HARRY CHANG
MCP（Model Context Protocol）：給 AI 工具連接定一個標準
—

MCP（Model Context Protocol）：給 AI 工具連接定一個標準

AI 系列-深入介紹 Anthropic 在 2024 年底發布的 Model Context Protocol（MCP），從解決 N×M 整合問題到 Server/Client 架構，並推薦 10 個最值得安裝的 MCP Server，讓你的 AI 助理真正連上你的工作世界。

WRITTEN BY

  • avatar
    Name
    Harry Chang
    Twitter

下一篇

DSPy 與 Omar Khattab：停止寫 Prompt，開始寫程式
← 回到列表

你有沒有想過，為什麼 Cursor 能讀你的程式碼、Claude Desktop 能查你的日曆、AI 助理能幫你搜尋網路——但每一個能力都要設定一次、每換一個 AI 工具就要重設一遍？

這是因為，在 2024 年之前，AI 與外部工具的連接，沒有標準。

每個 AI 框架都有自己的「工具格式」，每個服務都要寫客製整合。今天你幫 LangChain 寫了一個 GitHub 工具，明天你要在 AutoGen 裡用，必須重寫一遍。

2024 年 11 月，Anthropic 提出了 MCP（Model Context Protocol），試圖終結這個混亂。

MCP 的核心主張：AI 工具連接不應該是每次都重造的輪子，而是一個所有人都能用的標準接頭。

MCP 解決什麼問題？

N × M 整合地獄

在 MCP 之前，AI 工具的整合是一個指數級的噩夢：

假設你有 5 個 AI 應用：Claude、Cursor、LangChain、AutoGen、Copilot
假設你有 6 個工具：GitHub、Slack、Notion、PostgreSQL、Filesystem、Google Drive

你需要：5 × 6 = 30 個客製整合

每一個整合都是獨立的程式碼，格式不同、維護負擔各自獨立。

MCP 把這個 N×M 問題，轉換成 N+M：

工具只需要實作一次 MCP Server
AI 應用只需要支援一次 MCP Client
兩邊就能互通，不需要任何客製整合

這就是 MCP 被稱為「AI 的 USB-C」的原因——一個接頭，連接所有裝置。

MCP 的三層架構

MCP 採用標準的 Client-Server 架構：

Loading Diagram...
角色說明例子
MCP Host你使用的 AI 應用程式Claude Desktop、Cursor、AI Agent
MCP ClientHost 內建的連接管理器自動發現 Server 的能力、管理通訊
MCP Server暴露工具能力的輕量服務Filesystem、GitHub、Slack 等

MCP Server 能提供三種東西

# Tools：AI 可以呼叫的動作（有副作用）
tools = [
    "create_file",       # 建立檔案
    "query_database",    # 查詢資料庫
    "send_slack_message" # 發送訊息
]

# Resources：AI 可以讀取的資料（唯讀）
resources = [
    "file://path/to/doc.md",      # 本地檔案內容
    "db://schema/users",           # 資料庫 schema
    "https://api.example.com/data" # API 回應
]

# Prompts：預定義的提示模板
prompts = [
    "code_review_template",  # 程式碼審查模板
    "bug_report_template",   # Bug 報告模板
]

如何設定 MCP（以 Claude Desktop 為例）

MCP Server 的設定極其簡單——只需要在設定檔裡加幾行 JSON：

// claude_desktop_config.json
{
  "mcpServers": {
    "filesystem": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-filesystem", "/Users/yourname/Documents"]
    },
    "github": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-github"],
      "env": {
        "GITHUB_PERSONAL_ACCESS_TOKEN": "your_token_here"
      }
    }
  }
}

重啟 Claude Desktop 後，它就能直接讀你的 Documents 資料夾、操作你的 GitHub 倉庫——不需要任何額外的程式碼。

推薦的 MCP Server 清單

以下是我精選的 10 個最值得安裝的 MCP Server，按使用場景分類：

🗂️ 本地開發必裝

MCP Server安裝指令功能
Filesystem@modelcontextprotocol/server-filesystem讓 AI 讀寫你本地的檔案和資料夾
Git@modelcontextprotocol/server-gitAI 直接操作 Git 倉庫（log、diff、commit）
# Filesystem：讓 AI 讀取你的專案目錄
npx -y @modelcontextprotocol/server-filesystem /path/to/project

🌐 資訊搜尋

MCP Server功能備註
Brave Search@modelcontextprotocol/server-brave-search即時網路搜尋，需要 Brave API Key（免費額度夠用）
Fetch@modelcontextprotocol/server-fetch讓 AI 直接抓取任何 URL 的內容

💼 工作流整合

MCP Server功能備註
GitHub@modelcontextprotocol/server-github管理 PR、Issue、搜尋程式碼、建立 Branch
Slack@modelcontextprotocol/server-slack搜尋頻道歷史、摘要討論串、草擬訊息
Notion社群維護版本讀寫 Notion 頁面與資料庫

