AI“觉醒”！你的工作要被它抢走了？！

AI赋能：解放生产力的新方向

AI的潜力与局限

人工智能（AI）的意义在于它有望解放人类劳动力，提升各行各业的工作效率。然而，目前大型语言模型（LLM）的局限性依然显著，需要通过反复对话才能提供建议，且用户必须亲自执行这些建议。这与真正利用AI协助甚至代替我们工作，实现生产力飞跃的愿景，还有一段距离。

MCP：弥合AI“能说”与“能做”的鸿沟

想象一下，如果通过与AI的对话，就能实际操控你的电脑进行邮件回复、报表撰写等工作，甚至还能自动进行加密货币交易，这是否更接近解放生产力的终极目标？而这项正在AI领域炙手可热的技术，便是MCP（Model Context Protocol）。

MCP详解：原理、组成与运作方式

MCP是什么？

MCP（Model Context Protocol），即模型上下文协议，是由Anthropic公司于2024年11月发布的一套标准化协议，旨在解决过去AI模型只能“说”却无法“做”的难题。

我们先对MCP的命名进行拆解：

• Model（模型）：指各种AI大型语言模型，例如GPT、Claude、Gemini等。
• Context（上下文）：代表提供给模型的额外数据或外部工具。
• Protocol（协议）：通用、标准化的“规范”或“接口”。

综合起来，MCP的核心理念是：通过统一的规范，让AI不仅能够理解和生成文字，还能直接操控外部工具来完成各种任务。

我们最常使用的LLM，如ChatGPT、Grok等，只能根据对话内容进行“文字输入、文字输出”。如果需要AI实际执行操作，例如读取电脑文件夹中的文件、发送邮件、查询数据库等，通常需要先向LLM发出指令，然后用户根据LLM的回复自行操作，最后将结果反馈给AI，AI再给出文字建议，用户继续操作，如此往复循环。

MCP的出现，使得AI不仅能够读取电脑本地文件、连接远程数据库，甚至可以直接操作特定的网络服务。换句话说，AI不再仅仅只是输出文字，而是能够为你完成许多重复性或流程性的工作。

MCP的运作方式简述

MCP的运作涉及以下几个关键组件：

• MCP Host（管理员）：负责管理和协调整个MCP的运作。例如，Claude Desktop就是一种Host，能够协助AI访问你本地的数据或工具。
• MCP Client（用户端）：接收用户的需求，并与LLM（AI模型）进行沟通。常见的例子包括各种整合了MCP的聊天界面或IDE（如Goose、Cursor、Claude Chatbot）。
• MCP Server（服务器）：可以被视作是一组“已经整理好、带有注解”的API集合，提供AI可以使用的功能。例如读取数据库、发送邮件、管理文件、调用外部服务等。

有了MCP，AI不仅能够理解人类语言，还能将特定的文字直接转化为动作指令，进而完成自动化操作。例如，帮你整理销售报表、发送邮件给客户，甚至通过指令直接在Blender上进行3D建模。

MCP的重要性：连接AI与现实世界的桥梁

打破信息孤岛：AI获取实时数据的关键

LLM的局限性在于其数据都经过预训练，并非实时更新。这意味着LLM的知识仅限于它训练时所看到的的信息，训练之后产生的新信息，模型是不知道的。如果LLM为今年2月训练，那么今年2月之后的数据它就完全不了解。

目前主流的解决方案是使用RAG（Retrieval-Augmented Generation），这是一种将“检索系统”与“生成模型”结合的方式。这种架构能在LLM推理前，先检索最新的资料，并将检索结果作为上下文提供给模型。具体来说：

• 资料检索（Retrieval）：在LLM回答问题前，先使用一个检索工具（例如网络搜索、内部数据库查询等），寻找符合当前问题的最新资料。
• 生成（Generation）：检索到的资料会作为辅助资料（Context）传递给LLM，帮助它生成更精准、及时的回答。

例如，AI在回复问题前，先通过Bing或Google搜索最新的信息，再将检索结果整合进回复，就是使用了RAG的方式。

MCP跟RAG最大的不同是：RAG是用较为静态的资料辅助LLM的回答，而MCP则能让AI真正“动”起来，例如查询数据库、调用API，甚至修改文件内容。

标准化与通用性：构建统一的AI生态系统

MCP如同USB-C接口一样，不同厂商可以各自开发符合MCP规范的功能，就像所有设备都能使用同一种USB-C传输线一样。如果没有MCP，每个开发者都得自行定义该怎么让AI调用特定API，导致相同的工作被不同的人重复开发。MCP统一后，大家只要实现同一套规范就能立即整合，避免重复造轮子的现象出现。

从被动响应到主动执行：提升AI的实用性

传统的AI工具只会回答问题，不能真正动手。有了MCP，AI可以根据当前情况决定要执行什么指令，并通过读取返回结果，再进行下一步的动作。这种看情况不断修正的能力，大幅增强了AI的实用性。

