什么是 MCP ？长篇科普

引子

这两年，MCP这三个字母在AI圈里被反复提起，开口闭口都是它。可它到底是什么，多数人未必说得清。

先把镜头往回拉两年。那时候的大语言模型，说句不客气的，像个博学的瞎子。它读过的书堆成山，引经据典张口就来，可它的知识停在训练完成那一刻，你问它今天的新闻、此刻的股价，它一概不知道。你让它替你办点事，订张票、查个数据、改份文档，它更是使不上劲，只能在对话框里跟你干聊。聪明绝顶，却什么也碰不到。

再看今天。同一类模型，已经能联网查到实时信息，能读你刚共享给它的文件，能调用一连串工具替你跑腿，能自己一步步把一件正事办完。短短两年，它从一个被困在对话框里的大脑，变成了一个能把手伸进真实世界去干活的助手。

这中间到底发生了什么，让一个瞎子睁开了眼、又长出了手？原因不止一个，但其中最关键的一块拼图，名字就叫MCP，全称Model Context Protocol，模型上下文协议。注意是MCP，不是MPC，后者是另一回事。

这篇文章讲的就是这件事：模型怎么从“只会说“变成“能动手“，MCP在这场转变里到底起了什么作用，以及为什么这套看着不起眼的协议，2024年底才出现，一年多就铺遍整个行业，连最大的竞争对手都主动用上了它。说到底，它解决的是一个在计算机史上反复出现、每次都很难、一旦解决就引爆一波增长的老问题。我们慢慢说。

一、MCP从哪来：一个协议的十二个月

这一章只讲故事，讲MCP是在什么背景下冒出来的，怎么在一年里从一家公司的内部规范变成全行业的地基。它具体怎么工作，留到第二章。

1.1 AI的转向：从“会聊天“到“想干活“

2022年底ChatGPT火起来的时候，大家对AI的期待还很简单：你问它答，它是个超级搜索引擎加超级作文老师。它待在对话框里，吐出来的是文字，你拿这些文字自己去用。

到了2023、2024年，风向变了。人们不再满足于让AI“说“，开始想让它“做“。帮我订机票，帮我查一下这个月的销售数据，帮我把这段代码提交上去，帮我整理收件箱。这种“替你办事“的助手，业内叫它agent，智能体。

一旦从“说“变成“做“，一个老毛病立刻变得不能忍。模型再聪明，默认也够不到你此刻的日历、你公司的数据库、你正在写的文档。就算它能上网查公开信息，你私有的那些系统它照样进不去。你让它办事，它得先能够到这些东西，够不到，再聪明也是空转。

打个比方，这就像你雇了个智商极高的秘书，被锁在一间隔音玻璃房里。他能隔着玻璃看报、看电视，对外面的世界门儿清，可你桌上的文件他一份也拿不到，你的电话他也碰不着。聊天的年代这不碍事，办事的年代，这道玻璃就是最大的障碍。

为什么这堵墙一直都在，却到2024年才成了人人喊打的痛点？因为在“聊天“的年代它根本不碍事。你让AI写首诗、解道题、翻译一段话，它靠脑子里那点训练知识就够了，连不连外部系统无所谓。可一旦目标换成“替你把事办成“，墙后面那些东西，你的真实数据、能动手的工具，就从可有可无变成了非有不可。同一堵墙，需求一变，地位天差地别。这也是为什么MCP来得不早不晚，恰好踩在这个节点上。

1.2 协议的诞生：Anthropic出手

2024年11月25日，做出Claude的公司Anthropic推出并开源了MCP，一套让AI应用跟外部工具、数据打交道的标准。开源的意思是，规范公开，谁都能看、能用、能照着实现，不收费、不设门槛。

Anthropic没有只甩出一份文档了事。发布当天就配齐了配套的开发工具包SDK，还附带了一批做好的连接器，能直接接上Google Drive、Slack、GitHub、Postgres数据库这些常用系统。换句话说，它一上来就把“怎么用“也准备好了，降低了所有人上手的成本。

这里有个值得留意的选择：开放。Anthropic完全可以把MCP做成只有Claude能用的私有接口，用它来绑住自己的用户。它没有这么做，而是把规范彻底公开，邀请所有人，包括竞争对手，一起用同一套标准。这个决定看着像是把自家的优势让了出去，后文会看到，它恰恰是MCP能赢的关键一步，这条线先埋在这里。

发布当天就有一批公司接了进来，Block、Apollo这样的企业，还有Zed、Replit、Sourcegraph这些做开发工具的团队，都成了第一批用户。一个新协议，刚出生就有人抱着用，这是个好兆头。

顺带说清楚开源对一个标准到底意味着什么。它不只是“代码免费看“，更是把这套规矩的解释权摊开放在桌面上：任何人都能照着实现自己的客户端和服务端，不必经过Anthropic点头，也不用担心哪天被收费、被锁死。对一个想当行业通用语的东西来说，这种“谁都能用、谁也改不动别人“的开放性，比任何营销都管用。它等于先把信任问题解决了，剩下的才是技术好不好用。

