模型上下文協議（MCP）三種難度級別詳解

模型上下文協議（Model Context Protocol，簡稱MCP）是Anthropic推出的一項開放標準，旨在解決AI應用與外部系統之間的整合難題。大型語言模型的知識截止於訓練時間，無法直接訪問檔案、資料庫或即時訊息。傳統做法是開發定製整合，但隨著模型和工具數量增長，維護成本呈指數上升。MCP透過統一協議，讓每個AI客戶端和每個工具只需實現一次協議，從而將整合點從M×N減少到M+N。

MCP架構包含三個核心元件：宿主（Host）是使用者互動的應用，如聊天介面或AI驅動的IDE，內部包含語言模型；客戶端（Client）駐留在宿主中，負責協議機制，包括維護伺服器登錄檔、翻譯模型請求並分發；伺服器（Server）是連線外部系統的橋樑，註冊其能力並響應請求。以使用者要求“從資料庫獲取Q2營收資料並生成總結”為例：模型識別需求後，客戶端查詢已註冊的伺服器，模型呼叫資料庫查詢工具，伺服器執行並返回結果，隨後模型呼叫郵件起草工具完成總結。整個過程無需開發者編寫膠水程式碼。

MCP伺服器暴露三類能力：工具（Tools）是可呼叫的函式，用於執行操作或計算；資源（Resources）是可讀資料，如檔案、記錄；提示（Prompts）是可複用模板，用於標準化任務處理方式。工具和資源的分離有助於應用不同的授權策略。

在傳輸層面，MCP採用JSON-RPC 2.0作為資料層，傳輸層支援兩種方式：stdio適用於本地伺服器，透過標準輸入輸出通訊，簡單快速且無需網路配置；Streamable HTTP適用於遠端伺服器，透過單一HTTP端點交換訊息，支援伺服器傳送事件（SSE）以流式返回多個訊息。安全方面，需注意認證風險，如未繫結會話ID、轉發被盜授權碼等。谷歌建議獲取使用者同意、限制伺服器可見範圍、不信任未經驗證的工具描述、淨化返回資料並審計工具活動。

部署選擇上，本地伺服器作為子程序執行，適合敏感資料或個人開發環境；遠端伺服器獨立執行，可服務多客戶端，適合生產環境。無伺服器平臺如Cloud Run適合簡單無狀態工具，而Kubernetes適合有狀態或高吞吐場景。MCP已擁有主流語言SDK和豐富預置伺服器（如GitHub、Slack、Postgres），客戶端支援包括Visual Studio Code和Claude等。這一協議正逐步構建起可組合的AI整合生態系統。