WOO X Research：下一個(gè)敘事成型？ Web3 + MCP 接棒 AI Agent ?

AI 帶來的意義便是解放人類勞動(dòng)力，提升大多數(shù)工作能力的下限，然而目前 LLM 局限性仍大，必須來回對(duì)話才能給出建議，且必須用戶根據(jù)建議親自執(zhí)行，距離真正利用 AI 幫我們工作還有一段落差。

而現(xiàn)在如果可以透過與 AI 對(duì)話，實(shí)際利用你的電腦進(jìn)行郵件回覆、報(bào)表撰寫等功能，甚至還可以幫你自動(dòng)化炒幣，是不是越來越接近解放生產(chǎn)力的愿景？而這項(xiàng)技術(shù)就是目前在 AI 領(lǐng)域的當(dāng)紅關(guān)鍵字 - MCP

MCP 是什么？

MCP（Model Context Protocol）是由 Anthropic 公司在 2024 年 11 月發(fā)布的一套「標(biāo)準(zhǔn)化協(xié)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(luò)，代表給模型的額外資料或者外部工具

• Protocol：協(xié)議，通用、標(biāo)準(zhǔn)化的「規(guī)范」或者「接口」

合在一起就是：透過統(tǒng)一規(guī)范，讓 AI 不只會(huì)「說」，還能直接操控外部工具完成各種任務(wù)。

一般我們最常使用的 LLM，像是 ChatGPT、Grok 等等，只能根據(jù)對(duì)話內(nèi)容進(jìn)行「文字輸入、文字輸出」。如果我們要讓 AI 幫忙實(shí)際執(zhí)行操作，例如去電腦資料夾讀檔案、發(fā) Email、查資料庫等，通常先是下指令給 LLM，用戶再經(jīng)由 LLM 的回應(yīng)自己動(dòng)手操作，最后再把結(jié)果回報(bào)給 AI，AI 再給我們文字建議，我們繼續(xù)操作，如此往復(fù)循環(huán)。

MCP 的出現(xiàn)，讓 AI 不但能讀取電腦本地的檔案、連線到某個(gè)遠(yuǎn)端資料庫，甚至能直接操作特定的網(wǎng)路服務(wù)。也就是說，AI 不再僅僅只是輸出文字，而是能替你完成很多重復(fù)性或流程性的工作。

運(yùn)作方式簡(jiǎn)述

• MCP Host（管理員）：負(fù)責(zé)管理、協(xié)調(diào)整個(gè) MCP 的運(yùn)作。例如 Claude Desktop 就是一種 Host，能協(xié)助 AI 存取你本地端的資料或工具。

• MCP Client（用戶端）：接收使用者的需求，并與 LLM（AI 模型）進(jìn)行溝通。常見例子包括各種整合了 MCP 的聊天介面或 IDE（如 Goose、Cursor、Claude Chatbot）。

• MCP Server（伺服器）：可以視作是一組「已經(jīng)整理好、帶有注解」的 API 集合，提供 AI 可以使用的功能。例如讀取資料庫、發(fā)送郵件、管理檔案、呼叫外部服務(wù)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(dòng)作指令，進(jìn)而完成自動(dòng)化操作。例如，幫你整理銷售報(bào)表、發(fā)郵件給客戶，甚至透過指令直接在 Blender 上進(jìn)行 3D 建模。

參考：https://www.youtube.com/watch?v=FDRb03XPiRo&t=4s

MCP 的重要性為何？

打通 AI 與外部工具的橋梁

LLM 的局限性在于當(dāng)中的資料都經(jīng)過預(yù)訓(xùn)練，并非實(shí)時(shí)更新，意思是 LLM 的資料僅限于它訓(xùn)練時(shí)所看到的資訊，因此訓(xùn)練之后產(chǎn)生的新資訊，模型是不知道的。

假設(shè) LLM 為今年 2 月訓(xùn)練，那么今年 2 月之后的資料則是完全沒有的。

目前主流的方法是使用 RAG (Retrieval-Augmented Generation)，這是一種把「檢索系統(tǒng)」與「生成模型」結(jié)合的方式。這種架構(gòu)能在 LLM 推理前，先檢索最新的資料，并將檢索結(jié)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(gè)檢索工具（例如網(wǎng)路搜索、內(nèi)部資料庫查詢等），尋找符合當(dāng)下問題的最新資料。

