KeyFrame內部研究專用

MCP vs API: Why traditional APIs are failing AI agents

Google Cloud Tech12 min英文
觀看原始影片

三句話摘要

MCP(模型上下文協議)如何作為新標準,改變 AI 模型與工具整合的方式,取代傳統 API 需要手動提示與自訂程式碼的做法。 MCP 是標準化協議,讓 AI 模型自動理解與使用工具,從本質上改變了我們設計 AI 系統的方式——從手工客製化整合轉向模型原生的共享生態系統。 API 與 MCP 的根本差異在於客戶端角色與設計目標不同。API 設計給程式間通訊,假設雙方都清楚要面對什麼;MCP 設計給 AI 模型,提供結構化描述讓模型能自主發現工具可做什麼、期望什麼輸入、返回什麼輸出,而無需硬編碼指令或冗長提示詞。

重點整理

  1. API 與 MCP 的根本差異在於客戶端角色與設計目標不同。API 設計給程式間通訊,假設雙方都清楚要面對什麼;MCP 設計給 AI 模型,提供結構化描述讓模型能自主發現工具可做什麼、期望什麼輸入、返回什麼輸出,而無需硬編碼指令或冗長提示詞。

  2. MCP 透過標準化介面(JSON 模式、WebSocket、HTTP)運作,MCP 伺服器作為輕量級進程位於服務旁邊,模型透過標準介面連接並接收元資料,直接理解每個欄位含義與預期輸出類型,無需人工干預重新格式化或提示設計。

  3. MCP 並不取代 API,而是在其上層作為翻譯層。API 仍然決定系統如何運作,MCP 改變了模型存取 API 的方式,將現有 API 轉換為模型能自動理解的格式,使模型能進行推理與規劃。

  4. MCP 代表更大趨勢:從為人類與程式碼設計系統,轉向為 AI 模型設計原生軟體架構。模型吸收上下文訊息進行推理計劃,MCP 以標準化方式提供這種服務,讓模型成為軟體的一流用戶,實現 AI 工具的共享生態系統。

實用技巧與重點

  • MCP 伺服器位於服務或資料來源旁邊
  • 使用 JSON 模式描述功能
  • 標準化介面:WebSocket、HTTP
  • 相容模型:Claude、GPT、Gemini
  • 傳統方式需要為每個整合編寫自訂程式碼、處理分頁、身份驗證令牌、錯誤情況、速率限制
  • MCP 方式無需這些操作,模型自動發現工具
  • 主要挑戰:生態系統推廣應用、安全與權限管控(防止模型誤發送電子郵件、刪除檔案、資料庫變更)、開發者思維轉變(從端點思維轉向能力思維)
  • MCP 規範定義了功能、範圍、身份驗證方法以確保安全

結論

MCP 是標準化協議,讓 AI 模型自動理解與使用工具,從本質上改變了我們設計 AI 系統的方式——從手工客製化整合轉向模型原生的共享生態系統。

完整解析

多年來 API 一直是系統間通用的握手方式,但當大型語言模型出現時一切改變。模型需要與多個端點通訊、連接工具、解釋非結構化資料、提出後續問題,這意味著它們不僅需要工具,更需要背景資訊。然而 API 設計給程式間通訊,並非為處理混亂的現實世界資料而建構。API 像一個上鎖的櫃子,需要精確知道開哪個抽屜與鑰匙形狀;但模型試圖理解櫃子裡裝什麼,卻沒有清晰標籤,導致開發者必須硬編碼指令或一遍遍解釋,這正是 MCP 的用武之地。

MCP 設計目的是讓模型能自主發現與使用工具,無需不斷人工干預。與 API 不同,API 公開特定端點接受結構化請求傳回可預測輸出,假設雙方都清楚將面對什麼;MCP 顛覆此假設,透過上下文為模型提供標準化方法去發現工具功能、期望輸入與輸出。可想像為給模型一張即時機器可讀的 API 地圖,而非靜態使用說明書。以管理支援工單的 AI 代理為例,使用 API 需為 Gmail、Notion、Jira 各編寫自訂程式碼處理分頁認証令牌錯誤情況速率限制,並透過冗長提示訓練模型;但使用 MCP 則無需這些操作,每個服務公開 MCP 相容介面,模型能自動發現工具並理解功能,無需告訴它該做什麼。

MCP 伺服器是輕量級進程,使用 JSON 模式描述可做什麼與公開功能,模型透過 WebSocket 或 HTTP 等標準介面連接並接收元資料,直接呼叫函數而無需猜測。妙處在於一切無需贅述,無需對模式進行提示設計或重新格式化回應,一切皆標準化。相比之下每次 API 整合都客製化,需開發者閱讀文件映射有效載荷手動封裝端點。MCP 不取代 API,反而位於其上層作翻譯層,將現有 API 轉換為模型能自動理解的格式。這代表更大趨勢轉變:從為人類與程式碼設計系統,轉向為模型設計原生軟體架構,使模型能進行推理計劃行動。如同 HTTP 協定統一網際網路、讓各服務互通一樣,MCP 對 AI 代理做同樣的事,提供單一開放協議任何模型都能理解,而非讓每家公司發明自己的插件格式,最終建立 AI 工具的共享生態系統。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。