1.3 十二个月的奇迹：连对手都用上了

这一章真正的高潮在这里。一般来说，一个技术标准要在全行业普及，得花好几年，甚至十几年。互联网的很多底层协议都是磨了一代人才铺开的。MCP不一样，它大约只用了十二个月。

2025年3月26日，最关键的一脚落地：OpenAI正式采纳了MCP。OpenAI是Anthropic最直接、最大的竞争对手，ChatGPT就是它的产品。这天OpenAI的CEO山姆·奥特曼（Sam Altman）在X上公开表态，说大家都很喜欢MCP，他们要在自家产品里支持它，并且当天就在OpenAI的Agents SDK里上线了MCP支持，ChatGPT桌面端和Responses API的支持随后跟上。

这件事的分量在于：这不是Anthropic花钱买来的合作，也不是行业协会硬性摊派的标准。是竞争对手自己看明白了，主动用上了对家定的规矩。一个标准能让死对头心甘情愿地采用，这是它从“某家厂商的私货“变成“真正的行业标准“的最强信号。

紧接着是连锁反应。2025年4月，Google DeepMind的负责人Demis Hassabis确认，Gemini模型也会支持MCP。同年5月的微软Build大会上，微软和GitHub也宣布支持MCP，并把它接进开发者生态。到2025年底，主流的AI客户端，ChatGPT、Claude、Gemini、微软Copilot、Cursor、VS Code，几乎全都原生支持MCP。短短一年，它从一家公司的提案，变成了主流AI客户端和开发者工具默认接受的通用接口。

对照那些没能普及的标准，更能看出门道。工程史上不乏技术上更完备、却始终火不起来的协议，败因往往是它绑死在某一家厂商身上，别人用着不放心。MCP走的是反过来的路：先把规范彻底交出去，让所有人都没有后顾之忧，再靠这份安全感去换铺天盖地的采用。竞争对手肯主动用上对家定的规矩，本身就是这套打法奏效的最硬证据，任何广告都换不来这种背书。

1.4 交给社区：从一家公司到行业基础设施

故事还有最后一步。2025年12月9日，Anthropic把MCP捐了出去，交给Linux基金会下面一个新成立的组织，叫Agentic AI Foundation，智能体AI基金会。

这是个由Linux基金会托管的专项基金，发起方除了Anthropic，还有Block和OpenAI，背后支持的有Google、微软、AWS、Cloudflare、彭博这些大公司。一同被捐进去的还有Block的goose项目和OpenAI的AGENTS.md规范，MCP是其中分量最重的一块。Anthropic特意说明，MCP原有的、由维护者主导的治理方式不变，捐赠改的是归属，不是日常怎么运转。

为什么一家公司要把自己一手做出来、又火遍全行业的东西拱手送人？因为对一个想当“标准“的东西来说，被某一家公司攥在手里，本身就是它最大的软肋。只要它还姓Anthropic，竞争对手用着就总有一层顾虑：哪天你改规则、卡我脖子怎么办。把它交给中立的基金会，等于昭告天下：这是大家的水电煤，不是谁的私产。这一步，让前面1.2节埋下的“开放“叙事走到了终点。

这种“做大了就交给中立基金会“的剧本，开源世界里有现成先例。Google把容器编排系统Kubernetes捐给云原生计算基金会CNCF之后，Kubernetes反而坐稳了行业标准的位置，所有云厂商都放心拿去用。Linux基金会这些年扮演的就是这样一个中立托管人，把一项项关键技术从某家公司的私产，转成全行业的公共设施。MCP进入Agentic AI Foundation，走的是同一条被验证过的路。

讲到这里，一个问题已经按捺不住了：它凭什么这么快就成了？一个标准能在十二个月里让所有对手低头，这在历史上极其少见。答案不在这一章，要等我们把它到底是什么、它的前辈都是谁讲清楚之后，第四章再来揭晓。

二、MCP到底在干什么

上一章讲了MCP的来龙去脉，这一章把它本身讲清楚。规矩只有一条：每个黑话词后面都配一个生活里的比喻，绝不连着甩两个术语砸你。读完这一章，你应该能用一句话跟朋友解释MCP是什么。

2.1 那个真正的麻烦：N×M问题

先说清楚MCP到底在解决什么麻烦，否则后面全是空中楼阁。这个麻烦有个朴素的名字，叫N×M问题。

设想现在市面上有10个AI应用，比如Claude桌面端、Cursor，还有形形色色的AI助手。这里要先分清楚一件事：GPT、Claude、Gemini这些是基础模型，是脑子，而真正去对接你工具的，是包在模型外面、你直接打交道的那层应用。另一边，有100个工具和数据源等着被接进去，你的日历、你的数据库、你公司的客服系统、GitHub。在MCP出现之前，每一个AI应用要用上每一个工具，都得有人专门写一段对接代码，俗称连接器。10个应用，每个都要单独接100个工具，最坏情况下就是10乘100，一千套连接器。