• 生成 (Generation)：檢索到的資料會(huì)作為輔助資料（Context）傳遞給 LLM，幫助它生成更精準(zhǔn)、即時(shí)的回答。

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(jié)果整合進(jìn)回應(yīng)，就是使用 RAG 的方式。

MCP 跟 RAG 最大的不同是：

• RAG 是用較為靜態(tài)的資料輔助 LLM 的回答，而MCP 則能讓 AI 真正「動(dòng)手去做」，例如查資料庫、調(diào)用 API，或什至修改檔案內(nèi)容。

• 標(biāo)準(zhǔn)化 & 通用性：像 USB-C 一樣的存在：不同廠商可以各自開發(fā)符合 MCP 規(guī)范的功能，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(gè)開發(fā)者都得自行定義該怎么讓 AI 呼叫特定 API。這意味著相同的工作會(huì)被不同人重復(fù)開發(fā)。 MCP 統(tǒng)一后，大家只要實(shí)作同一套規(guī)范就能立即整合，避免重復(fù)造輪子的現(xiàn)象出現(xiàn)。

• 從被動(dòng)回應(yīng)到主動(dòng)執(zhí)行：傳統(tǒng) AI 工具只會(huì)回答問題，不能真正動(dòng)手。有了 MCP，AI 可以根據(jù)當(dāng)下情況決定要執(zhí)行什么指令，并透過讀取回傳結(jié)果，再進(jìn)行下一步的動(dòng)作。這種看情況不斷修正的能力，大幅增強(qiáng) AI 的實(shí)用性。

• 安全性與控管：MCP 并不會(huì)強(qiáng)迫把所有資料都傳到 AI 模型，能透過權(quán)限、API 金鑰管理等方式控管資料存取，確保機(jī)密資訊不會(huì)外流。

MCP 跟 AI Agent 相比，差異為何？

什么是 AI Agent？

去年 Q3 由 GOAT 領(lǐng)頭帶起了 AI Agent 風(fēng)潮，大多數(shù)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(dòng)化」處理特定任務(wù)的 AI 系統(tǒng)，它不只跟人對(duì)話，還能根據(jù)上下文主動(dòng)采取行動(dòng)、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(fā)文，也屬于 AI Agent 的范疇。

AI Agent 的限制

• 缺乏標(biāo)準(zhǔn)化：每個(gè)人都可以造一個(gè) Agent，可是如果沒有統(tǒng)一的規(guī)范，就會(huì)出現(xiàn)「這個(gè) Agent 只會(huì)用 A 廠商的模型」、「那個(gè) Agent 只會(huì)打 B 系統(tǒng)的 API」的問題。

• 容易各自為政：AI Agent 雖然能跑腿，但開發(fā)者往往需要自訂大量 API 的格式和規(guī)則，不同 Agent 之間缺乏共用的生態(tài)系，導(dǎo)致整合困難。

MCP 與 AI Agent 的關(guān)系：MCP 是一種協(xié)議，AI Agent 是一種概念或執(zhí)行方法

• AI Agent 強(qiáng)調(diào)AI 具備主動(dòng)行動(dòng)、執(zhí)行工具的能力

• MCP 則專注于如何讓不同 AI 模型與外部工具溝通，扮演通用標(biāo)準(zhǔn)的角色。

MCP 幫助 AI Agent 更有效運(yùn)作

• 沒有 MCP，AI Agent 可能要對(duì)不同工具、不同平臺(tái)都各寫一套 API 規(guī)則，開發(fā)維護(hù)都很麻煩。

• 有了 MCP，AI Agent 只要照著 MCP 規(guī)范，從「Server 列表」中取得可用工具，然后動(dòng)態(tài)決定要用哪一個(gè)工具完成任務(wù)，對(duì)外部資源的存取也更安全、方便。

功能范圍不同

• AI Agent：著重于決策、邏輯，根據(jù)需求判斷要怎么做、要執(zhí)行哪些步驟。

• MCP：專門解決工具介接、標(biāo)準(zhǔn)格式，怎么把外部服務(wù)、資料庫、檔案系統(tǒng)以統(tǒng)一的方式提供給 AI

兩者結(jié)合：AI Agent + MCP ＝ 讓 AI 既懂得怎么行動(dòng)，也能去哪里行動(dòng)。

當(dāng)前幣圈有哪些 MCP 概念項(xiàng)目？

基礎(chǔ)MCP

Base 官方開發(fā)的框架，在 3 月 14 日推出，讓 AI 應(yīng)用能與 Base 區(qū)塊鏈互動(dòng)，用戶只要透過自然語言的對(duì)話，無需開發(fā)能力，便可以做到將合約部署到區(qū)塊鏈上以及使用 Morpho 進(jìn)行借貸等功能。

