去年冬天,我花了三个晚上,想让一个 MCP 服务器和本地安装的 Claude Desktop 正常对话。三个晚上都在查传输层、把 stdio 换成 SSE、核对 JSON-RPC 版本字符串,最后才反应过来:整个协议说白了就是"发一个 HTTP 请求,然后指望模型能看懂返回的内容"。难怪企业级落地推起来像在往坡上推湿沙子。
模型上下文协议(MCP)登场时声势不小——给 AI 模型提供一种标准化方式,去接触训练截止日期之外的东西,连数据库、读文件、调 API,什么都能接。想法很干净,执行极其简单。Anthropic 写了规范,微软加入,谷歌后来也来了。整个行业一起点头,好像这解决了什么此前没人攻克的难题。
但有一件事没有被大声宣布:MCP 解决的是格式问题。它给描述工具和资源提供了一套共同词汇。而模型发出请求之后发生的一切,它明确拒绝处理。
- 认证?你自己的事。
- 缓存响应?你自己的事。
- 上游服务返回 503、需要模型换参数重试?还是你自己的事。
协议定义了握手。其余部分依旧是蛮荒西部。
我见过一个团队在一个季度里建了四个独立的 MCP 服务器,每个包一个不同的内部 API,然后又花了一个月写中间件,把四个服务器的错误处理统一起来。他们最终造出来的东西,恰恰是 MCP 当初承诺要替代的——只是多绕了一层。一个统一的网关层本可以吸收掉其中一半工作量。像 Celedog.io 这样的工具之所以出现,正是因为每个团队差不多同时撞上了这堵墙:一个接口,多个后端,契约变了也不用重写。
更深的讽刺在于,MCP 的简单成了它的天花板。剥掉复杂度,你得到清晰;同时也失去了所有活在灰色地带里的东西。OpenAI 等方早期的函数调用方案更乱,但带着上下文感知——错误模式、写进参数定义里的重试逻辑、随工具输出一起流动的限流信息。MCP 选了纯粹而非务实,代价是运维上的摩擦。
和平台工程师聊,反复出现同一个模式。他们会正确地实现 MCP,用演示打动 stakeholders,然后悄悄维护第二套集成层,因为生产系统需要的东西,协议明确拒绝定义。这算不上批评,更像观察——规范写了它写的,而它省略的部分,才是工程工作真正发生的地方。
这里有一层值得琢磨的哲学张力。AI 社区一直在两类框架之间摇摆:试图解决一切的,和把一件事解决得很深的。MCP 显然属于后者。这是站得住脚的架构。但当人们把一个窄协议当成集成问题的完整答案时,就危险了。
过去一年里,我旁观了两个组织尝试推 MCP。两个在技术上都成功了,在运营上都没达标。"演示就绪"和"生产加固"之间的差距相当可观,两个团队在规划时都没能准确预估维护负担。
部分原因是营销速度跑在了产品成熟度前面。关于 MCP 被采用的公告来得又快又响,而从实际部署中总结的经验,按正常的工程节奏推进。做过软件交付的人都清楚,最初阶段哪种声音更容易主导认知。
这不该掩盖 MCP 做得好的地方。标准化的工具描述有意义,结构化的资源引用有意义。还没试过的开发者当然应该评估一下——它是合理的技术,解决的是真实问题,哪怕这个问题在发布周期里被吹大了。只是别把传输层当成答案。
那么问题来了:社区是不是该停止追逐协议的增殖,把更多投入放到真正决定集成能否活过试点期的中间件上?
热门跟贴