更糟的是这些连接器互不通用。给一个应用写的那一套，换到另一个应用就用不了，得重写。今天接好了你的CRM，明天换个应用，前功尽弃。开发者被困在一张乱成一团的连线网里，绝大部分精力花在“接上“这件毫无创造性的苦力活上。

举个具体点的画面。一个工程师想让公司的AI助手能查内部的客户管理系统CRM，过去他得为这一个应用专门写一套定制插件，调通、测试、维护，往往是好几天到一两周的活。换一个应用，整件事重来一遍。这种重复劳动，乘以全行业成千上万家公司，是一笔惊人的浪费。

MCP的核心价值，一句话就能讲明白：它把这张乱网捋直了。原来要写N乘M套连接器，现在变成N加M。每个AI应用只要学会说MCP这一种“普通话“，每个工具只要按MCP的规矩把自己包装一次，两边就能按同一套流程发现、描述和调用。那个工程师写一次MCP server，所有支持MCP的AI应用和客户端就都能接上他的CRM，再也不用一个客户端一套。

这里得说清楚“最坏情况“那个词。现实里当然不是每个应用都要接上每一个工具，但只要对接是定制的、不通用的，整个生态的总成本就随着应用数和工具数相乘地往上涨。任何一方多出一个新成员，理论上就要新增一整排连接器去配它。这种平方级别的负担，才是N×M问题真正吓人的地方：接某一个工具本身不算什么，可整个行业的对接成本被锁死在一条注定越走越重的曲线上，谁都甩不掉。MCP做的事，是把这条曲线从相乘掰成了相加，这是量级上的差别。

2.2 一个比喻：AI的USB-C接口

如果上面那段还是有点抽象，Anthropic自己给了一个特别贴切的比喻，官方文档里的原话是：把MCP想象成AI应用的USB-C接口。

回想USB-C出现之前是什么光景。手机、相机、硬盘、耳机，每种设备都有自己的插口和专用线，出门得带一大把充电器，丢一根配一根还得对型号。USB-C统一了接口之后，一根线插遍所有设备，谁也不用记自己那台是什么口。

MCP想做的就是AI世界的这根USB-C。任何遵守这套标准的AI应用，叫它宿主，都能插上任何遵守标准的工具，叫它服务端，插上就能用，自动认出对方有哪些能力，不必为每一种组合单独写代码。一个统一的口子，锁住了这一整章的逻辑。

这个比喻好就好在它顺手点出了标准的本质：标准不创造新能力，它消灭重复劳动。USB-C没让你的硬盘跑得更快，它只是让你不用再为接口发愁。MCP也一样，它不让模型变聪明，它让模型够得着东西这件事，从一桩苦差变成理所当然。

USB-C这个比喻还藏着一层值得留意的历史。当年接口五花八门，根子不在厂商笨，而在各家都想用自己的私有接口绑住用户，顺带卖专用配件。统一接口能不能落地，关键在大家愿不愿意放下“绑住用户“的小算盘，接受一个谁都能用的公共标准，技术难度反倒是次要的。MCP面对的是同一道坎，而它最不寻常之处，恰恰是几家最该互相设防的AI公司，这一次选择了共用一个口子。

2.3 MCP怎么工作：宿主、客户端、服务端

把比喻拆开看内部，MCP其实是三个角色在配合。用拟人的方式讲最清楚。

第一个角色是宿主（host），就是你直接打交道的那个AI应用，Claude桌面端、Cursor都是。你可以把它想成一位项目经理，听你下指令，负责调度，但它本人不亲自跑腿。

第二个角色是客户端（client），住在宿主体内，是宿主派出去的联络员。每要对接一个外部工具，宿主就派一个专属客户端去跟那个工具单线联系，一对一，互不串线。它就像项目经理身边的助理，专门负责跟某一个外部供应商对接。

第三个角色是服务端（server），是工具或数据源那一头的代表。你的Google日历有一个MCP服务端，你公司的数据库有一个，GitHub有一个。每个服务端的活儿，是用大白话把自己能干的事报清楚：我这儿能查日历、能加日程、能删会议。它像是供应商派来的接待员，专门告诉来访者“我们家提供哪些服务“。

所谓“协议“，听着唬人，剥开就是这三方事先约好的一套对话规矩：联络员该怎么问，接待员该用什么格式答，项目经理拿到答复怎么往下传。规矩统一了，任意一个宿主和任意一个服务端，哪怕从没见过面，也能当场聊起来。

讲细一点，服务端报给模型的能力不止“工具“一种。MCP把一个服务端能提供的东西分成几类：可以被模型主动调用的“工具“（tools），比如发邮件、查数据库。可以被读取的“资源“（resources），比如一份文档、一段日志。还有预设好的“提示模板“（prompts），帮模型把一类常见任务一步到位。这些术语你不用记，只要知道服务端不只是一排“能干活的按钮“，它还能把“可读的资料“和“现成的套路“一起递过去。

这套三方分工里有个设计上的讲究：客户端和服务端严格一对一。宿主想接十个工具，就在体内派出十个互不知情的客户端，各管各的。这么做是为了隔离，你连上的某个工具出了岔子，乱不到其它工具头上。后面讲安全时会看到，这层隔离很有用，却挡不住所有花招。

