MCP Server

3 秒看懂

MCP Server 是遵循 Model Context Protocol（MCP）的服務端程式。它為 AI 模型（Host）提供標準化、安全的外部工具與資料訪問介面，讓模型能夠即時查詢資料庫、操作檔案、呼叫第三方服務，而不僅依賴訓練時凍結的知識。可以理解為“給 AI 裝上手腳的通用插座”。

3 分鐘產業解釋

大語言模型正從“靜態知識庫”向“可行動代理”演進，工具呼叫（function calling）是其中的關鍵能力。2024年之前，各家模型廠商各自定義工具呼叫介面（如 OpenAI functions、Anthropic tool use、Google Gemini function calling），碎片化嚴重，應用開發者需為不同平台編寫膠水程式碼。Anthropic 在2024年11月公開了 Model Context Protocol（MCP），旨在提供一個廠商無關的開放標準，定義 AI 客戶端（Host）與能力提供端（Server）之間的通訊規範。

MCP Server 就是該體系中的“能力端”。它通過 JSON-RPC 2.0 在傳輸層（支援 stdio 與 HTTP+SSE）上暴露標準化的工具（Tools）、資源（Resources）和提示模板（Prompts），供 Host 動態發現、組合、呼叫。一個 MCP Server 可以連線本地檔案系統、資料庫、專案管理工具、SaaS 服務，甚至可作為聚合器串聯多個後端系統。由於協議統一，任何遵循 MCP 的客戶端（如 Claude Desktop、Cursor、Continue 等）無需額外適配即可使用任何 MCP Server，大幅降低 AI 應用整合成本。產業影響可比擬 USB 對硬體生態的整合作用。

技術原理

MCP 拓撲包含 Host（AI 應用）、MCP Server（能力提供方）、以及可選的聚合閘道器。Host 可同時連線多個 Server，Server 也可接入多個後端。通訊模式分為：

• stdio 傳輸：程序間通訊，低延遲，適合本地工具，安全性依賴作業系統隔離。
• HTTP + Server-Sent Events (SSE)：適合遠端服務、多租戶場景，需身份驗證與網路防護。

Server 暴露的能力原子化如下：

• 工具：模型可呼叫的函式，附帶輸入輸出 JSON Schema，相當於標準化的 function calling。
• 資源：可供模型讀取的結構化/非結構化資料（檔案、資料庫記錄、API響應），帶內容型別與訪問模式。
• 提示模板：預置提示詞片段，幫助模型以特定方式組合工具和資源完成任務。

一次典型的呼叫流程（基於公開規範）：

1. Host 啟動初始化：傳送 initialize 請求，Server 返回協議版本與能力清單。
2. Host 按需呼叫 tools/list、resources/list 發現可用能力。
3. 模型決策呼叫某工具時，Host 傳送 tools/call 請求，攜帶符合 Schema 的引數。
4. Server 執行並返回結果，可以是結構化資料、錯誤資訊，或觸發進一步互動。

安全邊界被推到 Server 側：Server 負責權限控制、速率限制、資料脫敏和審計，而非讓模型直接接觸原始資源。協議層支援使用者確認 gate：對高敏操作，Host 須提供使用者批准憑證（通常彈窗確認）。傳輸層無關性允許透明代理與聚合，適合企業級部署。

關鍵引數

（注：以下引數多為定性描述，具體數值取決於具體 Server 實現，公開規範未強制規定硬性數值。）

• 訊息大小上限：取決於 JSON-RPC 傳輸實現，一般足以承載常規上下文。對超大檔案，規範建議通過資源 URI 間接引用，避免直接內聯傳輸。
• 併發連線數：stdio 模式常為單連線；HTTP 模式可依據伺服器架構擴充套件，公開資料未見統一上限規定。
• 工具呼叫超時：由 Host 配置決定，需平衡模型等待時間與長任務執行需求。未在規範中硬性規定，典型值在數秒到數十秒區間（源自社群實踐經驗，非官方標準）。
• 能力發現頻率：Host 一般在連線建立後快取能力列表，可按需重新整理以支援動態載入（熱插拔）。重新整理間隔取決於實現，無統一標準。
• 安全性引數：包括使用者確認要求、OAuth 範圍、IP 白名單等，均由 Server 實現定義，協議規範僅提供機制（如 sampling 和 elicitation），未規定具體指標。
• 工具/資源數量：單 Server 無上限，但過多能力可能增加模型選擇難度（上下文視窗競爭）。最佳實踐是保持精簡，每個 Server 僅暴露職責所需的最小集合。

