編譯：深潮TechFlow
導讀
昨日，Solana 上的 AI相關代幣 $Dark 上線 Binance Alpha，截止目前市值已經來到4000萬美元左右。
在最新的加密 AI 敘事中，$Dark 與“MCP”（模型上下文協議）密切相關，而這也是近期谷歌等 Web2 科技公司正在關注和探索的領域。
但在目前，能夠清晰講清楚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，或許對我們快速瞭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，這些算法、形式化和獨特的數據集被鎖在定製的集成背後，極少有人會使用。
隨著模型上下文協議（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，它標準化了應用程序如何與大型語言模型（LLM）進行通信並提供上下文。我非常喜歡的一個比喻是：“對於AI應用程序來說，MCP就像硬件中的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，但它們受限於當前可以訪問的信息。這意味著它們通常存在知識截止點，不能獨立瀏覽網絡，也無法直接訪問你的個人文件或專用工具，除非進行某種形式的集成。
特別是，在此之前，開發者在將LLM連接到外部數據和工具時面臨三個主要挑戰：
集成複雜性：為每個平臺（如Claude、ChatGPT等）構建單獨的集成需要重複努力並維護多個代碼庫。
工具碎片化：每種工具功能（例如，文件訪問、API連接等）都需要自己的專用集成代碼和權限模型。
分發受限：專用工具被限制在特定平臺，限制了它們的覆蓋面和影響力。
MCP通過提供一種標準化的方法，使任何LLM都能通過通用協議安全地訪問外部工具和數據源，從而解決了這些問題。現在我們瞭解了MCP的作用，讓我們看看人們正在用它構建什麼。
人們正在用MCP構建什麼？
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示例：
AI驅動的故事板：一種MCP集成，使Claude能夠控制ChatGPT-4o，自動生成吉卜力風格的完整故事板，無需任何人工干預。
ElevenLabs語音集成：一個MCP服務器，通過簡單的文本提示，讓Claude和Cursor訪問整個AI音頻平臺。該集成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如何將當前AI工具擴展到音頻領域。
使用Playwright進行瀏覽器自動化：一個MCP服務器，使AI代理能夠控制網頁瀏覽器，而無需截圖或視覺模型。這通過標準化方式使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集成：一個連接個人WhatsApp賬戶的服務器，使Claude能夠搜索消息和聯繫人，併發送新消息。
Airbnb搜索工具：一個Airbnb公寓搜索工具，展示了MCP的簡便性和創建與網絡服務交互的實用應用的能力。
機器人控制系統：一個用於機器人的MCP控制器。該示例彌合了LLM與物理硬件之間的差距，展示了MCP在物聯網應用和機器人領域的潛力。
Google Maps和本地搜索：將Claude連接到Google Maps數據，創建一個可以查找和推薦本地企業（如咖啡店）的系統。這一擴展使AI助手能夠提供基於位置的服務。
區塊鏈集成：Lyra MCP項目將MCP功能帶到StoryProtocol和其他web3平臺。這允許與區塊鏈數據和智能合約進行交互，為通過AI增強的去中心化應用打開了新的可能性。
這些示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制作、通信平臺、硬件控制、位置服務和區塊鏈技術的集成。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工具集成通用標準的潛力。
如果想要查看全面的MCP服務器集合，可以訪問GitHub上的官方MCP服務器庫。在使用任何MCP服務器之前，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，還是僅僅是另一個過度炒作、最終會消退的工具？
在觀察過眾多初創企業後，我相信MCP代表了AI發展的一次真正的轉折點。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，它並不試圖替代現有的AI模型或與之競爭，而是通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，隨著社區在審計、權限、認證和服務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服務器的功能，不能盲目信任它們，尤其是在它們變得豐富時。本文討論了一些因盲目使用未經仔細審查的MCP服務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，而是通過像MCP這樣的標準化協議連接起來的專業能力生態系統。對於初創公司來說，MCP代表了一個構建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之於網絡一樣。隨著協議的成熟和採用的增長，我們很可能會看到專門的MCP服務器市場的出現，使AI系統能夠利用幾乎任何想象得到的能力或數據源。
您的初創公司是否嘗試過實施MCP？我很想在評論中聽到您的經驗。如果您在這個領域構建了有趣的東西，請通過@alliancedao與我們聯繫並申請。
附錄
對於那些有興趣瞭解MCP實際工作原理的人，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標準化了網絡訪問外部數據源和信息的方式，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-服務器模型，由四個關鍵組件協同工作：
MCP主機：包括桌面AI應用如Claude或ChatGPT，IDE如cursorAI或VSCode，或其他需要訪問外部數據和功能的AI工具。
MCP客戶端：嵌入在主機中的協議處理器，維護與MCP服務器的一對一連接。
MCP服務器：通過標準化協議暴露特定功能的輕量級程序。
數據源：包括文件、數據庫、API和服務，MCP服務器可以安全訪問這些數據。
現在我們已經討論了這些組件，來看一下它們在典型工作流程中的交互：
用戶交互：用戶在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信息或工具來提供完整的響應。
工具發現：MCP客戶端查詢連接的MCP服務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：主機向用戶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客戶端將請求發送到適當的MCP服務器，服務器利用其對數據源的專業訪問來執行操作。
結果處理：服務器將結果返回給客戶端，客戶端將其格式化以供LLM使用。
響應生成：LLM將外部信息整合成全面的響應。
用戶展示：最終，響應呈現給終端用戶。
這種架構的強大之處在於，每個MCP服務器專注於特定領域，但使用標準化的通信協議。這樣，開發者無需為每個平臺重建集成，只需一次性開發工具即可服務於整個AI生態系統。
如何構建您的第一個MCP服務器
現在讓我們看看如何使用MCP SDK在幾行代碼中實現一個簡單的MCP服務器。
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，信息來源於谷歌地圖。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。
正如您所見，代碼非常簡單。首先，它將查詢轉換為谷歌地圖API搜索，然後返回結構化格式的頂級結果。這樣，信息被傳遞迴LLM以便進一步決策。
現在我們需要讓Claude Desktop知道這個工具，因此我們在其配置文件中註冊它，如下所示：
macOS路徑：
~/Library/Application Support/Claude/claude_desktop_config.json
Windows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，可以實時從谷歌地圖中查找位置。