2.4 走一遍流程：AI帮你查销售额

光看角色还是干，我们让这三方实际跑一趟。场景：你跟AI助手说，帮我查一下上个月的销售额。

第一步，认门。宿主先让客户端去问公司数据库的服务端：你都能干啥？服务端用大白话回一份清单：我能按月份查销售额，能按地区拆分，能导出明细。注意这一步全是自然语言描述，模型靠读这份描述就知道有哪些工具、每个工具要喂什么参数。

第二步，下单。模型一看，“按月份查销售额“正好对得上你的需求，于是让客户端去调用这个工具，把参数“上个月“递过去。这一步是模型自己判断该用哪个工具，不需要你手动指。

第三步，回填。服务端真的去数据库里跑了一趟，把数字捞回来，原路传回给模型。模型拿到上个月的销售额，再用人话组织成一句回答给你：上个月销售额是多少，比前月涨了多少。

整趟下来你只说了一句话，背后宿主、客户端、服务端来回跑了好几轮。关键在于，这套流程对任何工具都一个样。今天查销售额，明天发邮件、改日程、提交代码，换的只是服务端，规矩不变。到这儿，你应该能一句话向朋友解释MCP了：它是一套统一的规矩，让AI助手能自动发现并使用外部的工具和数据，不用人为每个工具单独写对接。

再补一个现实里绕不开的环节：出错怎么办。真实世界里数据库可能连不上，权限可能不够，模型也可能挑错工具。MCP的流程允许服务端把“这次没成功、原因是什么“原样回报给模型，模型据此换个工具重试，或者老实告诉你“这件事我没做成，因为没权限“。这正是装上手脚之后最关键的一点：办得成就真办成，办不成的时候，它会告诉你卡在哪儿，而不是含糊糊弄过去。

也正因为每个动作都真的落到了外部系统上，这套机制比单纯聊天危险得多。聊天最多是话说错，办事却可能把不该删的日程删了、把不该发的邮件发出去。能力和风险是同一枚硬币的两面，这一层留到第五章细说。

三、这个形状，其实早就有了

MCP听着新，可它的“形状“在工程史上一点都不新。这一章由近及远排一排它的前辈，你会发现，“用一个通用标准把混乱的多对多接成简单的多加多”，是个反复上演的老套路。看懂这一点，第四章给它定位才有坐标。

3.1 最直接的祖先：LSP

要找MCP血缘最近的祖先，是LSP，语言服务器协议（Language Server Protocol）。这个类比性价比最高，值得多讲两句。

LSP解决的问题，跟MCP几乎是一个模子刻出来的，只是发生在另一个领域：代码编辑器。程序员用的编辑器有很多，VS Code、Vim、各种IDE。编程语言也有很多，Python、Go、Rust。每个编辑器要想聪明地支持每种语言，自动补全、语法报错、跳转定义，过去都得单独写一套。M个编辑器乘N种语言，又是那张要写M乘N套的乱网，跟2.1节的N×M一模一样。

2016年6月，微软联合Red Hat和Codenvy把LSP标准化，把这件事捋直了。语言那头只要实现一个“语言服务器“，编辑器这头只要会说LSP，两边就能对上。N乘M瞬间塌缩成N加M，每个编辑器写一次，每种语言写一次，完事。

MCP跟LSP的关系是实打实的借鉴，连血缘都对得上。MCP的设计直接复用了LSP的消息流思路，两者底层都用同一种叫JSON-RPC 2.0的消息格式来收发请求。可以说，Anthropic把LSP在“编辑器×语言“上验证过、跑通了快十年的那套办法，原样搬到了“AI应用×工具“上。前辈趟过的路，后来者照着走，省了无数试错。

LSP还留下一条经验，正好被MCP继承：让标准只管“怎么对话“，不管“具体能力是什么“。LSP从不规定某种语言该有哪些功能，它只规定编辑器和语言服务器之间用什么格式收发消息，补全、报错、跳转这些能力由各语言自己实现。MCP一模一样，它不替任何工具决定该提供什么功能，只定下三方交换信息的规矩。这种“只管通信、不管内容“的克制，是这类协议能被广泛复用的关键，管得越少，上面能装的东西越多。

3.2 同代近亲：函数调用与ChatGPT插件

再近一点的亲戚，是OpenAI自己在2023年搞的两样东西。它们想解决的问题跟MCP重叠，但走了另一条路，结果成了反面教材。

一个是函数调用（function calling），2023年6月上线，让开发者能把外部函数描述给模型，模型判断该调哪个、传什么参数。另一个是ChatGPT插件，2023年3月发布，想做成一个“AI应用商店“，让第三方把服务做成插件挂到ChatGPT上，查机票、订餐、搜论文。

方向是对的，毛病出在封闭。函数调用和插件都是OpenAI专属的，你为ChatGPT做的插件，Claude用不了，Gemini也用不了，每接一个新模型就得重做一遍。插件这条路更不顺，热闹了没多久就冷下去，OpenAI在2024年3月19日停掉了新的插件会话，4月9日彻底关停，用功能更宽泛的Custom GPTs接了班。

