AI带来的意义便是解放人类劳动力，提升大多数工作能力的下限，然而目前LLM局限性仍大，必须来回对话才能给出建议，且必须用户根据建议亲自执行，距离真正利用AI帮我们工作还有一段落差。

而现在如果可以透过与AI对话，实际利用你的电脑进行邮件回复、报表撰写等功能，甚至还可以帮你自动化炒币，是不是越来越接近解放生产力的愿景？而这项技术就是目前在AI领域的当红关键字-MCP

MCP是什么？

MCP（ModelContextProtocol）是由Anthropic公司在2024年11月发布的一套“标准化协定”，用来解决过去AI模型只能“说”却无法“做”的问题。

首先先将MCP命名拆解

Model：模型，指的就是各种AI大型语言模型（例如GPT、Claude、Gemini等）Context：脉络，代表给模型的额外资料或者外部工具Protocol：协议，通用、标准化的“规范”或者“接口”

合在一起就是：透过统一规范，让AI不只会“说”，还能直接操控外部工具完成各种任务。

一般我们最常使用的LLM，像是ChatGPT、Grok等等，只能根据对话内容进行“文字输入、文字输出”。如果我们要让AI帮忙实际执行操作，例如去电脑资料夹读档案、发Email、查资料库等，通常先是下指令给LLM，用户再经由LLM的回应自己动手操作，最后再把结果回报给AI，AI再给我们文字建议，我们继续操作，如此往复循环。

MCP的出现，让AI不但能读取电脑本地的档案、连线到某个远端资料库，甚至能直接操作特定的网路服务。也就是说，AI不再仅仅只是输出文字，而是能替你完成很多重复性或流程性的工作。

运作方式简述MCPHost（管理员）：负责管理、协调整个MCP的运作。例如ClaudeDesktop就是一种Host，能协助AI存取你本地端的资料或工具。MCPClient（用户端）：接收使用者的需求，并与LLM（AI模型）进行沟通。常见例子包括各种整合了MCP的聊天界面或IDE（如Goose、Cursor、ClaudeChatbot）。MCPServer（服务器）：可以视作是一组“已经整理好、带有注解”的API集合，提供AI可以使用的功能。例如读取资料库、发送邮件、管理档案、呼叫外部服务等。

有了MCP，AI不只能理解人类语言，还能把特定的文字直接翻译成动作指令，进而完成自动化操作。例如，帮你整理销售报表、发邮件给客户，甚至透过指令直接在Blender上进行3D建模。

参考：https://www.youtube.com/watchv=FDRb03XPiRo&t=4sMCP的重要性为何？

1.打通AI与外部工具的桥梁

LLM的局限性在于当中的资料都经过预训练，并非实时更新，意思是LLM的资料仅限于它训练时所看到的资讯，因此训练之后产生的新资讯，模型是不知道的。

假设LLM为今年2月训练，那么今年2月之后的资料则是完全没有的。

目前主流的方法是使用RAG(Retrieval-AugmentedGeneration)，这是一种把“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（例如网路搜索、内部资料库查询等），寻找符合当下问题的最新资料。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、即时的回答。

像AI在回复问题前，先透过Bing或Google搜寻最新的资讯，再将检索结果整合进回应，就是使用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“动手去做”，例如查资料库、调用API，或什至修改档案内容。

2.标准化&通用性：像USB-C一样的存在：不同厂商可以各自开发符合MCP规范的功能，就像所有装置都能使用同一种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呼叫特定API。这意味着相同的工作会被不同人重复开发。MCP统一后，大家只要实作同一套规范就能立即整合，避免重复造轮子的现象出现。

3.从被动回应到主动执行：传统AI工具只会回答问题，不能真正动手。有了MCP，AI可以根据当下情况决定要执行什么指令，并透过读取回传结果，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AI的实用性。

4.安全性与控管：MCP并不会强迫把所有资料都传到AI模型，能透过权限、API金钥管理等方式控管资料存取，确保机密资讯不会外流。

MCP跟AIAgent相比，差异为何？

什么是AIAgent？

去年Q3由GOAT领头带起了AIAgent风潮，大多数加密用户是透过Web3视角了解AIAgent，AIAgent通常指的是能“自动化”处理特定任务的AI系统，它不只跟人对话，还能根据上下文主动采取行动、呼叫工具或API，去完成一系列的步骤。像是最常见的能够在推特上自主发文，也属于AIAgent的范畴。

AIAgent的限制

缺乏标准化：每个人都可以造一个Agent，可是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：AIAgent虽然能跑腿，但开发者往往需要自订大量API的格式和规则，不同Agent之间缺乏共用的生态系，导致整合困难。

MCP与AIAgent的关系：MCP是一种协议，AIAgent是一种概念或执行方法

AIAgent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AIAgent更有效运作

没有MCP，AIAgent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，AIAgent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。

功能范围不同

AIAgent：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：专门解决工具介接、标准格式，怎么把外部服务、资料库、档案系统以统一的方式提供给AI

两者结合：AIAgent+MCP＝让AI既懂得怎么行动，也能去哪里行动。

当前币圈有哪些MCP概念项目？

1.基础MCP

Base官方开发的框架，在3月14日推出，让AI应用能与Base区块链互动，用户只要透过自然语言的对话，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BaseMCP部属的代币，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，他指出当前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LYRAMCP-OS，也是多AIAigent操作系统，允许AIAgent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叙事再次起舞，还需时间观察

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的合约逻辑和资料结构都有差异，想将它们统一封装成可被AI呼叫的MCPServer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控管机制，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AIAgent在币圈掀起风潮，许多未落地的专案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AIAgent，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专案，因为没有明显的差异化或应用落地，最终并未炒起热度，这也是笔者认未现行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。