，这些都是 MCP Server 需要考虑的事情，理论上不受任何限制。
谭宇：实现 MCP 的成本主要还是看 MCP Server 要做的事情的复杂度，假设你原来已经用 tool 实现了，要将他封装成 MCP 是非常简单的，几十行代码就够了， MCP SDK 也提供了相关调试的工具，相对来说是很简单的。
谭宇：在我个人看来，单纯 MCP 目前商业化方面并没有看到太多的机会，大厂为什么在做这个是因为现在提供的还是基础能力，比如 MCP 托管，这的确是小公司不想做的地方。
谭宇：这些在协议层一概没有定义，官方说要在最近支持加密认证等。 所以目前还是在可信环境使用比较好。
谭宇：MCP 理论上和行业无关。 它解决的痛点也很明确，就是解决了工具之间的定义、通信等不标准的问题，让相关的工具可以得到复用。
在 MCP 之前大家使用比如 LangChain、LlamaIndex 等工具 来实现 AI 与外部的链接，但实际上行业里对该使用哪种大模型链接工具的没有标准和统一的定义， 如果企业同时使用 LangChain 和 LlamaIndex，那么可能相同的工具就要实现两次。
谭宇：个人认为单纯 MCP Server 和盈利并无关系，还是要看这个背后你为客户提供了什么价值。比如在枫清科技（Fabarta）， 我们通过 Fabarta 超级办公智能体集成一些业界通用成熟的 MCP Server， 快速为客户提供 AI 方面的能力。举个例子，以写作或制作 PPT 为例，现在的流程基本上是上传参考文档 ->大模型制作 ->调整 ->下载产物，这种流程本质上是以模型为中心而非以用户为中心，我们通过在 Fabarta 超级办公智能体中集成文件系统、本地知识库这样的 MCP Server，用户可以在 Fabarta 超级办公智能体中直接说请参考我本地某某文件编写什么样主题的文档 /PPT， 写完后直接将最终结果输出到本地，这样就极大的简化了用户的流程并提升效率。
所以本质上要通过 MCP Server 盈利，并不是 MCP Server 本身，而是看 MCP Server 到底能带来什么样的能力，即它背后的系统。
谭宇：现在也不需要推动了，各类 AI 开发框架都对 MCP 进行了支持，各大应用比如高德地图、百度地图等也开发了自己 MCP Server， 该协议成为基础已没有疑问。
谭宇：它的连接器定位不会改变，未来会在可运维性、安全性等方面进行加强。我认为未来，这些模型厂商提供给客户的能力更多的还是会基于 Agent， MCP 只是实现层面的事情。
你也「在看」吗？👇