当前 AI 工具的根本问题:它们擅长思考却拙于执行。你的 AI 能写出完美的邮件,却无法发送;能漂亮地分析数据,却无法首先获取这些数据。

无人提及的真正问题
尽管像 ChatGPT 或 Claude 这样的 LLMs 在内容生成方面看起来很酷,但它们在执行实际任务时相当笨拙。它们无法发送电子邮件或代表你完成具体工作。
于是有些聪明人想到将外部工具与 LLMs 结合,比如通过 API 赋予它们更多功能(例如像 Perplexity 那样联网搜索,或通过 Zapier 等服务自动化任务)。这是第一次进化!
然而,当你开始通过 API 为 AI 添加更多工具时,情况很快会变得一团糟。就像每个工具都在说不同的语言(例如英语、西班牙语、日语),尽管存在通用的 API 标准。实际上,服务提供商构建 API 的方式各不相同,需要大量手动操作来实现和维护。
终于迎来了下一代:MCP!

MCP 的实际功能
MCP 全称模型上下文协议。它创建了一个随处可用的标准连接方式。Anthropic 于 2024 年 11 月将其作为开放标准发布,这意味着任何人都可以基于它进行开发。
你可以把 MCP 看作 AI 的万能翻译器 。AI 不再需要为每个工具学习不同的语言,只需掌握一种——MCP 的语言。
MCP 生态系统包含三大核心组件:
- MCP 客户端:你的 AI 应用(ChatGPT、Claude 等)内置了使用工具的 MCP 客户端。
- MCP 服务端:该组件向客户端公开其能力范围(工具、资源、提示模板)。
- MCP 协议:客户端与服务器之间的双向连接

该架构中"核心"在于,MCP 服务器的构建现在由服务提供商负责。如果企业希望 LLMs 能够访问其服务,就必须搭建允许 MCP 客户端(进而让 LLM)完全访问的 MCP 服务器。这一转变促使众多外部服务提供商开始构建自己的 MCP 服务器。
为何采用 MCP
凡是能用 API 实现的功能,MCP 都能完成,但使用 MCP 能让 AI 更高效地与外部系统交互,且更易于扩展。
更重要的是,MCP 不会将你绑定在单一 AI 服务商。你可以随时切换 AI 模型——无论是 ChatGPT、Gemini、Claude 还是未来任何支持 MCP 的新模型。所有连接配置都能无缝迁移,无需从头重建集成方案。
最妙的是,MCP 能与任何系统对接,包括你们那些古怪的内部系统。
但真正颠覆性的是:MCP 将 AI 从聊天机器人蜕变为真正的流程自动化引擎。你不再需要手动让 AI 生成销售数据摘要,而是直接命令它自动调取上月数据、对比预测值、定位最大偏差,并为相关团队成员起草跟进邮件——全程自动化。
快速入门(无需编写代码)
大多数人并不需要从头构建什么,他们只需要将现有的事物连接起来。
从内置功能开始
ChatGPT 和 Claude 都在其设置中为常用工具(如 Gmail、Google Drive 和 Github)添加了 MCP 连接器。这些连接器都是预先构建、经过测试且安全可靠的。
例如,在 ChatGPT 上,您只需点击右上角的个人资料图标,然后选择设置 > 连接器 > 在应用程序上连接即可。

不足之处在于它们通常仅限于"深度研究"功能,这意味着 ChatGPT 可能允许 AI 读取您的 Google 日历,但无法创建事件。这就像拥有一位只能查阅资料却无法对查询结果进行任何操作的研究助理。
另一方面,Claude 提供了更强大的内置 MCP 功能。其原生 Gmail 连接器不仅限于深度研究,意味着它具有更广泛的操作能力。您甚至可以通过 Claude 使用 MAC MCP 连接器或 Windows 连接器来控制电脑!

优先使用官方连接器
如果所需工具没有原生集成或集成功能不足,可以考虑使用官方 MCP 服务器
事实上,现在很多公司都在构建自己的 MCP 服务器。Notion 有,谷歌有好几个,微软正在开发。这些是内置选项之后的最佳选择,因为它们由实际拥有这些服务的公司维护。
您可以在 MCP 官方 Github 上查看完整列表。这些官方 MCP 服务器提供最高级别的可靠性和安全性。

要使用 MCP 服务器,您需要进入每个服务器的 Github 设置页面并按照说明操作。不过各地流程基本一致。以 Claude Desktop 为例:
- 从您想要连接的服务获取 API 密钥
- 将 MCP 配置文本添加到 Claude 的设置文件中
- 重启 Claude
操作难度约等于设置打印机——虽然有点烦人,但只要按说明操作绝对能搞定。
社区连接器(使用时需谨慎)
对于那些没有官方 MCP 服务器的专业工具,社区可能已经构建了解决方案。像 MCP.so 这样的网站上有数百个社区开发的连接器。
但要注意的是:这些都是由互联网上的陌生人构建的。它们可能很棒,也可能窃取你的数据,甚至可能在某个周二突然崩溃。如有需要可以使用,但切勿授予它们任何重要权限。
面向编程人员
如果你具备技术背景,MCP 将为你打开一些真正有趣的可能性。你可以为内部工具和系统构建自定义的 MCP 服务器。
MCP 为 Python、TypeScript、Java、Kotlin 和 C#提供了官方库。文档清晰易懂,示例代码无需修改即可运行。平台还提供关于如何创建自定义 MCP 服务器和客户端的深度学习短期课程。
MCP:基于 Anthropic 构建高语境 AI 应用 - DeepLearning.AI
通过模型语境协议(Model Context Protocol)构建能调用工具、访问数据和使用提示词的 AI 应用。
创建 MCP 服务器有两种方式:
- 底层实现 :这种方法需要直接定义和处理各类请求(如
ListToolsRequest
和CallToolRequest
),可实现对服务器各个环节的完全定制。 - 使用 FastMCP 的高层实现 :
FastMCP
作为高层接口能快速简化 MCP 服务器构建。您只需专注于将工具定义为函数,FastMCP
会为您处理所有协议细节。
社区还开发了一些实用框架来简化这一过程,比如 EasyMCP——这是用 TypeScript 创建 MCP 服务器最简便的方式。
最终思考
快速总结一下 MCP 方案的选择建议。最安全便捷的方式是直接使用 Claude 或 ChatGPT 的原生集成功能。MCP 生态发展迅猛,我每天都能看到更多集成功能被添加到这两个平台。若原生集成和官方 MCP 服务器无法满足需求,再考虑其他方案,但请注意这些方案需要更多实施维护时间,且使用非官方服务器可能存在安全风险。

尽管如此,MCP 已被视为 LLMs 领域的新标准,类似于 REST API。遵循这一标准能显著降低集成难度,让构建强大 AI 应用变得更为简单。
若你已在工作中使用 AI 工具,MCP 值得探索;若正在开发 AI 应用,它可能不可或缺;若单纯对 AI 发展趋势感兴趣,这里也值得关注。