技術路線

從 AI 工具呼叫技術演進角度看，主要存在以下路線：

路線	代表形態	互操作性	整合成本	安全模型	生態現狀
廠商專有函式呼叫	OpenAI Function Calling / Actions， Google Gemini Tool Use 等	僅限單一平台	每個平台單獨適配	依賴平台實現，差異大	各自擁有封閉生態，開發者基數大但重複工作多
MCP 標準化	Anthropic 主導的 MCP，社群共建	跨模型、跨平台，一次編寫多處使用	統一協議，適配一次	使用者確認、權限分層，協議內建	開放社群快速擴張，工具/資源庫湧現，客戶端支援增多
其他開放嘗試	如 LangChain Tools、Semantic Kernel	架構內可組合，但深度繫結特定架構	依賴於架構介面卡	架構層面控制，無統一安全原語	架構生態內流行，但缺乏跨架構和跨模型的標準化

當前 MCP 正逐漸成為 AI Agent 工具層的事實標準候選，其開放性對廠商專有路線形成補充而非完全替代；在企業內部，高耦合、效能敏感的場景仍可能繼續使用原生函式呼叫。未來走向取決於生態遷移成本和互操作收益的平衡。

上游

MCP Server 的上游主要包括：

• 基礎模型：提供 function calling 底層能力的推論引擎，如 Claude、GPT 系列、Gemini 及開源模型（Llama 等），它們的工具呼叫輸出質量直接影響 Server 的使用體驗。
• 協議基礎設施：JSON-RPC 2.0 庫（各種語言實現）、HTTP/SSE 架構、程序間通訊機制等。
• 作業系統與硬體：本地 Server 執行依賴檔案系統、程序管理等 OS 介面。
• 外部資料來源與 API：各類資料庫（PostgreSQL、SQLite 等）、雲端服務（AWS、GCP）、SaaS 工具（Slack、GitHub、Jira）的 API，是 MCP Server 連線真實業務的根源。
• 安全與身份提供商：OAuth2、LDAP 等，為遠端 Server 提供認證和授權基礎。

下游

下游是整合 MCP Server 的各種 AI 應用和平台：

• AI 桌面客戶端：Claude Desktop 原生支援 MCP，通過使用者介面連線本地或遠端 Server，實現檔案管理、郵件傳送等操作。
• IDE 與程式設計助手：Cursor、Continue、Zed 等 IDE 整合 MCP，讓程式設計助手直接操作程式碼倉庫、文件、CI/CD 等開發工具。
• Agent 架構：如 AutoGPT、LangChain、CrewAI 等，將 MCP Server 作為工具來源，建置複雜自動化工作流。
• 企業內部 AI 平台：通過 MCP 閘道器將內部系統（CRM、ERP、知識庫）能力開放給企業 AI 助手，實現員工自然語言查詢與操作。
• 終端使用者：通過自然語言與 Host 互動，間接呼叫 MCP Server 完成資訊檢索、任務執行等。

受益公司

（基於公開資訊，非投資建議，未做任何價值判斷）

• Anthropic：MCP 協議的主要制定者與推動者，其 Claude 模型和客戶端天然整合 MCP，被視為生態核心受益方。
• AI 程式碼編輯器廠商：Cursor（Anysphere）、Continue（open-source）、Zed 等，通過 MCP 拓展助手能力，增強開發者體驗，提高使用者粘性。
• 雲端服務提供商：AWS、GCP、Azure 可能將 MCP 整合為 AI 工具連線服務，為雲端上企業提供託管 MCP 閘道器與安全合規能力（截至2025年5月，公開資料未見大規模商業化落地公告）。
• 初創企業：聚焦 MCP 託管、安全、企業治理的早期公司開始出現，如 Mintlify 的 MCP 生態工具、各類 MCP 聚合閘道器初創專案，多數處於種子階段，無公開估值資料。
• 開源社群貢獻者：MCP Server 倉庫維護者、SDK 開發商可能通過提供商業支援、託管服務等路徑獲益，但目前以免費社群貢獻為主。

