MCP：Crypto+AI下一个爆发点？

AI 带来的意义便是解放人类劳动力，提升大多数工作能力的下限，然而目前 LLM 局限性仍大，必须来回对话才能给出建议，且必须用户根据建议亲自执行，距离真正利用 AI 帮我们工作还有一段落差。

而现在如果可以透过与 AI 对话，实际利用你的电脑进行邮件回覆、报表撰写等功能，甚至还可以帮你自动化炒币，是不是越来越接近解放生产力的愿景？而这项技术就是目前在 AI 领域的当红关键字 - MCP

MCP 是什么？

MCP（Model Context Protocol）是由 Anthropic 公司在 2024 年 11 月发布的一套「标准化协定」，用来解决过去 AI 模型只能「说」却无法「做」的问题。

首先先将 MCP 命名拆解

• Model：模型，指的就是各种 AI 大型语言模型（例如 GPT、Claude、Gemini 等）
• Context：脉络，代表给模型的额外资料或者外部工具
• Protocol：协议，通用、标准化的「规范」或者「接口」

合在一起就是：透过统一规范，让 AI 不只会「说」，还能直接操控外部工具完成各种任务。

一般我们最常使用的 LLM，像是 ChatGPT、Grok 等等，只能根据对话内容进行「文字输入、文字输出」。如果我们要让 AI 帮忙实际执行操作，例如去电脑资料夹读档案、发 Email、查资料库等，通常先是下指令给 LLM，用户再经由 LLM 的回应自己动手操作，最后再把结果回报给 AI，AI 再给我们文字建议，我们继续操作，如此往复循环。

MCP 的出现，让 AI 不但能读取电脑本地的档案、连线到某个远端资料库，甚至能直接操作特定的网路服务。也就是说，AI 不再仅仅只是输出文字，而是能替你完成很多重复性或流程性的工作。

运作方式简述

• MCP Host（管理员）：负责管理、协调整个 MCP 的运作。例如 Claude Desktop 就是一种 Host，能协助 AI 存取你本地端的资料或工具。
• MCP Client（用户端）：接收使用者的需求，并与 LLM（AI 模型）进行沟通。常见例子包括各种整合了 MCP 的聊天介面或 IDE（如 Goose、Cursor、Claude Chatbot）。
• MCP Server（伺服器）：可以视作是一组「已经整理好、带有注解」的 API 集合，提供 AI 可以使用的功能。例如读取资料库、发送邮件、管理档案、呼叫外部服务等。

有了 MCP，AI 不只能理解人类语言，还能把特定的文字直接翻译成动作指令，进而完成自动化操作。例如，帮你整理销售报表、发邮件给客户，甚至透过指令直接在 Blender 上进行 3D 建模。

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

MCP 的重要性为何？

1.打通 AI 与外部工具的桥梁

LLM 的局限性在于当中的资料都经过预训练，并非实时更新，意思是 LLM 的资料仅限于它训练时所看到的资讯，因此训练之后产生的新资讯，模型是不知道的。

假设 LLM 为今年 2 月训练，那么今年 2 月之后的资料则是完全没有的。

目前主流的方法是使用 RAG (Retrieval-Augmented Generation)，这是一种把「检索系统」与「生成模型」结合的方式。这种架构能在 LLM 推理前，先检索最新的资料，并将检索结果作为上下文提供给模型。具体来说：

• 资料检索 (Retrieval)：在 LLM 回答问题前，先使用一个检索工具（例如网路搜索、内部资料库查询等），寻找符合当下问题的最新资料。
• 生成 (Generation)：检索到的资料会作为辅助资料（Context）传递给 LLM，帮助它生成更精准、即时的回答。

像 AI 在回覆问题前，先透过 Bing 或 Google 搜寻最新的资讯，再将检索结果整合进回应，就是使用 RAG 的方式。

MCP 跟 RAG 最大的不同是：

• RAG 是用较为静态的资料辅助 LLM 的回答，而 MCP 则能让 AI 真正「动手去做」，例如查资料库、调用 API，或什至修改档案内容。

2.标准化 & 通用性：像 USB-C 一样的存在：不同厂商可以各自开发符合 MCP 规范的功能，就像所有装置都能使用同一种 USB-C 传输线一样。如果没有 MCP，每个开发者都得自行定义该怎么让 AI 呼叫特定 API。这意味着相同的工作会被不同人重复开发。 MCP 统一后，大家只要实作同一套规范就能立即整合，避免重复造轮子的现象出现。

3.从被动回应到主动执行：传统 AI 工具只会回答问题，不能真正动手。有了 MCP，AI 可以根据当下情况决定要执行什么指令，并透过读取回传结果，再进行下一步的动作。这种看情况不断修正的能力，大幅增强 AI 的实用性。

4.安全性与控管：MCP 并不会强迫把所有资料都传到 AI 模型，能透过权限、API 金钥管理等方式控管资料存取，确保机密资讯不会外流。

MCP 跟 AI Agent 相比，差异为何？

什么是 AI Agent？

去年 Q3 由 GOAT 领头带起了 AI Agent 风潮，大多数加密用户是透过 Web 3 视角了解 AI Agent，AI Agent 通常指的是能「自动化」处理特定任务的 AI 系统，它不只跟人对话，还能根据上下文主动采取行动、呼叫工具或 API，去完成一系列的步骤。像是最常见的能够在推特上自主发文，也属于 AI Agent 的范畴。

