跳转到主要内容

​
AI 发展的两条路线

如果你关注 AI 关注 agent，那么你一定要关注 MCP，一定要好好理解它，一定要多用它。AI 的发展有两条非常明确的路线，我之前在社群里说过：
  1. 掌握更多的信息
  2. 控制更多的工具
两年前的大模型，它的信息来源只有训练时候的数据，以及推理的时候我们告诉它的东西。后来我们给它加上了联网搜索，让它能获得更广阔更及时的信息。我们给它加上了 RAC 技术，加上了知识库，让它能获得垂直领域那些不外传的信息。 但这些还不够，因为都是文本信息，于是我们又加上了多模态，现在连图片它都能理解了。你看所有这些发展都符合我刚才说的第一条路线：掌握更多信息。 但是光有信息还不够，要改变世界影响世界，你手里头还得有工具。这个就是第二条路线了。我认为 MCP 是第二条路线的关键，有了 MCP，你手里的 AI 就从功能机进化到了智能机。

​
MCP 实际演示

回到今天的主题：MCP。老规矩，我先演示再解释。 屏幕左边是 Obsidian，一个笔记应用。为了演示，我新建了一个库，放了三篇之前的视频脚本作为笔记。屏幕右边是 Client，它是一个 AI 插件，编程能力非常强。如果你的主力是 VSCode，那一定要用它。 那么我想给大家看的是，通过 Obsidian MCP（你先简单理解成就是一个接口了），像 Client 这类的 AI 工具，可以直接读取和修改 Obsidian 里面的笔记。

​
基础功能演示

咱们先从最简单的开始，我问 Client 库里都有哪些笔记。 接到请求后，Client 看了一圈环境，发现 Obsidian 跟一个 MCP 服务器连在了一起，于是他决定通过 MCP 服务器，调用 ListNodes 这个工具，去查询都有哪些笔记。在 Response 里边，MCP 服务器把查询到的信息返回给了 Client，然后他给出了最终的答案。 跟查询库里都有哪些笔记一样的原理，Client 还可以通过 MCP 服务器读取笔记的具体内容。我问他 “这篇笔记的主要内容是什么”，这时 Client 会使用读取笔记的工具，把一千多字的内容全部提取之后，他对内容进行总结，然后给出最终的答案。

​
与之前方法的对比

大家如果有印象的话，应该记得我之前出过两期视频，都是关于 Cursor 对 Obsidian 笔记的修改。那这个做法的前提是，Cursor 要打开 Obsidian 存放在本地的笔记仓库。但是并不是所有的 AI 工具都有这样的条件，有这样的能力去调用整个本地的笔记仓库的。这个时候就需要 MCP 服务器，它作为一个通用的接口去连接两端。

​
多 MCP 服务器的应用

我刚才演示的只连接了一个 MCP 服务器，其实为了完成一项任务，AI 可以去连接多个 MCP 服务器，调用多个工具。 我这边再演示一个例子，这是 OpenAI 官网的文章，关于 GPT 4.5。 我把链接给到 Client，希望他能把文章的内容给我扒下来。这时 Client 发现，还有 Tavli 的 MCP 可以连接。 Tavli 是一个专门为大模型优化过的搜索引擎，它的 MCP 里面有一个提取网页内容的工具。使用这个工具，Client 顺利把网页内容给扒了下来，然后他刷新和总结所有的信息，最终给出很清晰的回答。 接着我给出第二条指令：把这份 Summary 作为新笔记，存进 Obsidian 里面。 你看他调用 Obsidian MCP 里面的工具，开始创建笔记。中间遇到了一个格式上的问题，主要是特殊制服导致的解析错误，我猜是中文的标点问题。好在 Client 很聪明，在第二次尝试的时候，他主动去规避了特殊制服，最后完成了笔记的创建。 通过刚才的演示可以看到，像 Client、Cloud 之类的 AI 应用，能够调用各种工具去完成更加进阶的任务，这个就是 MCP 的价值。

​
MCP 的价值与原理

这么说吧，MCP 就是 AI 的 USB-C 接口。 在 MCP 出来之前，AI 都是怎么调用工具的？通过 API 接口对吧。但是 API 有很大的局限性，其实不太适合 AI：

​
API 的局限性

  1. 不同工具的 API 都有各自的规范
举个例子，如果要调用一个天气预报工具，我就得按照它的格式要求，告诉它城市名称和日期，比如 “当时北京 0315”（也就是 3 月 15 号）。如果我要调用一个计算器工具，我就得按它的格式要求，告诉它数值和符号，比如 “1 加 2”。 市面上有海量的工具，AI 要知道要去满足每一个工具的要求，这是不现实的。这就好比有的设备是 USB-A 接口，有的设备是 Micro USB，有的设备是 Mini USB，那作为用户看到这一堆的接口，头都大了好吗。所以 AI 需要一套统一的规范，去统一所有的工具接口，就好比今天的 USB-C。 手机也好电脑也好，全都用这个接口，而且现在新的显示器，还支持用 USB-C 去接 MacBook，既能充电还能传输信号，连 HDMI 都省了。一根线走天下是大势所趋。
  1. API 关注的是数据的传输，而非数据的含义
就像刚才的例子，如果我问 “下周一北京天气怎么样” 或者 “1 加 2 等于几”，像这样的数据，API 没法接受，因为它不理解，也不需要去理解是什么意思，它的职责就是把数据拿过来，传过去。

​
MCP 的优势

但是 MCP 能搞定，它会把一切都打包好，给到大模型去理解。MCP 把用户的查询、工具的描述和参数，以结构化的方式传递给大模型，由大模型决定如何去处理。

​
市面上的 MCP 工具

目前市面上对 MCP 支持最好的工具：
  1. Cloud 的桌面版（毕竟 MCP 就是他们家提出的）
  2. Client（我刚才演示的）
我刚才演示的两个 MCP：
  • Tavli 那个是现成的，你可以在 Client Marketplace 里收到，然后 Client 会去下载整个代码仓库，并且自动部署，非常方便。
  • Obsidian 那个是我让 Client 自动生成的，过程中我没有写一行代码，就是一路点同意，几分钟就搞定了。
如果需要增加或者修改某个工具，也可以交给 Client 去完成。

​
自己开发 MCP

MCP 本身并不复杂，在 AI 编程工具的帮助下，你也可以开发自己的 MCP 工具，然后部署在本地或者云端，比如 Cloudflare。最内核的 Index 文档，你完全可以在 AI 的帮助下去理解清楚。 或者你就用现成的吧，市面上已经出现好多个 MCP 的导航网站了，比如 Smithereens。 在商业化方面，我看到市面上也出现了第一款收费的 MCP，可以帮助设计 UI。

​
结语

今天 MCP 的价值正在得到越来越多人的认可，一切都在快速推进当中。就像我前面说的，如果 AI 只能调用有限的预先设置好的工具的话，那不就是以前的功能机吗？通过 MCP，AI 可以自由揭露海量的工具，从这一刻开始，AI 才从功能机时代迈入智能机时代。 OK，以上就是本期内容，那咱们下期见！