🧠 進階能力

MCP Server功能為什麼推薦
Memory@modelcontextprotocol/server-memory跨對話的持久記憶，AI 記得你上次說的事
Sequential Thinking@modelcontextprotocol/server-sequential-thinking強迫 AI 一步一步思考複雜問題，減少跳躍性錯誤
PostgreSQL@modelcontextprotocol/server-postgres用自然語言查詢資料庫，不用手寫 SQL

找更多 MCP Server 的三個地方

  1. mcp.directory — 最完整的 MCP Server 目錄，超過 3,000 個，可搜尋、過濾
  2. Awesome MCP Servers（GitHub） — 社群精選的高品質清單
  3. Anthropic 官方 MCP Servers — Anthropic 官方維護的參考實作

MCP 現在被哪些工具支援？

截至 2025 年，支援 MCP 的工具已遍及主流 AI 開發環境：

類別支援 MCP 的工具
AI 助理Claude Desktop、Claude.ai
AI IDECursor、Windsurf、VS Code（Copilot）
Agent 框架Google ADK、LangChain、AutoGen、OpenAI Agents SDK
API 平台Anthropic API、部分 OpenAI 整合

這個清單還在快速擴大中。Google 的 ADK 甚至把 MCP 支援做成原生功能，不需要任何額外設定。

MCP vs A2A：兩個不同層次的標準

在 Google ADK 那篇（ai-009）我們提到了 A2A 協定，這兩者很容易搞混：

協定解決的問題溝通方向
MCPAgent 如何連接工具和資料AI ↔ 工具（縱向）
A2AAgent 如何與其他 Agent 溝通Agent ↔ Agent（橫向）

MCP 是「AI 連接工具的標準」，A2A 是「AI 之間互相溝通的標準」——兩者是互補關係，不是競爭。

MCP vs Skill：AI 工具的兩種型態

如果你看過我們系列的第一篇（ai-001），你可能會問：「MCP 和我們之前定義的 Skill 有什麼不一樣？」

兩者都是讓 AI 具備特定能力的「外掛」，但它們所在的層次完全不同：

比較維度Skill（技能）MCP Server（工具服務）
本質高階的工作流與專業知識的集合底層的數據與動作接頭
內容包含什麼？Prompt、Markdown 指南、思考框架、多步 SOPJSON-RPC API 接口、連線資訊、權限控制
負責做什麼？告訴 AI「如何完成一個特定任務」賦予 AI「讀寫特定系統的能力」（例如：讀寫本地檔案、查詢資料庫）
類比給員工的員工手冊與 SOP給員工的鑰匙和電腦權限

兩者如何搭配？

在生產環境中，最佳的實踐是**「用 Skill 指導流程，用 MCP 執行動作」**。

舉例來說，當你想讓 AI 幫你寫一篇程式碼的 Code Review 報告：

  1. Skill 會告訴 AI：「Code Review 需要檢查安全性、效能、可讀性，最後輸出特定格式的 Markdown 表格。」（這是知識）
  2. MCP (GitHub Server) 則讓 AI 有能力去拉取 PR 的程式碼，並自動在對應的行數留下一筆 Review 留言。（這是能力）

Skill 定義了「靈魂與規矩」，而 MCP 提供了「手腳與感官」。

實用建議：三個起步行動

步驟 1：先裝 Filesystem + Brave Search

這是最快感受到 MCP 價值的組合：

  • Filesystem：讓 Claude 讀你的專案目錄，問它「幫我找 bug 在哪裡」
  • Brave Search：讓 Claude 搜尋即時資訊，不再說「我的訓練資料截止到...」
{
  "mcpServers": {
    "filesystem": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-filesystem", "/your/project"]
    },
    "brave-search": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-brave-search"],
      "env": { "BRAVE_API_KEY": "your_key" }
    }
  }
}

步驟 2：加入 Sequential Thinking，讓 AI 不再跳步驟

在處理複雜問題時（架構設計、Debug、規劃），開啟 Sequential Thinking MCP，然後在 Prompt 裡說「請一步一步思考」——你會發現 AI 的回答品質顯著提升。

步驟 3：把你工作中最常開的工具，找對應的 MCP Server

你每天用 Notion 記筆記？裝 Notion MCP。你每天 Review GitHub PR？裝 GitHub MCP。讓 AI 直接活在你的工作流裡，而不是讓你把工作搬進 AI 的視窗。

我的反思

MCP 的出現，讓我想起了 20 年前 Web 服務的 REST API 標準化過程。

在 REST 之前，每個 Web 服務都有自己的通訊格式，整合成本極高。REST 出現之後，「如何讓兩個系統通訊」這件事，從一個複雜的技術問題，變成了一個人人都能完成的工程任務。

MCP 正在對 AI 工具做同樣的事。

這個系列到這裡，我們已經談過了 Agent 的思維框架、推理引擎、各種建構框架——但如果 Agent 沒有工具，它只是一個會說話的模型。MCP 是讓 Agent 從「會說話」變成「會做事」的那個關鍵層。

參考資料 (References)

官方資源

找 MCP Server

推薦影片

View on GitHub