原文作者：Mohamed ElSeidy
原文編譯：深潮TechFlow
導讀
昨日，Solana 上的AI 相關代幣$Dark 上線Binance Alpha，截止目前市值已來到4,000 萬美元左右。
在最新的加密AI 敘事中，$Dark 與「MCP」（模型上下文協議）密切相關，而這也是近期Google等Web2 科技公司正在關注和探索的領域。
但在目前，能夠清楚講清楚MCP 這個概念和敘事影響的文章並不多。
下文是Alliance DAO 研究員 Mohamed ElSeidy 的一篇關於MCP 協議深入淺出的文章，以非常通俗的語言講述了MCP 的原理和定位，或許對我們快速了解最新的敘事有所幫助。
深潮TechFlow 對全文進行了編譯。
在我於Alliance 的這些年裡，我見證了無數創始人構建了他們自己的專用工具和數據集成，這些都被嵌入到他們的AI 代理和工作流程中。然而，這些演算法、形式化和獨特的資料集被鎖在客製化的整合背後，極少有人會使用。
隨著模型上下文協定（Model Context Protocol, MCP）的出現，這種情況正在迅速改變。 MCP 被定義為一種開放協議，它標準化了應用程式如何與大型語言模型（LLM）進行通訊並提供上下文。我非常喜歡的一個比喻是：「對於AI 應用程式來說，MCP 就像硬體中的USB-C」；它是標準化的、即插即用的、多功能的，並且具有變革性。
為什麼選擇MCP？
大型語言模型（如Claude、OpenAI、LLAMA 等）非常強大，但它們受限於目前可存取的資訊。這意味著它們通常存在知識截止點，不能獨立瀏覽網絡，也無法直接存取你的個人文件或專用工具，除非進行某種形式的整合。
特別是，在此之前，開發者在將LLM 連接到外部資料和工具時面臨三個主要挑戰：
整合複雜性：為每個平台（如Claude、ChatGPT 等）建立單獨的整合需要重複努力並維護多個程式碼庫。
工具碎片化：每種工具功能（例如，檔案存取、API 連線等）都需要自己的專用整合程式碼和權限模型。
分發受限：專用工具被限制在特定平台，限制了它們的覆蓋率和影響力。
MCP 透過提供一種標準化的方法，使任何LLM 都能透過通用協定安全地存取外部工具和資料來源，從而解決了這些問題。現在我們了解了MCP 的作用，讓我們看看人們正在用它建構什麼。
人們正在用MCP 建構什麼？
MCP 生態系統目前正處於創新爆發期。以下是我在Twitter 上發現的一些開發者展示其作品的最新範例：
AI 驅動的故事板：一種MCP 集成，使Claude 能夠控制ChatGPT-4 o，自動生成吉卜力風格的完整故事板，無需任何人工幹預。
ElevenLabs 語音整合：一個MCP 伺服器，透過簡單的文字提示，讓Claude 和Cursor 存取整個AI 音訊平台。此整合強大到足以創建可以進行外撥電話的語音代理。這展示了MCP 如何將目前AI 工具擴展到音訊領域。
使用Playwright 進行瀏覽器自動化：一個MCP 伺服器，使AI 代理程式能夠控制網頁瀏覽器，而無需截圖或視覺模型。這透過標準化方式使LLM 直接控制瀏覽器交互，創造了網頁自動化的新可能性。
個人WhatsApp 整合：一個連接個人WhatsApp 帳戶的伺服器，使Claude 能夠搜尋訊息和聯絡人，並發送新訊息。
Airbnb 搜尋工具：一個Airbnb 公寓搜尋工具，展現了MCP 的簡單性和創建與網路服務互動的實用應用程式的能力。
機器人控制系統：一個用於機器人的MCP 控制器。這個範例彌合了LLM 與實體硬體之間的差距，展示了MCP 在物聯網應用和機器人領域的潛力。
Google Maps 和本地搜尋：將Claude 連接到Google Maps 數據，創建一個可以找到和推薦當地企業（如咖啡店）的系統。這項擴展使AI 助理能夠提供基於位置的服務。
區塊鏈整合：Lyra MCP 專案將MCP 功能帶到StoryProtocol 和其他web3 平台。這允許與區塊鏈數據和智能合約進行交互，為透過AI 增強的去中心化應用開啟了新的可能性。
這些範例尤其引人注目之處在於其多樣性。自MCP 推出以來的短短時間內，開發者已經創建了涵蓋創意媒體製作、通訊平台、硬體控制、位置服務和區塊鏈技術的整合。這些各種不同的應用遵循同一標準化協議，展示了MCP 的多功能性及其成為AI 工具整合通用標準的潛力。
如果想要查看全面的MCP 伺服器集合，可以存取GitHub 上的官方MCP 伺服器庫。在使用任何MCP 伺服器之前，請仔細閱讀免責聲明，並謹慎對待運行和授權的內容。
承諾與炒作
面對任何新技術，值得問的是：MCP 是否真正具有變革性，還是只是另一個過度炒作、最終會消退的工具？