• BORK 是第一個(gè)使用 Base MCP 部屬的代幣， 于 3 月 14 日發(fā)行，市值最高到達(dá) 460 萬美元，但當(dāng)前已回落至 11 萬美元，且 24 小時(shí)交易量?jī)H有 9 萬美元，可以判斷該幣壽命已經(jīng)結(jié)束。

• Flock 是一個(gè)去中心化的 AI 訓(xùn)練平臺(tái)，他指出當(dāng)前 MCP 仍然在外部 AI 模型上運(yùn)行，為中心化 LLM 處理，F(xiàn)lock 提供 Web3 代理模型，AI 驅(qū)動(dòng)的區(qū)塊鏈任務(wù)可以在本地運(yùn)行，從而為使用者提供更多控制權(quán)。

天琴座

LYRAOS 全名是 LYRA MCP-OS，也是多 AI Aigent 操作系統(tǒng)，允許 AI Agent 可以直接與 Solana 區(qū)塊鏈互動(dòng)，執(zhí)行如買賣加密貨幣等操作。

當(dāng)前他們正在探索如何使用 MCP-OS 建立數(shù)千個(gè) "AI16ZDAOs"，即 AI 驅(qū)動(dòng)的去中心化自治組織，用于加密貨幣投資，LYRAIOS 計(jì)劃在 2025 年 3 月 21 日至 22 日之間釋出 DEMO，并在下周推出正式產(chǎn)品。

當(dāng)前代幣市值 92.3 萬，最高 264 萬，24 小時(shí)交易量 300 萬，持幣地址數(shù) 2,922

結(jié)語：AI 敘事再次起舞，還需時(shí)間觀察

盡管 MCP 提供了一條標(biāo)準(zhǔn)化規(guī)則，讓 AI 能更容易且安全地與外部工具互動(dòng)，且在 Web 3 領(lǐng)域看似大有可為，但成功案例相對(duì)有限，背后原因或許包含以下幾點(diǎn)：

• 技術(shù)整合尚未成熟：Web 3 生態(tài)中，每條鏈、每個(gè) DApp 的合約邏輯和資料結(jié)構(gòu)都有差異，想將它們統(tǒng)一封裝成可被 AI 呼叫的 MCP Server 仍需投入大量開發(fā)資源。

• 安全與監(jiān)管風(fēng)險(xiǎn)：讓 AI 直接操縱合約、處理資金交易，需要設(shè)計(jì)完善的私鑰管理與權(quán)限控管機(jī)制，難度與成本都高。

• 用戶習(xí)慣與體驗(yàn)：多數(shù)人對(duì)于讓 AI 管理錢包或做投資決策仍存疑，區(qū)塊鏈本身的操作門檻也高。如果體驗(yàn)過于復(fù)雜或缺乏明確的應(yīng)用場(chǎng)景，新手很難長(zhǎng)期使用或投入。

• 審美疲勞與市場(chǎng)冷感：此前 AI Agent 在幣圈掀起風(fēng)潮，許多未落地的專案在巔峰時(shí)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(shù)項(xiàng)目下跌超過 90%，視為對(duì) AI 的怯魅。

回到 MCP 敘事，可以理解為超級(jí)加強(qiáng)版的 AI Agent，此前市場(chǎng)已經(jīng)經(jīng)歷過加密 AI 狂潮，也逐漸明白何為概念炒作與實(shí)際應(yīng)用，若缺乏真正具有創(chuàng)新與實(shí)用價(jià)值的應(yīng)用，投資者與使用者也不會(huì)輕易買單。像 BORK 這樣的先行 MCP 專案，因?yàn)闆]有明顯的差異化或應(yīng)用落地，最終并未炒起熱度，這也是筆者認(rèn)未現(xiàn)行 MCP 概念尚未風(fēng)行最重要的關(guān)鍵因素。

MCP 與區(qū)塊鏈的結(jié)合擁有潛力，但同時(shí)面臨技術(shù)門檻與市場(chǎng)壓力的雙重挑戰(zhàn)。未來若能整合更成熟的安全機(jī)制、打造更直覺的使用者體驗(yàn)，并發(fā)掘真正帶來價(jià)值的創(chuàng)新應(yīng)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。