安全性与管控：保障数据隐私与安全

MCP并不会强制将所有资料都传到AI模型，它能通过权限、API密钥管理等方式管控数据存取，确保机密信息不会外泄。

MCP与AI Agent：概念辨析与协同增效

AI Agent：自动化任务处理的先行者

AI Agent 是指能够“自动化”处理特定任务的AI系统。它不仅仅与人对话，还能根据上下文主动采取行动、调用工具或API，去完成一系列的步骤。比如，常见的能够在Twitter上自主发文，也属于AI Agent 的范畴。去年Q3，由GOAT领头带起了AI Agent风潮，大多数加密货币用户都是通过Web3的视角了解AI Agent。

AI Agent 的局限性

• 缺乏标准化：每个人都可以创建一个Agent，但如果没有统一的规范，就会出现“这个Agent只会用A厂商的模型”、“那个Agent只会打B系统的API”的问题。
• 容易各自为政：AI Agent 虽然能跑腿，但开发者往往需要自定义大量的API格式和规则，不同Agent之间缺乏共用的生态系统，导致整合困难。

MCP：AI Agent 的基石

MCP 是一种协议，而AI Agent 是一种概念或执行方法。

• AI Agent 强调AI 具备主动行动、执行工具的能力。
• MCP 则专注于如何让不同AI 模型与外部工具沟通，扮演通用标准的角色。

MCP 帮助 AI Agent 更有效运作

• 没有MCP，AI Agent可能要对不同工具、不同平台都各写一套API规则，开发维护都很麻烦。
• 有了MCP，AI Agent 只要照着MCP 规范，从“Server 列表”中取得可用工具，然后动态决定要用哪一个工具完成任务，对外部资源的存取也更安全、方便。

功能范围的差异

• AI Agent：着重于决策、逻辑，根据需求判断要怎么做、要执行哪些步骤。
• MCP：专门解决工具对接、标准格式，怎么把外部服务、数据库、文件系统以统一的方式提供给AI。

两者结合：AI Agent + MCP = 智能化未来

AI Agent + MCP = 让AI既懂得怎么行动，也能去哪里行动。

Web3领域的MCP应用：机遇与挑战并存

现有MCP概念项目概览

在Web3领域，已经出现了一些基于MCP理念的项目，它们试图利用MCP将AI与区块链技术结合，为用户提供更智能、更自动化的服务。

1. 基础MCP

Base官方开发的框架，于3月14日推出，让AI应用能与Base区块链互动。用户只需通过自然语言的对话，无需开发能力，便可以做到将合约部署到区块链上以及使用Morpho进行借贷等功能。

BORK是第一个使用Base MCP部署的代币，于3月14日发行，市值最高到达460万美元，但当前已回落至11万美元，且24小时交易量仅有9万美元，可以判断该币寿命已经结束。

Flock是一个去中心化的AI训练平台，它指出当前MCP仍然在外部AI模型上运行，为中心化LLM处理。Flock提供Web3代理模型，AI驱动的区块链任务可以在本地运行，从而为使用者提供更多控制权。

2. 天琴座

LYRAOS 全名是 LYRA MCP-OS，也是多 AI Agent 操作系统，允许 AI Agent 可以直接与 Solana 区块链互动，执行如买卖加密货币等操作。

当前他们正在探索如何使用 MCP-OS 建立数千个 “AI16ZDAOs”，即 AI 驱动的去中心化自治组织，用于加密货币投资。LYRAIOS 计划在 2025 年 3 月 21 日至 22 日之间释出 DEMO，并在下周推出正式产品。

当前代币市值 92.3 万，最高 264 万，24 小时交易量 300 万，持币地址数 2,922。

结语：AI叙事再起，落地仍需时日

Web3 + MCP：未来可期，道阻且长

尽管MCP提供了一条标准化规则，让AI能更容易且安全地与外部工具互动，且在Web3领域看似大有可为，但成功案例相对有限。背后的原因或许包含以下几点：

• 技术整合尚未成熟：Web3生态中，每条链、每个DApp的合约逻辑和数据结构都有差异，想将它们统一封装成可被AI调用的MCP Server仍需投入大量开发资源。
• 安全与监管风险：让AI直接操纵合约、处理资金交易，需要设计完善的私钥管理与权限管控机制，难度与成本都高。
• 用户习惯与体验：多数人对于让AI管理钱包或做投资决策仍存疑，区块链本身的操作门槛也高。如果体验过于复杂或缺乏明确的应用场景，新手很难长期使用或投入。
• 审美疲劳与市场冷感：此前AI Agent在币圈掀起风潮，许多未落地的项目在巅峰时期的估值破亿是家常便饭，而近期正面临戳破AI泡泡的阶段，大多数项目下跌超过90%，视为对AI的怯魅。

回到MCP叙事，可以理解为超级加强版的AI Agent。此前市场已经经历过加密AI狂潮，也逐渐明白何为概念炒作与实际应用，若缺乏真正具有创新与实用价值的应用，投资者与使用者也不会轻易买单。像BORK这样的先行MCP项目，因为没有明显的差异化或应用落地，最终并未炒起热度。这也是笔者认为现行MCP概念尚未风行最重要的关键因素。

MCP与区块链的结合拥有潜力，但同时面临技术门槛与市场压力的双重挑战。未来若能整合更成熟的安全机制、打造更直觉的使用者体验，并发掘真正带来价值的创新应用，“Web3 + MCP”才可能脱离“炒作话题”的宿命，成为新一轮主线叙事。