在觀察過眾多新創公司後，我相信MCP 代表了AI 發展的一個真正的轉捩點。與許多承諾革命但僅帶來漸進變化的趨勢不同，MCP 是一種生產力提升，解決了阻礙整個生態系統發展的基礎設施問題。
它的特別之處在於，它並不試圖取代現有的AI 模型或與之競爭，而是透過將它們連接到所需的外部工具和數據，使它們更加有用。
儘管如此，關於安全性和標準化的合理擔憂仍然存在。正如任何協議在初期階段一樣，隨著社群在審計、權限、認證和伺服器驗證方面摸索最佳實踐，我們可能會看到成長的煩惱。開發者需要信任這些MCP 伺服器的功能，不能盲目信任它們，尤其是當它們變得豐富時。本文討論了一些因盲目使用未經仔細審查的MCP 伺服器而暴露的最近漏洞，即使是在本地運行時。
AI 的未來在於情境化
最強大的AI 應用將不再是獨立的模型，而是透過像MCP 這樣的標準化協議連接起來的專業能力生態系統。對於新創公司來說，MCP 代表了一個建立適合這些不斷增長的生態系統的專業組件的機會。這是一個利用您獨特知識和能力的機會，同時從基礎模型的大量投資中獲益。
展望未來，我們可以預期MCP 將成為AI 基礎設施的基本組成部分，就像HTTP 之於網路一樣。隨著協定的成熟和採用的成長，我們很可能會看到專門的MCP 伺服器市場的出現，使AI 系統能夠利用幾乎任何想像得到的能力或資料來源。
您的新創公司是否嘗試過實施MCP？我很想在評論中聽到您的經驗。如果您在這個領域建立了有趣的東西，請透過@alliancedao 與我們聯繫並申請。
附錄
對於有興趣了解MCP 實際運作原理的人，以下附錄提供了其架構、工作流程和實施的技術細分。
MCP 的幕後
類似於HTTP 標準化了網路存取外部資料來源和資訊的方式，MCP 為AI 框架做到了這一點，創造了一種通用語言，使不同的AI 系統能夠無縫溝通。讓我們來探索它是如何做到的。
MCP 架構和流程
主要架構遵循客戶端- 伺服器模型，由四個關鍵元件協同工作：
MCP 主機：包含桌面AI 應用程式如Claude 或ChatGPT，IDE 如cursorAI 或VSCode，或其他需要存取外部資料和功能的AI 工具。
MCP 用戶端：嵌入在主機中的協定處理器，維護與MCP 伺服器的一對一連線。
MCP 伺服器：透過標準化協定暴露特定功能的輕量級程序。
資料來源：包括檔案、資料庫、API 和服務，MCP 伺服器可以安全存取這些資料。
現在我們已經討論了這些元件，來看看它們在典型工作流程中的交互作用：
使用者互動：使用者在MCP 主機（例如Claude Desktop）中提問或發出請求。
LLM 分析：LLM 分析請求並確定需要外部資訊或工具來提供完整的回應。
工具發現：MCP 用戶端查詢連接的MCP 伺服器以發現可用的工具。
工具選擇：LLM 根據請求和可用功能決定使用哪些工具。
權限請求：主機向使用者請求執行所選工具的權限，以確保透明性和安全性。
工具執行：在獲得批准後，MCP 用戶端將請求傳送到適當的MCP 伺服器，伺服器利用其對資料來源的專業存取來執行操作。
結果處理：伺服器將結果傳回給客戶端，客戶端將其格式化以供LLM 使用。
回應產生：LLM 將外部資訊整合成全面的回應。
使用者展示：最終，回應呈現給終端使用者。
這種架構的強大之處在於，每個MCP 伺服器專注於特定領域，但使用標準化的通訊協定。這樣，開發者無需為每個平台重建集成，只需一次性開發工具即可服務整個AI 生態系統。
如何建立您的第一個MCP 伺服器
現在讓我們看看如何使用MCP SDK 在幾行程式碼中實作一個簡單的MCP 伺服器。
在這個簡單的例子中，我們希望擴展Claude Desktop 的能力，讓它能夠回答諸如「中央公園附近有哪些咖啡店？」這樣的問題，資訊來自谷歌地圖。您可以輕鬆擴展此功能以獲取評論或評分。但現在，我們專注於MCP 工具find_nearby_places，它將允許Claude 直接從谷歌地圖獲取這些信息，並以對話的方式呈現結果。
如您所見，程式碼非常簡單。首先，它將查詢轉換為Google地圖API 搜索，然後返回結構化格式的頂級結果。這樣，訊息被傳回LLM 以便進一步決策。
現在我們需要讓Claude Desktop 知道這個工具，因此我們在其設定檔中註冊它，如下所示：
macOS 路徑：~/Library/Application Support/Claude/claude_desktop_config.jsonWindows 路徑：%APPDATA%\Claude\claude_desktop_config.json
就這樣，你完成了！現在你已經成功擴展了Claude 的功能，可以即時從谷歌地圖中找到位置。
