不久前在 11 月 25 日，AI 独角兽 Anthropic 发文庆祝 MCP 协议（模型上下文协议）诞生一周年。然而如今整个 AI 业界对于 Anthropic 此举即便不说视而不见，也算得上是漠不关心了，这个消息在社交平台的讨论度更是趋近于零。

但有趣的是，就在今年年初，MCP 还曾一度占据了 AI 界的头版头条，几乎所有从业者都高呼 "MCP 让 AI 连接万物 "、"AI 终于有了属于自己的 USB 接口 "、"Agent 时代的基础设施 "。然而仅仅半年时间过去后，MCP 就从圈内人眼中的 " 小甜甜 "，光速蜕变为 " 牛夫人 "。

那么 MCP 为何会被捧上神坛，又为什么光速陨落呢？其实这是因为 MCP 的走红本身就很违和，属于是 " 期望膨胀期 " 的典型产物。此外需要注意的是，MCP 并非出道即巅峰，它的走红过程与 ChatGPT、DeepSeek 截然不同。

Anthropic 在 2024 年冬季发布 MCP，可它真正被广泛关注是在今年春季。以当下 AI 的受关注程度，如果一个产品真的有 " 爆点 "，短则数天、长则几周就会迅速席卷全球，比如谷歌的 Nano Bonana。而 MCP 之所以会在春季成为 AI 圈的头条，更像是 Anthropic、谷歌、微软等大厂踢的一场默契球，属于 " 预制爆款 "。

MCP 想要解决的是不同厂商 AI 产品各自为政、各行其是的混乱局面，并导致 AI 模型与外部工具交互成为一件复杂、且不稳定的事情。彼时基于不同模型的智能体（AI Agent）想要变得有用，就需要为不同的功能编写单独的 API，但不同智能体使用的 " 语言 " 都不一样。

有鉴于此，Anthropic 就设计了 MCP（Model Context Protocol），旨在通过标准化接口实现大语言模型（LLM）与外部数据源及工具的无缝集成。MCP 就像 AI 应用的 USB-C 接口，通过能力协商、能力发现、订阅 / 通知等一系列工作，让 AI 模型知道有哪些工具、哪些数据是可用的，以及如何使用这些资源。

MCP 能够直接在 AI 与数据、工具之间架起一座桥梁，通过 MCP 服务器和 MCP 客户端就实现 AI 领域的 " 万物互联 "。要知道当今的互联网世界就是建立在开放、互联的基础上，所以 MCP 就相当于重走 TCP/IP、HTTP、USB 等标准化协议的路径。

不难发现，MCP 是一个为智能体服务的协议，它给予了智能体获得 " 真功夫 " 的机会，这也是为什么 MCP 会在今年年初走红。从某种意义上来说，先有 "2025 年是智能体之年 " 这个说法，后来才有 MCP 登上舞台中央，而力推 MCP 则是一众 AI 大厂的默契。

在 2024 年的最后一天，OpenAI 首席执行官山姆 · 奥特曼公布了 2025 年该公司即将发布的技术、产品，当时他将 AGI（通用人工智能）排在第一位，紧随其后的就是智能体，并且让 ChatGPT 能够自主执行任务将是 2025 年的一大重点。

如果没有 MCP，智能体想要变得有用，就需要开发者付出太多时间和精力。MCP 则为智能体提供了一个统一的工具调用规范，让开发者能从繁琐的适配工作中解脱出来。短短三个月就有数千个工具自发接入 MCP，再加上 OpenAI、AWS、HuggingFace 的鼎力支持，似乎 MCP 真的就成了。

然而将 MCP 视为 " 万能钥匙 " 的开发者很快就发现，事情的发展似乎与想象不同。MCP 没有跟踪上下文传播，就意味着开发者无法知晓 AI 的决策路径中到底调用了哪些工具。此外它也没有截止时间传播机制，也就是说一个被调用的工具如果出现问题，那么智能体就会被卡住。

MCP 在工程落地层面的挑战，就在云端部署上。对于企业级用户而言，为了应对高并发调用，MCP 服务往往需要扩展到多服务器架构，此时 MCP 的双连接模型引入了跨机器寻址的复杂性。当长连接建立在一台服务器上，而请求可能被路由到另一台服务器时，就需要额外的广播队列机制来协调分散的连接，因此就大幅增加了实施难度和维护成本。

除此之外，MCP 还很贵。智能体在利用外部工具时，要先收集并回传信息给基座模型来完成决策，所以 MCP 就要求所有工具定义、调用请求和返回结果，都必须经过模型的上下文窗口，直接导致模型需要处理的上下文容量会随着 MCP 调用数量的增加，呈现出指数级提升。

简而言之，开发者发现 MCP 尽管确实能让自己的智能体随心所欲地调用不同工具，可调用的工具越多，消耗的 Tokens 也越多。如果要减少 Tokens 的消耗，就必须用非常规范的流程去调用特定的工具，可这样一来，MCP 的灵活性和通用性优势就无法发挥。

事实上，这些问题还只是纤芥之疾，MCP 真正的缺陷在于随着调用工具的增加，智能体出现幻觉的概率也会同步上升。这是因为调用的工具越多，模型的注意力就越被稀释，进而开始胡乱决策。毕竟智能体和 AI 聊天机器人不一样，它是要 " 干活 " 的，畸高的幻觉问题就让它变成鸡肋。

当开发者发现 MCP 除了通用性，其他方面乏善可陈后，过多的缺陷就让大家直接打起了退堂鼓。

【本文图片来自网络】