MCP：Agentic AI 中间层最优解，AI 应用的标准化革命

Insight 01

MCP 已经显著垄断了 Agentic AI 的中间层

去年 11 月，Anthropic 开源了 Model Context Protocol，即 MCP。MCP 是一种开放协议，允许系统向 AI 模型提供上下文信息，并且可以在不同的集成场景中通用化。MCP 定义了 AI 模型如何调用外部工具、获取数据以及与各种服务交互。

Anthropic 官方把 MCP 比喻为 AI 应用的 USB-C 端口，它可以提供统一的连接方式。没有 MCP 的时候，开发者需要为每个数据源创建自定义的整合方式和 API，既耗时，又不 scalable，而 MCP 允许 AI 应用通过统一协议访问文件系统、数据库等，简化了整合过程，LLM 的使用体验也会更好。 

从发布至今的一个季度时间里，MCP 的使用增长速度几乎是所有开源框架里增长最快的，2025 开年以来，MCP 显著垄断了 AI Apps & Agents 和 Tools & Data Sources 之间的中间层。

Insight 02

MCP 生态已经出现

MCP 不仅在开发者群体的渗透率增长极快，而且围绕 MCP 已经开始出现“生态”。

下图是 a16z 对 MCP 市场的梳理，可以对“MCP 生态”有更加直观的感受。首先， MCP Clients 和 MCP Servers 已经相当丰富，而围绕 MCP，也出现了专门的 Marketplace、Infra 等产品。

a16z MCP Market Map

MCP 中的核心概念

MCP 中有两个核心概念，分别是客户端 MCP Client 和服务器 MCP Server。MCP Client 从 MCP Server 得到所有工具（tools 或者 function calls）的列表和描述，LLM 根据具体描述决定应该使用哪个工具或 Context。总的来说：

• 对于 AI 应用开发者而言，有了 MCP 后，产品可以无缝连接到任何 MCP Server，获得 Context；

• 对于 tool / API 开发者而言，只要搭一个 MCP Server，就能自然获得开发者的使用；

• 对于企业而言，可以把数据和工具由不同的团队封装成 MCP，使得数据库能成为与 Agent 交互的接口。

因此，开源社区和各个 startup 都会有动力去开发各自的 MCP Server，来让 AI 应用更好使用。

• 客户端 MCP Client：

MCP Client 指的是 LLM-native 产品或者 Agent，比如 Claude Desktop 产品、IDE 产品，未来任何想通过 MCP 协议调取数据的 AI 产品都是一个 MCP Client，都可以通过 MCP 协议访问数据。借助合适的 MCP Server，用户可以将每个 MCP Client 变成一个“万能应用”。

以 Cursor 为例，虽然 Cursor 是一个代码编辑器，但也是一个功能完善的 MCP Client。终端用户可以通过 Slack MCP Server 将 Cursor 变成 Slack 客户端，也可以通过 Resend MCP Server 让 Cursor 实现发送邮件功能，或者通过 Replicate MCP Server 让 Cursor 实现生成图像功能。

更强大的是，一个 Client 可以和多个 MCP Server 连接，每个 Server 可以获得互联网资源，也可以连接本地资源。例如，在 Cursor 的使用上，用户可以安装一个 Server 实现生成前端 UI 的功能，同时让 AI Agent 调用可以图像生成的 MCP Server，为网站生成视觉图片。

目前大多数高质量的 MCP Client 都以编程为中心，因为开发者通常是新技术的早期采用者。而对于非技术用户来说，将 Claude Desktop 作为 MCP Client，是一个可行的切入点。随着 MCP 的成熟，预计会看到更多面向业务的 MCP Client 出现。