这段对照很有教育意义。一个封闭的、绑死单一厂商的应用商店，最后败给了一个开放的、谁都能实现的协议。同样想给AI接上外部世界，押注“只有我能用“的那条路走不远，押注“大家一起用“的那条路活了下来。这正是1.2节那个“开放“选择的价值，在历史里照出了影子。

ChatGPT插件那段短命史尤其值得当镜子。它2023年3月发布时被寄予厚望，号称要做AI时代的应用商店，结果不到一年就熄火。除了封闭，毛病还不止一个：开发者得专门为它适配，用户得手动一个个去装、去开，体验割裂。它能接什么、能触达多少人，全卡在OpenAI一家的节奏里。后来接班的Custom GPTs换了形态，“只在我家生态里玩“的内核没变。MCP把这件事彻底反过来：协议公开，谁都能做服务端，谁的模型都能用，发现和调用还交给模型自动完成。同一件事，开放的做法走通了，封闭的做法没走通。

3.3 更老的工程史：程序如何对话

把镜头再往前拉，让两个程序隔着网络对话，是计算机界折腾了三十年的老题目。MCP站在一长串前辈的肩膀上。

最早是RPC，远程过程调用，让一台机器上的程序像调用本地函数一样去调另一台机器上的功能。后来到了2000年前后，出现了SOAP和WSDL这一套企业级标准，想法很宏大，要把所有跨系统通信都规范死。围着SOAP还长出一大家子以WS打头的规范，WS-Security管安全、WS-Addressing管寻址、WS-ReliableMessaging管可靠传输，名字一长串，业内索性统称它们WS星号系列（写出来就是WS后面跟个星号通配符，代指这一整串后缀）。结果这套东西规范得过了头，叠床架屋，光配置文件就能看晕人，又重又难用，成了“过度设计“的经典教案。

物极必反，接着流行起来的REST走了相反的极简路线，配上OpenAPI来描述接口长什么样，轻便、好懂，成了今天网络服务的主流。MCP常被类比成“AI时代的OpenAPI“，两者都是用一份标准说明书告诉对方“我有哪些能力、该怎么调“。区别在于，OpenAPI主要写给人和程序看，MCP是专门写给AI模型读的。

这条几十年的脉络里，藏着一个来回摆动的钟摆，在“管得太松“和“管得太死“之间晃。RPC和早期方案偏松，各搞各的，互通性差。SOAP和WS那一代矫枉过正，把规矩定到密不透风，重得没人愿意用。REST又荡回简单那头，靠几条朴素约定赢下了整个互联网。每一代工程师，都得在这两个极端之间重新找平衡点。

MCP站在这根钟摆的最新位置上，选择很清楚：宁可简单到看着不够“严谨“，也不复杂到吓退开发者。它躲开了WS那种大而全的覆辙，学REST那种“够用就好“的克制。一个标准能不能活，多数时候看的是上手有多容易，至于考虑得周不周全，还在其次。历史一再证明，这道选择题上活下来的，几乎总是更简单的那个。

3.4 最有画面感的：日常里的标准

最后跳出软件，看看身边。“用一个通用标准接通一堆互不相容的东西”，这个套路在物理世界里到处都是，而且每一次都深刻改变了一个行业。

USB，统一了电脑外设的接口，U盘、鼠标、键盘插上就用，不用再装一堆专用驱动。设备驱动程序，让操作系统不必为每一款打印机单独写代码，认一个通用接口就行。集装箱，把尺寸统一成标准箱，货轮、卡车、吊车、火车全按这个尺寸来，全球物流成本应声而降。还有铁路轨距，所有铁轨宽度统一，一列火车才能从这国开到那国。

这些东西平时你根本不会想起，可一旦没有它们，整个世界都会卡住。它们共同指向一条很深的规律：通用适配器是个反复出现的老模式。每当一个领域里“东西越来越多、互相又对不上“的矛盾积累到临界点，就会有一个统一的标准冒出来，把混乱压成秩序，然后引爆一波此前被对接成本压住的增长。MCP，就是这个老模式在AI时代的最新一例。

再细看这些日常标准，它们的回报方式也惊人地一致：短期看是省了对接的麻烦，长期看是催生了原本不存在的新生意。集装箱标准化之后，省下的不只是装卸费，它直接让全球供应链、远洋贸易、跨国制造成为可能，把整个世界的经济地图重画了一遍。USB普及之后，冒出来一大批靠这个统一接口才活得下去的小硬件厂商。统一标准真正的威力，从来不在省下的那点钱，而在它解锁的那片此前根本无法存在的新空间。记住这一点，第四章掂量MCP的分量时用得上。