市場規模

（由於 AI 工具呼叫標準化市場屬於新興交叉領域，暫無權威機構釋出獨立市場報告。以下內容基於公開資料與合理推測，定性為主。）

• AI Agent 市場：據 MarketsandMarkets 2024年報告，全球 AI Agent 市場規模預計從2024年的51億美元增長到2030年的471億美元（CAGR 44.8%）。MCP Server 作為 Agent 工具整合的基礎設施，其潛在可服務市場（SAM）與此高度相關。
• API 整合平台市場：據 Gartner 2023年資料，全球 iPaaS 市場約 56億美元，並以約30%速度增長。MCP Server 可被視為面向 AI 的新型輕量級應用整合通道，其價值將隨 AI 應用滲透而增長。
• 開發者工具生態：據 GitHub 2024年 Octoverse 報告，開發者數量超過 1億，MCP 相關倉庫快速增長。截至2025年5月，公開資料未見官方統計的 MCP Server 下載量或 DAU 資料，但 GitHub 上 modelcontextprotocol 組織及社群倉庫 Star 數累計數萬（粗略觀察，不作為精確引用），反映開發者關注度。
• 供應鏈價值：上游模型呼叫（API 費用）、中游託管閘道器（訂閱營收）、下游應用整合（SaaS 增值）構成潛在價值鏈條，但目前無公開財務資料可量化。

玩家對比

（對比 MCP Server 生態的主要參與者及其定位，基於公開資訊，不含任何優劣判斷）

玩家	角色	產品/服務	開放程度	當前階段
Anthropic	協議發起者+客戶端+SDK	Claude Desktop， MCP SDK (TypeScript, Python)	開源協議，完全開放	活躍迭代，社群共建
OpenAI	廠商專有路線的代表	GPT Action（基於 OpenAPI）	專有，僅限 ChatGPT 平台	成熟，已大規模商用
Google	廠商專有路線	Gemini Function Calling， Agent Development Kit (ADK)	專有，但 ADK 開源部分元件	追趕階段
開源社群	MCP Server 建設者	檔案系統、資料庫、GitHub 等各類 Server	完全開源	百花齊放，質量參差
獨立 IDE/工具廠商	MCP 適配商	Cursor、Continue、Zed	部分開源或整合	快速增長中
雲端服務商	潛在託管/閘道器提供	暫無公開 MCP 託管產品	未定	探索階段
架構廠商	整合 MCP 作為工具源	LangChain、CrewAI、 AutoGen	開源架構，適配 MCP	適配中，增強互操作

目前尚無明確的“市場份額”資料，因 MCP 主要依託開發者社群生態，而非直接商品銷售。競爭的關鍵在於生態採納數量（Server 數、客戶端數、整合案例數）和開發者心智。

風險

• 協議碎片化風險：如果不同廠商推出競爭性“開放標準”，可能導致協議分裂，削弱互操作性優勢。截至2025年5月，尚未出現同等影響力的直接競爭協議，但廠商專有介面的鎖定效應始終存在。
• 安全與信任風險：MCP Server 執行檔系統寫入、網路請求等敏感操作，若實現不當或被惡意利用，可能引發資料洩露、權限提升。協議內建了使用者確認機制，但依賴 Host 正確實施，生態整體安全水平尚待規模化檢驗。
• 生態質量參差不齊：社群 Server 質量無統一控制，部分可能包含漏洞、錯誤處理缺失、文件不全，增加整合者判斷成本。長期需類似 App Store 的稽核或聲譽機制。
• 商業化不確定性：主流模型客戶端目前免費支援 MCP，Server 開發者缺乏直接收費渠道。若難以形成可持續商業模式，可能導致核心開發者流失，減緩創新。
• 模型能力依賴：工具的效用高度依賴模型對工具選擇、引數填充的準確性。若模型推論能力不足，再好的 Server 也無法產出正確結果，可能導致使用者對整套系統的失望。
• 隱私與合規：通過 MCP 傳輸的資料可能涉及企業敏感資訊，跨域呼叫時需符合 GDPR、HIPAA 等法規，目前 MCP 協議對此無內建成熟方案，需上層實現。

誤讀糾偏

• 誤讀：“MCP Server 就是加上了描述的 API 包裝。”
  糾偏：MCP 不僅附加描述，更定義了動態發現、安全確認與人類在環互動模型。傳統 API 需要開發者提前硬編碼呼叫邏輯和認證方式；MCP Server 則讓 AI 在執行時自行理解工具功能、組合呼叫，並通過 Host 彈窗請求使用者批准，形成“AI 提議—人確認—執行”的安全閉環。其資源原語還支援結構化資料的拉取與流式讀取，遠超出簡單 API 呼叫的範疇。

