N×M 困境 · JSON-RPC 架構 · MCP vs REST · 四大廠商入局 · 六步落地 Runbook
給 Claude、GPT、Gemini 各寫一套 CRM 適配層？N 個模型 × M 個工具的整合噩夢，簡直像 TCP/IP 出現前各網路互不相容的混沌。Anthropic 於 2024 年 11 月開源的 Model Context Protocol（MCP），正被比作 AI 工具整合領域的 USB-C——統一「AI 如何發現、選擇並呼叫工具」的語言。本文面向 Agent 開發者與技術負責人：拆解 N×M 困境與 MCP 三層架構、對比 MCP vs REST、梳理 2026 年四大廠商入局時間線與 10000+ Server 生態資料，並給出六步 MCP Server 落地 Runbook。
1970 年代，ARPAnet、Ethernet、分組無線網路各自為政，每次跨網連線都要客製翻譯層，成本高且易出錯。TCP/IP 定義統一通訊規則後，HTTP 再次抽象，全球資訊網才得以爆發。2024 年之前的 AI 世界，正處於同一種混沌：每個模型、每個 IDE、每個 Agent 框架都有自己的工具接入方式。
現代 LLM 有天然邊界：訓練資料截止、無法存取即時資訊、無法直接執行操作。解法是給 AI 接上「手腳」——Tool Use / Function Calling。但現實是：ChatGPT 有 Plugins 格式，OpenAI 有 Function Calling，Claude 有 Tool Use，LangChain、CrewAI、Cursor 各自定義資料接入——一旦更換模型供應商，整合邏輯往往要推倒重來。
企業 CRM 接入 AI：需為 Claude、GPT、Gemini 分別開發適配層，三套 schema、三套鑑權、三套維運。
IDE 中的 AI 助手：存取檔案系統、資料庫、內部 API 的方式因產品而異，無法跨 IDE 複用。
Agent 編排框架：工具定義無法跨 LangChain、CrewAI 複用，編排資產綁定框架而非團隊。
供應商鎖定：整合邏輯與特定模型 API 形態耦合，換模型 = 重寫工具層。
成本線性膨脹：N 個模型 × M 個外部工具 = N×M 個客製化整合，維護面隨規模指數惡化。
USB-C 出現前，充電孔五花八門；MCP 要做的，就是 AI 工具整合領域的 USB-C——裝置無需關心對方是誰，開口說同一種語言。
Model Context Protocol（MCP） 是 Anthropic 於 2024 年 11 月正式開源的一套開放標準，定義 AI 模型（客戶端）與外部工具/資料（伺服器端）之間通訊的統一規範。核心思想：將「AI 能發現哪些工具、如何呼叫它們」這件事標準化。
Host（宿主層）如 Claude Desktop、Cursor、VS Code，內嵌 MCP Client，為每個 MCP Server 維護 1:1 工作階段連線。Client 透過 JSON-RPC 2.0 與 MCP Server 通訊；Server 暴露三類能力：Tools（可執行操作）、Resources（唯讀資料）、Prompts（複用範本），再對接資料庫、API、檔案系統等外部系統。
| 傳輸方式 | 適用場景 | 特點 |
|---|---|---|
| STDIO | 本地子程序 | 零相依、啟動快、隔離性好 |
| HTTP + SSE | 遠端/雲端服務 | 跨網路呼叫、支援水平擴展 |
{
"jsonrpc": "2.0",
"method": "tools/call",
"params": {
"name": "query_database",
"arguments": { "sql": "SELECT * FROM users LIMIT 10" }
},
"id": 1
}
關鍵 RPC 方法：tools/list 執行時期動態取得可用工具清單；resources/read 讀取檔案或資料庫記錄；Server 還可主動向 Client 推送訊息，有別於傳統 REST 的單向請求。
| 維度 | 傳統 REST API | MCP |
|---|---|---|
| 工具發現 | 開發者讀文件、硬編碼呼叫 | Agent 啟動時 tools/list 即時取得清單 |
| 工作階段狀態 | 無狀態，每次請求獨立 | 持久連線保持上下文，支援多步工作流 |
| 自描述 | API 不會告訴 AI 自己能做什麼 | 每個工具附帶 JSON Schema，含參數含義與副作用 |
| 通訊方向 | 單向請求-回應 | 雙向：Server 可反向要求 LLM 推理或向使用者請求補充資訊 |
| 整合規模 | N×M 客製化整合 | 寫一次 Server，所有 MCP Client 可用 |
REST API 解決的是「能不能呼叫」；MCP 解決的是「AI 如何發現、選擇並正確呼叫工具」——這才是 Agent 時代的核心命題。
以下路徑在 Cursor 與 Claude Desktop 均適用：先本地 STDIO 驗證，再視需要升級為 HTTP+SSE 遠端部署。目標是把「只為一個模型寫的工具膠水」變成可移植的 MCP 資產。
選定一個原子能力：從團隊最高頻的外部相依入手——如內部工單 API、唯讀 Postgres 查詢、或 GitHub PR 狀態——避免首版就做「萬能閘道」。
用官方 SDK 腳手架產生 Server：按語言選用 MCP SDK（TypeScript / Python 等），實作 tools/list 與 tools/call，為每個 tool 寫清 JSON Schema 與副作用說明。
本地 STDIO 聯調：在 Cursor 的 MCP 設定中註冊 Server 命令列入口，重啟後確認 Agent 能發現並呼叫；用 3 條正例 prompt 驗證參數傳遞與錯誤回傳。