• 服务器 MCP Server

MCP Server 指的是可以让 LLM 理解 Context Layer 的转换接口，是轻量级 Context 连接软件，如文件系统访问或数据库查询。MCP Server 可以看作是开放版本的 GPTs（GPTs 非常封闭，只能在 ChatGPT 的 App 里开发）。一个 Server 可以有多个功能，类似 function call 或者 tool use，LLM 会自行理解并调用需要的能力。目前头部数据库公司、Coding 公司和创业公司，基本都有自己的 Server。

如下图所示，其中 description 部分是 MCP Server 开发者写的详细描述，比一般开发者快速写的会效果更好。同时， MCP 也允许使用时可以再额外加入 prompt。

MCP 使用场景非常多元

从 Server 分布来看，MCP 的使用场景相当广泛，包括数据库、搜索、设计、支付、生产力工具等，其中最高频的是搜索和数据检索。

MCP 的开发模式是由社区推动的，随着 MCP 的普及，企业开始开发官方版本，最终 AI 工具可以在官方版本、社区版本和自定义实现之间进行选择。

目前 MCP 在 GitHub 提供的 154 个 MCP Servers 列表里，使用场景最多的是搜索和数据检索，可以实现网络搜索、爬取内容、语义检索、向量搜索等功能。

下图是一个用 MCP 自建 Deep Research 的典型案例：用户可以用 MCP 在 IDE 里面搭建自己想要用的产品形态，比如将 Deep Research 集成到 AI 代码编辑器中。用户只需添加全新的 Firecrawl MCP 与 Deep Research，它就能自主探索网页，为代码项目提取最新的研究成果。

去年 12 月，Anthropic 举办了 MCP Hackathon，邀请了 100 多位开发者在 3 小时内构建应用。从最终结果来看，我们可以感受到：（1）MCP 的使用场景非常多元，甚至跳开了 AI 应用原先比较集中生产力的场景；（2）开发者希望通过 MCP 去实现 tool use 或者执行多步骤任务。

获奖成果具体包括：

• 获得趣味奖的 Santa Claude：是一个用于节日购物的 AI Agent，Claude 助手可在 NYT Wirecutter 上查找节日礼物推荐，并直接在 Amazon 购买；

• 获得效率提升奖的 Clauduct Manager：是一个 AI 产品经理，通过将 Claude 连接到 Linear，Agent 可自动编写产品需求文档（PRD）、创建任务，并按难度进行优先级排序；

• 获得特别奖的 Golden GateKeeper：是一个 AI 推荐清单，Claude 助手可以连接到 Google Maps 数据库，涵盖旧金山湾区 500+ 地点，并规划行程；

• 获得创意奖的 Run MCP：通过简单的 prompt，来动态赋予 Claude 新的工具，功能包括下载文件、运行 FFMPEG、生成 QR 码等。

Insight 03

MCP 会带来 “Agentic AI 领域的 Stripe”

MCP 不仅是 USB-C 端口，还是一个转接口，能把不同的数据类型和 AI 应用打通，把不同的 Context、tool 与 Agent 连接起来。

Anthropic 官方将 MCP 类比为 USB-C 端口，在这个定义下，也隐含着 Anthropic 把 MCP 定位于标准化接口的意思，这个标准化接口其实是定义在 MCP Server 和 LLM 之间的。

MCP Server 其实有两个接口：一个是和 LLM 之间的接口，另一个是和数据源之间的接口。现在相当于把数据转化的工作放在 MCP Server 上，转化过程可能是千差万别，不同的数据源可能没有办法统一，但是当 MCP Server 完成数据转化并传送到 LLM 的时候，这个接口就是一个统一的接口了。所以对于 Anthropic 来说，有了 MCP 后就有了一个统一的标准化接口。

数据转接的工作并不会因为 MCP 的出现而消失，MCP 是将这个工作量在各方之间进行了重新分配。

在 GPT 时代，OpenAI 之类的大模型供应商承担了这个工作，比如用户把 PDF 之类的数据上传，OpenAI 需要做数据转接的工作，但 OpenAI 做的效果并不好。在 Langchain 体系里，数据转接工作交给了 Cursor 之类的 AI 应用开发者，这些开发者花了很多时间做接口。

