KeyFrame內部研究專用

MCP Apps: Give the Model Data, Give the User a UI — Dustin Mihalik, Indeed

AI Engineer英文
觀看原始影片

三句話摘要

在構建 MCP Apps 時,應優先考慮模型能看到的數據結構而非 UI 設計,透過分離數據查詢與 UI 渲染來改善模型與用戶的互動體驗。 優秀 MCP Apps 的設計應從「模型需要看到什麼數據」開始,而非從「UI 長什麼樣」開始,並透過分離查詢與渲染、使用小型可組合工具,給模型最大探索自由。 避免黑盒問題:若只在 UI 顯示數據而不提供結構化內容給模型,模型無法理解用戶在看什麼,導致大量冗餘提問(「告訴我第一個結果」「排序這份清單」)。必須同時返回 JSON 結構化內容和資源 URI,並在 API 變更時同步更新兩者。

重點整理

  1. 避免黑盒問題:若只在 UI 顯示數據而不提供結構化內容給模型,模型無法理解用戶在看什麼,導致大量冗餘提問(「告訴我第一個結果」「排序這份清單」)。必須同時返回 JSON 結構化內容和資源 URI,並在 API 變更時同步更新兩者。

  2. 工具描述的關鍵作用:通過更新工具描述明確表示「結果已自動作為 UI 元件顯示」,模型會理解無需重複描述,交互變得更清潔。用 updateModelContext 方法將用戶點擊詳情、切換項目等操作傳回模型,使其能追蹤用戶當前瀏覽的內容。

  3. 分離數據與渲染是核心原則(引自 OpenAI 文檔):創建標準的數據查詢工具(如 search_jobs)讓模型自由呼叫多次,再用專門的渲染工具(如 render_jobs)顯示最終結果。這樣模型會執行 10-15 次搜尋並篩選,而非被 UI 限制為單次呼叫。

  4. 小型可組合工具優於大型工具:不是一個「搜尋」工具,而是多個搜尋策略(按職位名稱、按公司、按位置)加上一或兩個渲染工具,保持工具描述簡潔,給模型最大探索彈性。

實用技巧與重點

  • MCP Apps 常見應用:職位搜尋、電商商品、地圖地址
  • 技術架構核心:
  • 返回結構化內容 + 資源 URI(兩者同步)
  • updateModelContext 傳遞用戶互動信息(購物車內容、打開的職位詳情)
  • 搜尋工具(返回 ID 清單,無 UI)+ 渲染工具(接收 ID,生成 UI)
  • 職位搜尋案例對比:
  • 舊做法:呼叫既有 API 返回 HTML → 模型看不到數據 → 大量後續提問
  • 新做法:search_jobs(返回職位 ID)+ render_jobs(接收 ID 清單渲染) → 模型執行多次查詢篩選 → 只渲染精選結果
  • 模型行為特性:看到 UI 已顯示會停止深度挖掘;無法看到 API 返回內容會反覆提問;無法追蹤用戶在 UI 中的操作

結論

優秀 MCP Apps 的設計應從「模型需要看到什麼數據」開始,而非從「UI 長什麼樣」開始,並透過分離查詢與渲染、使用小型可組合工具,給模型最大探索自由。

完整解析

Indeed 工程師 Dustin Macholic 分享了三年構建 MCP Apps 的實踐經驗。他首先說明 MCP Apps 相比純文字的優勢——可透過 UI 元件(應用按鈕、詳情彈窗、連結)控制數據呈現,既提升用戶體驗又保留用戶在聊天環境內。然而,簡單地把現有網站嵌入聊天界面並不足夠。

最關鍵的洞察是「黑盒效應」問題。若工具只在 UI 顯示數據而不提供結構化內容給模型,模型就無法理解用戶在看什麼。Macholic 舉例:用戶搜尋「奧斯汀的咖啡師職位」看到五個結果,點擊其中一個查看完整職位描述,但模型實際上不知道發生了什麼。用戶接著要求「為這個職位寫求職信」,模型卻一無所知,只能反覆提問。解決方案是必須同時返回結構化 JSON 資料和 HTML 資源 URI,兩者必須保持同步——每當 API 新增欄位,UI 與數據定義都要更新。

第二層優化是工具描述的力量。模型會根據工具描述判斷是否需要進一步操作。如果描述中明確說「結果將自動在 UI 顯示」,模型就會避免重複用文字描述已顯示的內容。同時需要用 updateModelContext 方法將每一個用戶互動(點擊按鈕、選擇項目、新增購物車)作為新的上下文信息傳回模型。

最核心的原則是「分離數據處理與 UI 渲染」(引自 OpenAI 文檔)。傳統做法把查詢和渲染混在一起,模型看到 UI 已顯示就停止深度探索。正確做法是創建兩類工具:純數據查詢工具(search_jobs)返回職位 ID 清單,允許模型執行多次跨城市搜尋、按薪資排序、按產業篩選;專門的渲染工具(render_jobs)接收模型選定的職位 ID,生成精美 UI。這樣模型會執行十多次查詢,最後精心挑選五個最佳職位渲染給用戶。

Macholic 進一步建議用小型可組合工具代替大型工具。不是單一的「搜尋工具」,而是多個搜尋策略(按標題、按公司、按位置)配合一至兩個渲染工具。工具描述保持簡潔,模型擁有更多策略選擇,最終能創造更好的用戶體驗。

4 min
AI 技術中文11月21日

Make.com Automation for Beginners: Your First Automation in 10 Minutes

AI Workflow Lab看原片 ↗
  • Make 的核心是「情景」(Scenario) 概念,由多個模組組成,每個模組執行一個應用程式的單一工作。當第一個應用程式中發生事件時,Make 自動將資料傳遞到下一個應用程式,就像一個從不睡眠也不遺忘的數位助手。
  • 映射 (Mapping) 是自動化的核心。使用者需要明確告訴 Make 每筆資料應該放在哪裡,確保表單欄位正確對應到試算表的列,以及郵件內容能夠動態插入客戶資訊。
編輯精選
企業管理英文11月21日

What Anthropic's $900 Billion Bet Means for You

Nate Herk看原片 ↗
  • 訂閱用戶成為上市公司的收益基礎:4000 萬名小客戶(含 Claude Pro、Max、Ultra 或 API 用戶)合計貢獻 25% 的收入,形成 Wall Street 下注的對象。用戶每次訂閱續約都直接影響 Anthropic 股價,
  • 循環融資制造生態系統性風險:Amazon、Google、Broadcom 與 Nvidia 等公司既是投資者、又是運算服務提供商,同時採購 Anthropic 服務,形成相互依賴的閉環。若任一環節需求放緩,所有參與者將同時受創,系統風險無法
編輯精選
AI 技術英文11月20日

6 Lessons I Learned From Installing AI in a $10M Business

Liam Ottley看原片 ↗
  • AI 負責前 80% 工作,人的品味決定最後 20% — 系統一開始生成的提案很基礎,直到 Isaac 的設計師介入決定風格、選擇產品後,品質才大幅提升。需要將品味優秀的員工的規則和案例提供給 AI,讓初版更接近他們的標準。
  • 聚焦單一瓶頸,不要全面改造 — 分析發現提案環節是最大痛點:每月 15-20 張圖、每張 10 小時、成本 $500-1000、9 成無結果。選擇同時改善速度、成本、品質的用例,才是 AI 真正發揮價值的地方。