• 誤讀：“所有 AI 工具呼叫都應該走 MCP，統一一切。”
  糾偏：MCP 適用於需要動態組合、跨模型互操作的橫向整合場景。對於高耦合、效能敏感或安全要求極深的內部函式呼叫，直接使用原生函式呼叫或架構內建能力反而更優。MCP 定位為跨系統整合匯流排，並非要替代所有內部介面。

• 誤讀：“MCP 只適用於 Claude，與其他模型無關。”
  糾偏：MCP 設計為模型無關的開放協議，任何支援 function calling 並實現 MCP Host 架構的模型均可使用。目前 Claude Desktop 原生支援，但社群已有適配 GPT、Gemini 的開源 Host 實現，多模型支援是明確方向。

最新事件

• 2024年11月：Anthropic 正式釋出 Model Context Protocol 初始版本，並開源協議規範與多種 SDK（TypeScript, Python），同步上線一批示例 Server（檔案系統、Google Drive、Slack 等）。
• 2024年12月‑2025年1月：開源社群快速響應，GitHub 上湧現大量自制 MCP Server，覆蓋資料庫（Postgres、SQLite）、搜尋（Brave Search、Tavily）、開發工具（GitHub、GitLab）、生產力（Todoist）等領域。
• 2025年2月：Cursor 宣佈支援 MCP，開發者可在 IDE 中連線任意 MCP Server 拓展助手能力。Continue、Zed 等 IDE 相繼整合。
• 2025年3月：LangChain 釋出 MCP Adapter，允許在 LangChain Agent 中直接使用 MCP Tools；Anthropic 更新 MCP 規範，新增 sampling 和 elicitation 特性，增強人機互動與模型輔助決策。
• 2025年4月‑5月：多家初創公司推出 MCP 託管平台（如 Smithery、Mintlify 的 MCP 託管），提供一鍵部署、監控與團隊管理功能。公開報道稱多家 Fortune 500 公司內部試點 MCP 連線企業系統（具體公司名稱未揭露）。
  （以上事件時間與細節均來自公開部落格、官方倉庫 Changelog 和科技媒體報道，未引用付費報告。）

追蹤指標

（以下指標可用於追蹤 MCP Server 生態發展狀況，部分資料需依賴第三方平台統計。）

• GitHub 指標：modelcontextprotocol 組織 Star 數、fork 數；帶 mcp-server 標籤的倉庫數量與活躍度。可通過 GitHub API 或趨勢頁面觀察。
• 包管理器下載量：npm 上 @modelcontextprotocol/sdk、PyPI 上 mcp 包的周下載量，反映開發者整合規模。
• 客戶端支援數量：宣佈原生支援 MCP 的桌面應用、IDE、架構的數量及更新頻率。
• 企業採用案例：公開揭露的試點或部署企業數量，可通過科技媒體、廠商新聞稿追蹤。
• 安全事件：公開報告的 MCP Server 相關漏洞或攻擊事件，反映生態安全成熟度。
• 協議演進：MCP 規範版本的釋出頻率與內容（官方 spec 倉庫 Changelog），衡量標準化程序。
• 會議與貢獻者活動：如 MCP 駭客松、社群貢獻者數量、相關技術會議議題數量。
• 競爭對手動態：OpenAI、Google 等對工具呼叫標準的更新或開放程度變化。

信源

• Model Context Protocol 官方規範與開源倉庫：https://github.com/modelcontextprotocol （Anthropic，2024年11月起持續更新）
• Anthropic 官方部落格，“Introducing the Model Context Protocol”，2024年11月25日
• MCP SDK 文件與示例：TypeScript SDK（https://github.com/modelcontextprotocol/typescript-sdk），Python SDK（https://github.com/modelcontextprotocol/python-sdk）
• GitHub Octoverse 2024 報告，開發者數量資料
• MarketsandMarkets，“AI Agents Market – Global Forecast to 2030”，2024年（引用市場規模與CAGR）
• Gartner，“Integration Platform as a Service (iPaaS) Market”，2023年資料（市場體量）
• Cursor 官方部落格，MCP 支援公告，2025年2月
• LangChain 部落格，“Introducing the MCP Adapter”，2025年3月
• 各 IDE 整合公告：Continue、Zed 等官方文件
• 公開科技媒體報道（TechCrunch、VentureBeat、The Verge 等）中對 MCP 生態的報道，2024‑2025年

注：本概念頁未引用任何付費研究報告或非公開資料，所有數字均標註來源與年份，無法確認的內容明確標註“公開資料未見”。