104學習
AI 不只會聊天：一次看懂 MCP，讓 AI 連上資料與工具的共同語言
你可能已經習慣請 AI 寫文案、整理資料、翻譯內容，甚至協助分析問題。但當你進一步要求：
「幫我查一下公司資料庫裡的最新銷售數字。」
「整理今天的會議內容，並把待辦事項加入行事曆。」
「從內部課程中，找出適合我的學習資源。」
AI 往往會告訴你：它無法存取資料、沒有權限，或需要你先把內容複製貼上。
原因很簡單：AI 模型雖然會思考和生成文字，卻不一定能直接連接外部資料與工具。
而近期 AI 領域經常出現的「MCP」，就是為了解決這個問題。
什麼是 MCP？
MCP 的全名是 Model Context Protocol，中文可翻譯為「模型情境協定」或「模型上下文協定」。
它是一套讓 AI 應用程式能夠連接外部資料、工具與工作流程的開放標準。透過 MCP，AI 可以在獲得適當授權後，存取檔案、資料庫、搜尋服務、行事曆、企業系統，甚至執行特定操作。
MCP 官方將它比喻為 AI 世界的 USB-C 接孔。
以前，不同電子設備需要使用不同的傳輸線；有了 USB-C 後，手機、電腦、螢幕與其他設備，可以透過相同規格互相連接。
MCP 的概念也很類似：過去每一套 AI 都必須針對每一個工具各自開發連接方式；有了共同協定後，開發者可以按照同一套規則，讓 AI 與不同服務溝通。
為什麼 AI 需要 MCP？
大型語言模型本身通常有三項限制。
第一，它不一定知道企業內部的最新資料。例如公司的產品文件、客戶紀錄、庫存數據和內部規範，並不會自動存在模型裡。
第二，它不一定能操作外部系統。AI 即使知道你想安排會議，也不代表它能直接開啟行事曆建立活動。
第三，不同工具的連接方式各不相同。Google Drive、Slack、GitHub、Notion 或企業內部系統，都有自己的資料格式、權限與操作規則。過去開發者必須逐一串接，維護成本相當高。
MCP 提供一套共同溝通規格，讓 AI 應用可以辨認外部系統提供哪些資料、有哪些工具可以使用，以及執行工具時需要哪些參數。MCP 最初由 Anthropic 在 2024 年公開推出，後續逐漸獲得多種 AI 助理與開發工具支援。
MCP 是怎麼運作的？
MCP 採用「用戶端與伺服器」的架構，主要可以分成三個角色。
1. MCP Host：你正在使用的 AI 應用
Host 可以理解成整個工作環境，例如 AI 助理、AI 程式開發工具或企業內部聊天機器人。
它負責接收使用者的要求，判斷需要哪些資料或工具，並管理與外部服務的連線。
2. MCP Client：負責溝通的連接元件
Client 位於 AI 應用裡，負責與特定 MCP Server 建立連線。
一套 AI 應用可以同時建立多個 Client，分別連接檔案系統、行事曆、資料庫或其他服務。
3. MCP Server：提供資料或功能的服務
Server 負責告訴 AI：「我有哪些資料可以讀取，以及有哪些操作可以執行。」
它不一定是一台實體伺服器，也可能只是安裝在電腦上的小型程式，或部署在網路上的遠端服務。
簡單來說，運作流程可能是：
使用者提出要求 → AI 判斷需要哪些工具 → MCP Client 聯絡 MCP Server → Server 執行查詢或操作 → 將結果交回 AI → AI 整理後回覆使用者。
MCP 可以提供哪三種能力？
MCP Server 主要可以向 AI 提供三類內容：Resources、Tools 和 Prompts。
Resources：提供資料
Resources 是 AI 可以讀取的背景資訊，例如：
文件內容
資料庫紀錄
產品目錄
公司知識庫
API 說明文件
行事曆資訊
這些資料可以補充 AI 原本不知道的內容，讓回答更符合當下情境。
Tools：提供操作能力
Tools 是 AI 可以呼叫的功能，例如：
搜尋資料
查詢資料庫
建立行事曆活動
修改檔案
傳送訊息
呼叫外部服務
執行計算
這也是 MCP 最受關注的地方。AI 不再只是提供建議，而有機會在使用者授權下，實際完成部分工作。
Prompts：提供標準工作流程
Prompts 是預先設計好的提示詞或操作模板，例如：
整理會議紀錄
分析客戶回饋
產生每週工作報告
規劃學習路徑
進行程式碼檢查
透過標準化模板，使用者不必每次都重新撰寫複雜指令，也能讓 AI 按照組織規範完成任務。
用一個職場情境理解 MCP
假設公司想建立一位「AI 學習助理」。
過去使用者詢問：
「我是行銷企劃，最近想加強 AI 技能，有哪些課程適合我？」
