KeyFrame內部研究專用

I Gave My Own .NET App an MCP - Now My AI Runs It 🤯

Patrick God7 min英文
觀看原始影片

三句話摘要

MCP(Model Context Protocol)讓 AI 從被動解釋轉變為主動操作工具的標準協議。 未來不是會說你工具的 AI,而是在你掌控下實際使用工具的 AI。 MCP 的本質:就像 USB 之於裝置,MCP 是 AI 與工具間的通用連接標準,讓 AI 能讀取、寫入並在工具中執行動作,而非僅通過文字描述。

重點整理

  1. MCP 的本質:就像 USB 之於裝置,MCP 是 AI 與工具間的通用連接標準,讓 AI 能讀取、寫入並在工具中執行動作,而非僅通過文字描述。

  2. 使用方式轉變:傳統需開啟應用手動輸入資訊,現在只需用自然語言敘述目標(「建立 dev ticket 關於上傳影片」),AI 透過 MCP 自動完成,跨越了應用切換與複製貼上的繁瑣工作。

  3. 應用範例與侷限:在 Stackbody 中,AI 可建立工單、排程新文章;但因 Substack 無公開 API,仍需透過 Chrome 擴充才能推送,說明 MCP 仍受工具本身支援程度限制。

  4. 風險與責任:AI 能快速精確執行,但也能快速犯錯,使用者必須保持警覺驗證結果,使用者才是真正的操縱者,AI 僅是執行層工具。

實用技巧與重點

  • 工具/平台:Stackbody(bug tracker)、Substack、Chrome 擴充、Claude Code
  • 具體操作:
  • 建立 dev ticket:無需開啟應用,直接透過 MCP 建立工單(票號 16,標題「支援上傳影片到節點」,狀態開啟,優先級正常)
  • 排程內容:AI 自動將新節點排入下一個開放時段,並依使用者原有風格生成內容
  • 檢查重複:建立前自動檢查現有工單避免重複
  • Token 成本:36K tokens(建立工單)、41K tokens(排程內容)
  • 內容風格特性:短句、無標題、無粗體、無 emoji、無破折號
  • 限制:Substack 無公開 API,需透過 Chrome 擴充推送

結論

未來不是會說你工具的 AI,而是在你掌控下實際使用工具的 AI。

完整解析

Patrick 是擁有近 30 年編程經驗的開發者,過去以應用介面作為工具的唯一入口。這次他透過 MCP(Model Context Protocol)演示了 AI 如何跳過應用介面,直接在後端系統執行真實動作。

MCP 的核心概念就像 USB 標準化了裝置連接——它提供統一協議讓任何 AI 都能操作任何支援的工具。傳統 AI 只能回答「怎麼做」,MCP 讓它能實際「去做」。這個轉變的關鍵在於工具必須透過 MCP 向外公開其能力。

在 Stackbody 示例中,Patrick 在終端機簡單敘述「建立 dev ticket 關於上傳影片到節點」,無需開啟應用介面。AI 自動載入工單建立工具,檢查現有工單避免重複,隨後建立票號 16,包含完整標題、描述、優先級。整個過程消耗 36K tokens,用戶可在狀態列看到實時成本。重新載入 Stackbody 時,新工單已出現在系統中。

進一步演示中,Patrick 要求 AI 排程一篇關於 MCP 價值的新文章。AI 自動判斷時間、撰寫內容,並根據 Stackbody 已學習的使用者聲音風格(短句、無標題、無裝飾符號)生成文本。新節點被排入下一開放時段,總共使用 41K tokens。這展示了 MCP 不僅服務開發者,也能增強一般使用者的生產力。

然而,Patrick 強調一個關鍵點:AI 能快速精確執行,也能快速大規模犯錯。使用者的責任不在於巧妙的提示詞設計,而在於驗證 AI 執行結果的正確性。他將自己定位為真正的操縱者,AI 則是忠實執行指令的副駕駛。基於這個理念,他在 Blazor AI Accelerator 課程中教授如何在可理解的基礎上為自有應用構建 MCP,讓開發者能安心賦能 AI。

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。