AI Agent 的限制

• 缺乏标准化：每个人都可以造一个 Agent，可是如果没有统一的规范，就会出现「这个 Agent 只会用 A 厂商的模型」、「那个 Agent 只会打 B 系统的 API」的问题。
• 容易各自为政：AI Agent 虽然能跑腿，但开发者往往需要自订大量 API 的格式和规则，不同 Agent 之间缺乏共用的生态系，导致整合困难。

MCP 与 AI Agent 的关系：MCP 是一种协议，AI Agent 是一种概念或执行方法

• AI Agent 强调 AI 具备主动行动、执行工具的能力
• MCP 则专注于如何让不同 AI 模型与外部工具沟通，扮演通用标准的角色。

MCP 帮助 AI Agent 更有效运作

• 没有 MCP，AI Agent 可能要对不同工具、不同平台都各写一套 API 规则，开发维护都很麻烦。
• 有了 MCP，AI Agent 只要照着 MCP 规范，从「Server 列表」中取得可用工具，然后动态决定要用哪一个工具完成任务，对外部资源的存取也更安全、方便。

功能范围不同

• AI Agent：着重于决策、逻辑，根据需求判断要怎么做、要执行哪些步骤。
• MCP：专门解决工具介接、标准格式，怎么把外部服务、资料库、档案系统以统一的方式提供给 AI

两者结合：AI Agent + MCP ＝ 让 AI 既懂得怎么行动，也能去哪里行动。

当前币圈有哪些 MCP 概念项目？

1.基础 MCP

Base 官方开发的框架，在 3 月 14 日推出，让 AI 应用能与 Base 区块链互动，用户只要透过自然语言的对话，无需开发能力，便可以做到将合约部署到区块链上以及使用 Morpho 进行借贷等功能。

BORK 是第一个使用 Base MCP 部属的代币， 于 3 月 14 日发行，市值最高到达 460 万美元，但当前已回落至 11 万美元，且 24 小时交易量仅有 9 万美元，可以判断该币寿命已经结束。

Flock 是一个去中心化的 AI 训练平台，他指出当前 MCP 仍然在外部 AI 模型上运行，为中心化 LLM 处理，Flock 提供 Web3 代理模型，AI 驱动的区块链任务可以在本地运行，从而为使用者提供更多控制权。

2.天琴座

LYRAOS 全名是 LYRA MCP-OS，也是多 AI Aigent 操作系统，允许 AI Agent 可以直接与 Solana 区块链互动，执行如买卖加密货币等操作。

当前他们正在探索如何使用 MCP-OS 建立数千个 "AI16ZDAOs"，即 AI 驱动的去中心化自治组织，用于加密货币投资，LYRAIOS 计划在 2025 年 3 月 21 日至 22 日之间释出 DEMO，并在下周推出正式产品。

当前代币市值 92.3 万，最高 264 万，24 小时交易量 300 万，持币地址数 2,922

结语：AI 叙事再次起舞，还需时间观察

尽管 MCP 提供了一条标准化规则，让 AI 能更容易且安全地与外部工具互动，且在 Web 3 领域看似大有可为，但成功案例相对有限，背后原因或许包含以下几点：

技术整合尚未成熟：Web 3 生态中，每条链、每个 DApp 的合约逻辑和资料结构都有差异，想将它们统一封装成可被 AI 呼叫的 MCP Server 仍需投入大量开发资源。

安全与监管风险：让 AI 直接操纵合约、处理资金交易，需要设计完善的私钥管理与权限控管机制，难度与成本都高。

用户习惯与体验：多数人对于让 AI 管理钱包或做投资决策仍存疑，区块链本身的操作门槛也高。如果体验过于复杂或缺乏明确的应用场景，新手很难长期使用或投入。

审美疲劳与市场冷感：此前 AI Agent 在币圈掀起风潮，许多未落地的专案在巅峰时期的估值破亿是家常便饭，而近期正面临戳破 AI 泡泡的阶段，大多数项目下跌超过 90%，视为对 AI 的怯魅。

回到 MCP 叙事，可以理解为超级加强版的 AI Agent，此前市场已经经历过加密 AI 狂潮，也逐渐明白何为概念炒作与实际应用，若缺乏真正具有创新与实用价值的应用，投资者与使用者也不会轻易买单。像 BORK 这样的先行 MCP 专案，因为没有明显的差异化或应用落地，最终并未炒起热度，这也是笔者认未现行 MCP 概念尚未风行最重要的关键因素。

MCP 与区块链的结合拥有潜力，但同时面临技术门槛与市场压力的双重挑战。未来若能整合更成熟的安全机制、打造更直觉的使用者体验，并发掘真正带来价值的创新应用，「Web 3 + MCP」 才可能脱离「炒作话题」的宿命，成为新一轮主线叙事。