一般 AI 只能根據公開知識，提供概略的學習建議。
如果透過 MCP 連接學習平台，AI 助理就可能在獲得授權後：
1. 讀取平台的課程目錄。
2. 查詢使用者已完成的課程。
3. 對照職務所需能力。
4. 找出符合程度與時間需求的內容。
5. 將選定課程加入學習清單。
6. 把學習時間排進行事曆。
在這個例子中，課程資訊和學習紀錄屬於 Resources；搜尋課程、加入清單和建立行事曆則屬於 Tools；完整的能力缺口分析流程可以設計成 Prompt。
這讓 AI 從「回答你該學什麼」，進一步走向「協助你找到資源並完成安排」。
MCP 和 API 有什麼不同？
MCP 並不是用來全面取代 API。
API 是不同系統提供資料和功能的介面。例如行事曆 API 可以建立活動，課程平台 API 可以查詢課程。
但每套 API 的名稱、格式和使用方式都不同。AI 應用若要連接十套系統，開發者就可能需要處理十種串接方式。
MCP 則是在 AI 應用與這些服務之間，建立較一致的溝通規格。許多 MCP Server 的底層仍然會呼叫原本的 API，只是將功能整理成 AI 比較容易發現、理解和使用的形式。
因此可以把兩者想成：
API 是各項服務原本提供的門，MCP 則像一套讓 AI 知道如何找到門、辨認門後功能並正確使用的共同指引。
為什麼非工程師也需要了解 MCP？
多數上班族不需要親自架設 MCP Server，但了解這項概念，仍有三個重要原因。
AI 工具將從「對話」走向「執行」
未來的 AI 助理不只是幫你寫內容，也可能協助查詢系統、更新資料和完成跨工具流程。理解 MCP，有助於判斷一款 AI 產品能做什麼，以及它為什麼需要特定權限。
企業導入 AI 的重點將轉向資料連接
企業真正有價值的資訊，通常存在內部文件、資料庫和工作系統中。模型能力固然重要，但能否安全地取得正確資料，同樣會影響 AI 的實際價值。
產品與營運人員需要重新設計流程
當 AI 能夠呼叫工具後，產品設計不再只有「使用者點擊哪個按鈕」，還要思考：
AI 可以取得哪些資訊？
哪些操作可以自動執行？
哪些動作必須由使用者確認？
操作失敗時如何處理？
如何留下紀錄以供追蹤？
因此，MCP 不只是工程技術，也與產品設計、資訊安全及工作流程管理密切相關。
使用 MCP 是否有風險？
有，而且不應忽略。
MCP 能讓 AI 接觸檔案、帳號、資料庫和外部工具，也代表設定不當時，可能造成資料外洩、錯誤操作或權限被濫用。
MCP 官方規範特別強調，使用者應清楚知道哪些資料會被存取、工具將執行什麼操作，並保留拒絕或取消的控制權。涉及外部系統操作時，也應建立明確的授權、身分驗證與確認機制。
一般使用者在安裝或啟用 MCP 服務時，可以注意幾件事：
優先使用可信任的官方或經過審查的服務。
確認服務要求存取哪些檔案、帳號與系統。
不要提供超出工作需求的權限。
刪除、付款、寄信或修改正式資料前，保留人工確認。
定期檢查已授權的連線，移除不再使用的服務。
不要因為 AI 說「需要權限」，就直接同意所有要求。
MCP 解決的是「如何連接」，並不代表連接後的資料一定正確、工具一定安全，或 AI 的判斷永遠可靠。
MCP 會是 AI Agent 的重要基礎嗎？
AI Agent 強調的不只是產生答案，而是能根據目標規劃步驟、取得資料、使用工具並完成任務。
MCP 提供的正是其中重要的一環：讓 AI 應用可以用較標準化的方式，找到並使用外部資料與工具。
不過，MCP 本身並不是 AI Agent，也不會讓普通模型瞬間變成全能助理。
它比較像是為 AI 打開通往外部世界的標準通道。模型負責理解與判斷，MCP 負責連接資料和工具，而真正能否安全、穩定地完成工作，仍取決於系統設計、資料品質、權限控管與人工監督。
結語：從會回答，到真正協助完成工作
生成式 AI 的第一階段，是讓機器學會理解語言與產生內容。
下一個階段，則是讓 AI 能夠取得正確資料、連接日常工具，並在安全授權下協助執行任務。
MCP 的重要性，不在於多了一個技術名詞，而在於它試圖建立一套共同規則，降低 AI 與外部世界連接的難度。
未來，當你看到某項 AI 服務標示「支援 MCP」，可以把它理解為：
這款 AI 不一定只能待在聊天視窗裡，它可能開始具備連接資料、使用工具與參與工作流程的能力。
只是別忘了，AI 能做的事情越多，我們就越需要重視權限、安全，以及最後由誰負責做出決定。
本內容由ai輔助資料收集與整理
1
0
621 0
拍手
留言
分享
Line
複製連結
收藏