KeyFrame內部研究專用

MCP vs API: Why traditional APIs are failing AI agents

Google Cloud Tech·7月1日週三·12 min英文

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

重點
  • 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

乾貨
  • 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

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

詳細

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。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。