四、MCP算老几

第三章把前辈排了一排，这一章给MCP定位：它在这串家谱里到底算老几，又凭什么能这么快成功。先解上一章留下的谜，再把它放进那个上百年的大模式里掂量分量。

4.1 解谜：MCP凭什么这么快成功

回到第一章末尾按下的那个问题：一个协议怎么能在十二个月里让所有竞争对手都低头？答案是三件事凑在了一起，缺一不可。

第一件，开放。Anthropic从一开始就把MCP彻底公开、免费、不绑自家产品，后来更是直接捐给中立基金会。这一步拆掉了竞争对手采用它的全部顾虑。试想，如果MCP只有Claude能用，OpenAI绝不可能在2025年3月主动接它，它顶多是Anthropic的一个内部特性，火不出自己的院子。

第二件，简单。它学的是LSP和REST那条克制的路，没走WS那种大而全的老路。底层复用成熟的JSON-RPC，工具描述用大白话，开发者花一两个小时就能跑通一个server。一个标准上手越容易，扩散就越快，这是被无数前辈反复验证过的铁律。

第三件，时间点。MCP出现在2024年底，正好踩在AI从“会聊天“转向“想干活“的浪尖上。早两年，模型还在对话框里待着，根本没人迫切需要这么一套对接标准，再好的协议也无人问津。晚两年，各家可能已经各自造了一堆互不兼容的轮子，再想统一就难了。它来得不早不晚，恰好是整个行业最需要它的那一刻。开放给了它被接受的资格，简单给了它扩散的速度，时间点给了它爆发的需求，三者叠加，才有这场十二个月的奇迹。

三件事缺一不可，这点值得停一下。光开放不够，一个开放却难用的协议，没人愿意花力气接。光简单不够，一个简单却绑死单家的接口，对手再喜欢也不敢碰。光踩中时间点更不够，需求来了而东西又难用又封闭，照样被别的方案抢走。MCP的运气在于这三样恰好同时到位，而且彼此还互相加强：开放降低了顾虑，简单加快了扩散，时间点放大了需求，三股力拧成一股绳。绝大多数技术只占了其中一两样，于是热闹一阵就沉了下去，这也是为什么“全占齐“的案例如此罕见。

4.2 通用适配器：一个上百年的老模式

把MCP放进3.4节那个大模式里，它的历史定位就清楚了：它是“通用适配器“这个上百年老模式的最新一例，论原创性它谈不上石破天惊，论意义它可能被低估了。

这个模式每次出现，剧本都差不多。先是某个领域东西越堆越多、彼此又对不上，对接成本高到让所有人头疼。然后一个统一标准冒出来，把多对多的乱网捋成多加多。最后，那些原本被对接成本死死压住的需求，一下子被释放出来，引爆一波增长。集装箱之于全球贸易，USB之于个人电脑，都是这个剧本。

MCP正站在这个剧本的第二幕到第三幕之间。它已经把AI接工具的乱网捋直了，接下来很可能是一波应用爆发：当给AI接一个新能力的成本从“几天到两周“降到“写一次就到处能用“，过去因为太麻烦而没人做的无数小工具、小集成，会噗噗地冒出来。历史上每一次通用适配器的出现，后面都跟着这样一波由成本骤降点燃的繁荣。

所以给MCP定位，不必纠结它发明了什么全新的东西，它本来就不是靠原创取胜的。它的分量在于，它在对的时间，把一个被验证过无数次的老办法，用对了地方。

把这层意思说透：原创和重要，是两码事。MCP在技术上几乎没造什么新轮子，JSON-RPC是现成的，N加M的思路LSP用过，开放治理的玩法Kubernetes演示过。可正是这种“全是成熟零件的重新组合“，让它格外稳、格外快。它不必赌任何一项没被验证过的新技术，每个零件都已经在别处跑了好多年。给一个站在风口上的真实需求，配一套零风险的成熟方案，这种组合的杀伤力，常常比某个孤零零的天才发明还大。

4.3 最好的标准，最后都会消失

最后给你一把尺子，用来衡量MCP这类标准到底成不成。这把尺子有点反常识：最成功的标准，最后都会变得没人讨论。

想想USB-C。它刚出来时是科技新闻的热点，今天你插上充电线，脑子里压根不会闪过“USB-C“三个字，它已经隐进了日常，成了你默认它就该在那儿的东西。TCP/IP撑着整个互联网，可除了工程师，没人会在刷手机时想起它。一个标准真正赢了的标志，是它从话题变成空气，从“了不起的新技术“变成“理所当然的水电煤“。你不会每天感谢USB-C，正说明它彻底成功了。

按这把尺子，MCP正在快速走向“隐形“。截至2025年12月，它的SDK每月下载量超过9700万次，全网活跃的公开服务端超过一万个。这两个数字背后是无数开发者已经把它当成默认选项，接工具时顺手就用，不再当成一件需要讨论的新鲜事。

这就是MCP当下的历史位置：它正处在从“热门话题“沉降为“隐形基础设施“的过程中。下一代能自己动手干活的AI软件，很可能就架在这层大多数人永远不会直接看见的管道之上。它越是悄无声息地工作，越说明它赢了。