補充 Resources / Prompts（可選）：把唯讀文件、schema 快照暴露為 resources/read；把重複性多步提示沉澱為 prompts 範本，減少 Agent 即興發揮。
安全與權限收口：Server 層集中鑑權（API Key / OAuth 2.0 路線圖項），禁止把金鑰寫進 tool schema；對寫入操作加 allowlist 與稽核日誌。
生產部署與觀測：需要 7×24 或多客戶端共享時，切 HTTP+SSE 遠端模式；監控 tools/call 延遲、失敗率與 session 親和，必要時在 Mac 宿主上用 launchd 守護程序。
提示：MCP Server 寫完即可被所有相容 Client 使用——今天接 Cursor，明天換 Claude Desktop 或 VS Code，工具層無需改寫。這與「為每個模型寫 Function Calling 適配」形成鮮明對比。
2024 年 LLM 能力突破閾值，Agent 成為主流範式，工具呼叫碎片化問題極度尖銳——MCP 在正確的時間點提供了正確的抽象。Anthropic 作為頂級 AI 安全研究公司開源規範，Claude 率先整合形成參考實作，社群雪球迅速滾動。
| 時間 | 里程碑 |
|---|---|
| 2024 年 11 月 | Anthropic 開源 MCP 規範 |
| 2025 年 | Cursor、Zed、Continue 等 IDE 原生支援 |
| 2026 年 Q1 | OpenAI 宣布採用 MCP（1 月） |
| 2026 年 Q2 | Google DeepMind CEO 宣布 Gemini 支援 MCP（2 月） |
| 2026 年 Q2 | Microsoft 完成支援；治理權移交 Linux Foundation 旗下 Agentic AI Foundation（AAIF） |
從「一家公司的私有標準」到「產業公共基礎設施」——治理權移交 AAIF，類比網際網路協定由 IETF 治理，MCP 真正成為屬於全產業的協定。截至 2026 年，MCP 生態已有超過 10,000 個 MCP Server：每新增一個 Server，所有支援 MCP 的 Client 立即可用；每新增一個 Client，所有已有工具立即可被接入——這正是 HTTP 當年奠定 Web 生態的同種網路效應。
Google 推出的 Agent-to-Agent（A2A） 協定定義 AI Agent 之間的通訊規範。二者不是競爭，而是不同層級：MCP 負責 AI 模型 ↔ 工具/資料（垂直整合層）；A2A 負責 AI Agent ↔ AI Agent（橫向編排層）。兩者共同構成 Agent 網際網路的協定棧。
注意：MCP 尚未完美。OAuth 2.0/2.1 標準化身分驗證列入 2026 路線圖；尚無統一「MCP 伺服器註冊表」（類比沒有 DNS 的網際網路）；SSE 傳輸需 session affinity；約 1000 個 MCP Server 處於暴露且未授權狀態，間接提示注入攻擊已被記錄——生產部署務必做權限收口。
對開發者：MCP Server 寫一次、到處跑，可自由切換底層 LLM（Claude → GPT → Gemini），工具層不變。產業調研顯示，企業 AI 整合開發成本降幅約 38–55%；標準化介面降低新創公司進入門檻約 62%，而傳統系統整合商的客製化需求減少約 43%。垂直領域專屬 MCP Server 仍是藍海。
tools/list 執行時期動態拉取。HTTP 沒有發明瀏覽器，但沒有 HTTP 就沒有瀏覽器生態；TCP/IP 沒有發明郵件，但沒有 TCP/IP 就沒有 Email。MCP 沒有發明 AI Agent，但它正在成為 AI Agent 生態能夠存在的基礎設施。多年後回望，2024 年 11 月 Anthropic 開源 MCP 規範這一刻，可能正是 AI 時代的「HTTP 誕生時刻」。
筆電適合做 MCP Server 的 POC，卻在闔蓋休眠、缺少 macOS 原生工具鏈與長期程序守護上削弱 7×24 體驗；純 Linux VPS 能跑遠端 HTTP+SSE Server，卻難以承載相依 Keychain、Xcode 或 Apple 生態的 MCP 工具。對要把多個 MCP Server 當「常駐基礎設施」、讓 Agent 跨週累積工具呼叫複利的技術團隊，VpsMesh Mac Mini M4 雲端租用把 uptime、遠端 KVM 與可預期月租打包成生產級 OpEx——比反覆重裝開發機更省時間。方案見 Mac Mini M4 租用價格，部署問題見 幫助中心，線上下單見 訂購頁。
REST API 解決「能不能呼叫」：開發者讀文件、硬編碼 endpoint。MCP 解決「AI 如何發現、選擇並正確呼叫工具」：Agent 透過 tools/list 執行時期取得清單，每個 tool 附帶 JSON Schema 自描述，並支援有狀態工作階段與 Server 反向推送。N×M 客製化整合在 MCP 下收斂為「寫一次 Server、多 Client 複用」。
MCP 是垂直層：AI 模型 ↔ 工具/資料（資料庫、API、檔案系統）。Google 的 A2A（Agent-to-Agent） 是橫向層：AI Agent ↔ AI Agent 的編排與協作。二者互補，共同構成 Agent 網際網路協定棧——就像 HTTP 之上還有 WebSocket、SMTP 等不同層協定各司其職。
不必須。純 STDIO 本地 Server 可在開發機驗證；遠端 HTTP+SSE 也可部署在 Linux 雲主機。若 MCP 工具鏈相依 macOS 原生能力、Keychain 或你希望 Cursor Agent 與多個 Server 7×24 不被闔蓋打斷，Mac Mini M4 月租更省心。建議先租 1 個月驗證 tools/call 呼叫曲線，方案見 Mac Mini M4 租用價格，下單見 訂購頁。