AI 帶來的意義便是解放人類勞動力，提升大多數工作能力的下限，然而目前LLM 局限性仍大，必須來回對話才能給出建議，且必須用戶根據建議親自執行，距離真正利用AI 幫我們工作還有一段落差。
而現在如果可以透過與AI 對話，實際利用你的電腦進行郵件回覆、報表撰寫等功能，甚至還可以幫你自動化炒幣，是不是越來越接近解放生產力的願景？而這項技術就是目前在AI 領域的當紅關鍵字- MCP
MCP 是什麼？
MCP（Model Context Protocol）是由Anthropic 公司在2024 年11 月發布的一套「標準化協定」，用來解決過去AI 模型只能「說」卻無法「做」的問題。
首先先將MCP 命名拆解
- Model：模型，指的就是各種AI 大型語言模型（例如GPT、Claude、Gemini 等）
- Context：脈絡，代表給模型的額外資料或外部工具
- Protocol：協議，通用、標準化的「規範」或「介面」
合在一起就是：透過統一規範，讓AI 不只「說」，還能直接操控外部工具完成各種任務。
一般我們最常使用的LLM，像是ChatGPT、Grok 等等，只能根據對話內容進行「文字輸入、文字輸出」。如果我們要讓AI 幫忙實際執行操作，例如去電腦資料夾讀檔案、發Email、查資料庫等，通常先是下指令給LLM，用戶再經由LLM 的回應自己動手操作，最後再把結果回報給AI，AI 再給我們文字建議，我們繼續操作，如此往復循環。
MCP 的出現，讓AI 不但能讀取電腦本地的檔案、連線到某個遠端資料庫，甚至能直接操作特定的網路服務。也就是說，AI 不再只是輸出文字，而是能替你完成許多重複性或流程性的工作。
運作方式簡述
- MCP Host（管理員）：負責管理、協調整個MCP 的運作。例如Claude Desktop 就是一種Host，能協助AI 存取你本地端的資料或工具。
- MCP Client（使用者端）：接收使用者的需求，並與LLM（AI 模型）溝通。常見範例包括各種整合了MCP 的聊天介面或IDE（如Goose、Cursor、Claude Chatbot）。
- MCP Server（伺服器）：可視為一組「已經整理好、帶有註解」的API 集合，提供AI 可以使用的功能。例如讀取資料庫、發送郵件、管理檔案、呼叫外部服務等。
有了MCP，AI 不只能理解人類語言，還能把特定的文字直接翻譯成動作指令，進而完成自動化操作。例如，幫你整理銷售報表、寄email給客戶，甚至透過指令直接在Blender 上進行3D 建模。
參考：https://www.youtube.com/watch?v=FDRb03XPiRo&t=4s
MCP 的重要性為何？
1.打通AI 與外部工具的橋樑
LLM 的限制在於當中的資料都經過預訓練，並非即時更新，意思是LLM 的資料僅限於它訓練時所看到的資訊，因此訓練之後產生的新資訊，模型是不知道的。
假設LLM 為今年2 月訓練，那麼今年2 月之後的資料則是完全沒有的。
目前主流的方法是使用RAG (Retrieval-Augmented Generation)，這是一種將「檢索系統」與「生成模型」結合的方式。這種架構能在LLM 推理前，先檢索最新的資料，並將檢索結果作為上下文提供給模型。具體來說：
- 資料檢索(Retrieval)：在LLM 回答問題前，先使用一個檢索工具（例如網路搜尋、內部資料庫查詢等），尋找符合當下問題的最新資料。
- 產生(Generation)：檢索到的資料會作為輔助資料（Context）傳遞給LLM，幫助它產生更精準、即時的答案。
像AI 在回覆問題前，先透過Bing 或Google 搜尋最新的資訊，再將檢索結果整合進回應，就是使用RAG 的方式。
MCP 跟RAG 最大的不同是：
- RAG 是用較為靜態的資料輔助LLM 的回答，而MCP 則能讓AI 真正「動手去做」，例如查資料庫、呼叫API，或甚至修改檔案內容。
2.標準化& 通用性：像USB-C 一樣的存在：不同廠商可以各自開發符合MCP 規範的功能，就像所有裝置都能使用同一種USB-C 傳輸線一樣。如果沒有MCP，每個開發者都得自行定義該怎麼讓AI 呼叫特定API。這意味著相同的工作會被不同人重複開發。 MCP 統一後，大家只要實施同一套規範就能立即整合，避免重複造輪子的現像出現。
3.從被動回應到主動執行：傳統AI 工具只會回答問題，不能真正動手。有了MCP，AI 可以根據當下情況決定要執行什麼指令，並透過讀取回傳結果，再進行下一步的動作。這種看情況不斷修正的能力，大幅增強AI 的實用性。
4.安全性與控管：MCP 不會強迫把所有資料傳到AI 模型，能透過權限、API 金鑰管理等方式控管資料訪問，確保機密資訊不會外流。
MCP 跟AI Agent 相比，差異為何？