不过用这把“能不能消失“的尺子，也能照出MCP还没赢透的地方。一个标准要真正隐形，前提是它足够可靠、足够安全，可靠到没人需要为它操心。下载量和服务端数量说明MCP在“被采用“这件事上已经赢了，可它在“被信任到可以忘记“这件事上还差着火候，安全这一关还没过，下一章就讲这个。所以更准确的说法是：MCP正走在通往隐形的半路上，前半程靠开放和简单已经跑完，后半程要靠把可靠性和安全性补齐。

五、接下来往哪走

讲完来路和定位，最后看前路。这一章的纪律跟前面相反：多摆问题，少下断言。AI智能体这件事本身还在剧烈变动，凡是涉及未来的部分，能确定的不多，诚实的写法是把不确定性留给你自己判断。

5.1 无聊但关键：让MCP扛得住生产环境

MCP早期的形态，更偏一个能在开发者电脑上快速跑通的本地工具。要支撑起严肃的商业应用，它得先解决一堆听着无聊、却决定生死的工程问题。

一个是传输方式。早期版本用的是一种叫HTTP+SSE的老办法，2025年3月26日的规范换成了更现代的Streamable HTTP，一个能支持无状态服务的设计，更适合跑在云端那种随用随起的环境里。另一个是授权，谁有权调用哪个工具，得有一套严密的把关。新版本向业界成熟的OAuth 2.1标准看齐，2025年6月18日的规范进一步把MCP服务端正式定义成OAuth里的“资源服务器“，权限管理走的是和银行、企业系统同源的那套规矩。

在这之上，新能力也在往上长。2026年1月正式上线的MCP Apps，让工具不只能返回文字，还能直接在对话里渲染出可点击的界面，表单、图表、仪表盘。还有对长任务的支持，2025年11月的规范开始引入异步操作。Tasks作为实验扩展，进一步把长任务做成可轮询、可恢复的任务句柄。那些要跑很久的活儿，比如“花十分钟生成一份报告“，可以先返回一个任务号，让模型过会儿再来取结果，而不必干等着。这些更新合起来，是MCP从本地开发者工具长成生产工具的过程，单看每一条都不起眼，少了哪一条它都进不了真正的企业系统。

这些更新有个共同的方向：从“能在开发者电脑上跑通的本地工具“，长成“敢接进银行、医院、大公司核心系统的生产工具“。早期阶段，跑通就算成功。生产阶段，要操心并发、要操心权限、要操心断了线怎么恢复、要操心十万个用户同时调用会不会崩。这些活听着一点都不性感，远没有“AI自己会用工具“那么吸引眼球，但一个技术能不能从demo走向真正赚钱的应用，往往就卡在这些无聊的工程细节上。MCP这一年多的版本演进，大半力气都花在了这些不起眼的地方。

5.2 最大的隐患：安全还没解决

这一节不粉饰。MCP最大的软肋，是安全，而且这个问题到现在远没有解决。

最受关注的一类攻击叫工具投毒（tool poisoning），较早系统披露这类攻击的，是安全团队Invariant Labs。前面讲过，模型靠读服务端的自然语言描述来决定调用哪个工具。坏人正是钻这个空子：把恶意指令悄悄藏进工具的描述文字里，这段文字对模型可见，对你这个用户却不可见。模型读到了，就可能被诱导去调用危险的操作，或者把你的数据偷偷送出去，而界面上一点异常都看不出来。

还有一种叫地毯式抽离（rug pull）：一个工具在你点头授权时人畜无害，过了你这关之后，它的描述和行为被悄悄改掉，一个已经被你信任的工具，变成了内鬼。更麻烦的是，恶意服务端能借着你已经连上的其它正常工具，把数据一层层倒腾出去，全程不在你眼前露面。

这些隐患的根子在于MCP的设计前提：你把一个能自主行动的模型，接到了一大堆工具上。每多接一个工具，就多开一扇可能被攻破的门。模型越自主、连的工具越多，攻击面就越大。这是个还在演进、远未定论的领域，任何说MCP已经安全了的话，现在都不能信。

更难办的是，这些攻击不是打个补丁就能根除的。它们的根源在MCP的工作方式本身：模型必须信任服务端给的自然语言描述，又被授权去动真实世界的东西，这两条凑在一起，天然就是攻击者的温床。安全圈里已经有人把“不可信上下文注入“列为这类系统的根本性风险，意思是只要模型会读外部来的文字、又会照着行动，这道口子就堵不严实。

实际的防护现在更多落在使用者一侧：别随便连来路不明的服务端，给工具的权限能小就小，重要操作留一道人工确认。这些都是权宜之计，算不上根治。把一个能自主行动的AI接上一堆工具，便利和风险是绑在一起卖的，这笔账每个想认真用MCP的人都得自己算清楚。

5.3 更大的图景：智能体的互联网

把视野再放大，MCP只是一个更大故事里的一块。如果说MCP管的是“AI怎么用工具“，那么另一个问题正浮上来：AI智能体之间，怎么互相对话？

这就有了A2A，智能体对智能体协议（Agent-to-Agent），最早由Google Cloud做出来，2025年6月也捐给了Linux基金会做中立治理。它要解决的是另一个维度的事：让不同公司、不同来源的AI智能体能互相发现、彼此协作，你的差旅智能体跟航司的智能体直接谈。MCP连的是“智能体和工具“，A2A连的是“智能体和智能体“，两者互补，拼起来像是在搭一张“智能体的互联网“。

