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.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，可以實時從谷歌地圖中查找位置。