什麼是AI Agent？
去年Q3 由GOAT 領頭帶起了AI Agent 風潮，大多數加密用戶是透過Web 3 視角了解AI Agent，AI Agent 通常指的是能「自動化」處理特定任務的AI 系統，它不僅跟人對話，還能根據上下文主動採取行動、呼叫工具或API，去完成一系列的步驟。像是最常見的能夠在推特上自主發文，也屬於AI Agent 的範疇。
AI Agent 的限制
- 缺乏標準化：每個人都可以做一個Agent，可是如果沒有統一的規範，就會出現「這個Agent 只會用A 廠商的模型」、「那個Agent 只會打B 系統的API」的問題。
- 容易各自為政：AI Agent 雖然能跑腿，但開發者往往需要自訂大量API 的格式和規則，不同Agent 之間缺乏共用的生態系，導致整合困難。
MCP 與AI Agent 的關係：MCP 是一種協議，AI Agent 是一種概念或執行方法
- AI Agent 強調AI 具備主動行動、執行工具的能力
- MCP 則專注於如何讓不同AI 模式與外部工具溝通，扮演通用標準的角色。
MCP 幫助AI Agent 更有效運作
- 沒有MCP，AI Agent 可能要對不同工具、不同平台都各寫一套API 規則，開發維護都很麻煩。
- 有了MCP，AI Agent 只要照著MCP 規範，從「Server 清單」中取得可用工具，然後動態決定要用哪一個工具完成任務，對外部資源的存取也更安全、方便。
功能範圍不同
- AI Agent：著重決策、邏輯，依照需求判斷要怎麼做、要執行哪些步驟。
- MCP：專門解決工具介面、標準格式，怎麼把外部服務、資料庫、檔案系統以統一的方式提供給AI
兩者結合：AI Agent + MCP ＝ 讓AI 既懂得怎麼行動，也能去哪裡行動。
目前幣圈有哪些MCP 概念項目？
1.基礎MCP
Base 官方開發的框架，在3 月14 日推出，讓AI 應用能與Base 區塊鏈互動，用戶只要透過自然語言的對話，無需開發能力，便可以做到將合約部署到區塊鏈上以及使用Morpho 進行借貸等功能。
BORK 是第一個使用Base MCP 部屬的代幣， 於3 月14 日發行，市值最高到達460 萬美元，但目前已回落至11 萬美元，且24 小時交易量僅有9 萬美元，可以判斷該幣壽命已經結束。
Flock 是一個去中心化的AI 訓練平台，他指出當前MCP 仍然在外部AI 模型上運行，為中心化LLM 處理，Flock 提供Web3 代理模型，AI 驅動的區塊鏈任務可以在本地運行，從而為用戶提供更多控制權。
2.天琴座
LYRAOS 全名是LYRA MCP-OS，也是多AI Aigent 作業系統，讓AI Agent 可以直接與Solana 區塊鏈互動，執行如買賣加密貨幣等作業。
目前他們正在探索如何使用MCP-OS 建立數千個"AI16ZDAOs"，即AI 驅動的去中心化自治組織，用於加密貨幣投資，LYRAIOS 計劃在2025 年3 月21 日至22 日之間釋出DEMO，並在下週推出正式產品。
目前代幣市值92.3 萬，最高264 萬，24 小時交易量300 萬，持幣地址數2,922
結語：AI 敘事再次起舞，還需時間觀察
雖然MCP 提供了一條標準化規則，讓AI 能更容易且安全地與外部工具互動，且在Web 3 領域看似大有可為，但成功案例相對有限，背後原因或許包含以下幾點：
技術整合尚未成熟：Web 3 生態中，每條鏈、每個DApp 的合約邏輯和資料結構都有差異，想將它們統一封裝成可被AI 通話的MCP Server 仍需投入大量開發資源。
安全與監理風險：讓AI 直接操縱合約、處理資金交易，需要設計完善的私鑰管理與權限控管機制，難度與成本都高。
使用者習慣與體驗：多數人對於讓AI 管理錢包或做投資決策仍存疑，區塊鏈本身的操作門檻也高。如果體驗過於複雜或缺乏明確的應用場景，新手很難長期使用或投入。
美學疲勞與市場冷感：先前AI Agent 在幣圈掀起風潮，許多未落地的專案在巔峰時期的估值破億是家常便飯，而近期正面臨戳破AI 泡泡的階段，大多數項目下跌超過90%，視為對AI 的怯魅。
回到MCP 敘事，可以理解為超級加強版的AI Agent，此前市場已經經歷過加密AI 狂潮，也逐漸明白何為概念炒作與實際應用，若缺乏真正具有創新與實用價值的應用，投資者與使用者也不會輕易買單。像BORK 這樣的先行MCP 專案，因為沒有明顯的差異化或應用落地，最終並未炒起熱度，這也是筆者認未現行MCP 概念尚未風行最重要的關鍵因素。
MCP 與區塊鏈的結合擁有潛力，但同時也面臨技術門檻與市場壓力的雙重挑戰。未來若能整合更成熟的安全機制、打造更直覺的使用者體驗，並發掘真正帶來價值的創新應用，「Web 3 + MCP」 才可能脫離「炒作話題」的宿命，成為新一輪主線敘事。