这张网刚起头，前面全是开放问题，没有现成答案。这套标准会一直保持开放，还是会像历史上很多次那样，最终分裂成几个互不相让的阵营？把所有工具的接入方式都统一到一两个标准上，到底是让权力更分散了，还是反而让掌握标准的少数玩家更集中了？这些问题现在都没法下定论，值得你自己盯着往后看。

有一点值得留意：A2A和MCP这两套标准，眼下被收进了同一个屋檐下，Linux基金会。A2A是Google在2025年6月捐过去的，MCP是Anthropic年底捐过去的，连托管方都重叠。这或许说明，几家主要玩家想把“智能体怎么用工具““智能体之间怎么对话“这些底层规矩，都做成中立、开放、谁都能用的公共设施，而不是各自割据。

但这只是当下的一个走向，远谈不上定局。标准之争的历史反复说明，开放和分裂常常只隔一层窗户纸：今天大家共用一套规矩，明天某个巨头觉得自己够强了，完全可能另起炉灶。MCP和A2A能不能一直当好这层“智能体互联网“的公共管道，还是会重蹈历史上无数次标准分裂的覆辙，现在谁也打不了包票。

六、动手：最简单的上手

前面讲了一大堆“为什么“，这一章给你一个今天就能试的最小例子，不写一行代码。

最快的上手方式，是给一个支持MCP的桌面应用接上一个现成的server。以Claude桌面端为例，它会读一个配置文件，文件里写明你想接哪些server。社区已经做好了一大批server，文件系统、GitHub、各种数据库都有，你只要把它填进配置就行。

比如你想让Claude能读你电脑上某个文件夹里的文件，配置长这样：

{ “mcpServers”: { “filesystem”: { “command”: “npx”, “args”: [“-y”, “@modelcontextprotocol/server-filesystem”, “/Users/yourname/Desktop”] } } }

把这段填进Claude桌面端的配置文件（在设置的开发者选项里能找到它），保存，重启应用。这时候你再问Claude“我桌面上有哪些文件“，它就真能列出来了，而不是凭空编。你刚做的这件事，正是2.3节那张图里的安排：宿主（Claude桌面端）派出一个客户端，连上了一个服务端（filesystem这个server）。

想再往前一步、自己写一个server也不难。官方给了Python和TypeScript的SDK，一个最小的server也就几十行代码，无非是声明“我有哪个工具、要什么参数、干什么活“。那是另一篇教程的事了，这里你只要记住一点：从“读懂MCP“到“用上MCP“，门槛低到一段配置就能跨过去。

写在最后

这篇从头到尾都在回答一个问题：模型怎么从只会说，变成能动手。MCP给的答案很朴素，在AI和它要用的工具之间立一套通用接口，把原本要一个个定制对接的乱网，从N乘M捋成N加M。开头那个博学的瞎子，就是这样配上了一双手，够着了外面真实的世界。

它真正的分量，与其说在协议本身有多精巧，不如说在两件事上。一是它印证了一个反复上演的老模式，每当一个领域里东西越堆越多、彼此又对不上，就会冒出一个通用标准把混乱压成秩序，集装箱、USB-C、LSP、REST，一概如此。二是它赢下来的方式，把规范彻底交出去，连最大的对手都主动用上，又一次说明在标准这件事上，开放走得比封闭远。

但这事远没到尘埃落定的时候。最硬的一道坎是安全，把模型接进真实系统的同一刻，也把口子开给了风险，这一关还没真正迈过去。它能不能一直保持开放，还是哪天又裂成几个互不相让的阵营，眼下谁也打不了包票。

能确定的只有一点：我们正看着一个标准走完从惊艳到隐形的全程。它2024年底出生，一年铺遍行业，如今正悄悄沉进底层。等到哪天没人再提起MCP这三个字母，恰恰说明它已经彻底赢了，像TCP/IP那样活成了空气。而下一代能替你办事的软件，多半就长在这层你永远不会直接看见的管道上。

作者其它文章（选）

• AI 大V 人物小传（上）

• AI for Science 详细介绍（上）：范式与版图

• 广义祖父积分学

• 什么是“涌现”？涌现的研究史

• 互联网泡沫简史

• AI圈大V名单（推特版）

• 我打造的个人AI系统：哲学基础

• NFT的叙事是如何崩塌的

• 什么是耗散结构理论？它和AI有关系吗？

• 什么是具身智能？它跟AI的关系是什么？

• 一篇文章讲清楚美国的移民系统

• 一文讲清楚美国医疗系统

• 细说美国的华人老钱家族

• 美国的犹太人和华人分别抢到了什么资源？

• 一篇文章看懂美国教育全生态

• 什么是控制论？控制论是AI的上辈子吗？

• 祖父积分学概论

• 教宗良十四世论人工智能（精华版）

• Vibe Reading：AI 时代读书的系统化方法

• 美国税收制度完全指南