目前，MCP 的使用已经渗透到了非 Anthropic 生态的应用，MCP 相当于把转接解耦，使得存在一个中间层，独立开发者也可以去做转接头工作，如果转接头做的足够好，那 Cursor 等应用就可以直接使用。但现状是大部分独立开发者做的转接头都不够好，所以转接头还是需要 Cursor 之类的 AI 应用开发者来做。

围绕“统一接口”、“应用打通”这个角度来看，MCP 是否可以被类比为移动支付领域 Stripe？Stripe 的价值在于打通了各个银行的电子支付系统，并提供了一套集成的 API 方便企业“一键接入”这些支付系统。

我们认为，MCP 并不能和 Stripe 直接类比，但“Agentic AI 的 Stripe”是比 MCP 更靠近产品层的机会：MCP 可以类比为基础支付协议，Stripe 诞生的前提是基础支付协议，MCP 出现后，Agentic AI 领域的 Stripe 则可能会是创业公司的机会，是 Agent 领域的关键 infra。

Insight 04

MCP 能让 Context Layer 效果最大化

要让 AI Agent 真正发挥作用，需要三大核心元素：正确且丰富的 Context、完整的工具使用环境、和 Agent 持续迭代的记忆。

Anthropic 的官方博客中提到 MCP 的思路借鉴了 LSP（语言服务器协议），但 MCP 超越 LSP 之处在于它以 Agent 为中心的执行模式：LSP 主要是被动响应（根据用户输入，从 IDE 接收请求并作出回应），而 MCP 的目的是支持自主运行的 AI 工作流。基于 Context，AI Agent 可以自主决定使用哪些工具、以何种顺序调用，并如何串联起来完成任务。此外，MCP 还使人类能够提供额外数据并对执行过程进行审批。

我们在 2025 Best AI Ideas 中提到，Context Layer 是构建高质量 AI agent 的重要基建，而 MCP 的出现能够帮助 Context Layer 实现最好的效果。因为 Context Layer 通常需要开发者自己进行定义，和等待 LLM 供应商花时间优化 Context Layer 相比，MCP 作为开源协议是最能发挥社区的力量来加速这个过程的。

Tool use 的核心是 RL 环境，而 memory 目前还没看出标准化的趋势，可能是每个 Agent 开发者需要花最多精力进行个性化的地方。

Insight 05

MCP 是已有中间层的集大成者

MCP 出现之前，已经有很多公司推出过中间层产品：包括 OpenAI 推出的 Function Call、GPTs、Agent SDK，以及 LangChain，LlamaIndex 和 Composio。而 MCP 是一个集各家之长，而且更轻量、开放的底层协议，对这些产品冲击不小。

• OpenAI Function Call：Function Call 最早发布的时候，我们判断这是一个可以有生态属性、让 API 有差异化和用户粘性的设计。我们可以看到 OpenAI Function Call 的很多思路给了 MCP 启发，但 Anthropic 把 MCP 做成了更具生态价值的中间层，而不是只是一个 API feature。

• OpenAI GPTs ：其技术基础是最早的 ChatGPT Plugin，用 manifest file 来向 LLM 介绍工具，这个思路也在 MCP 中得到沿用。但 GPTs 太封闭，必须在 ChatGPT 的产品基础上开发。

• OpenAI Agent SDK：还不确定最后的使用率会如何，口碑比较好的地方基本上集中在 response API，同时有 completion 和调用的部分，和 MCP 其实是不一样的。

• LangChain / LlamaIndex 受 MCP 的冲击是最大的：LangChain 和 LlamaIndex 想做 Agent framework，Langchain 更侧重 tool use，LlamaIndex 更侧重 Context。但因为过于其偏高的抽象程度和复杂的 Agent 框架，很多 LLM 开发者不会长期 adopt 这两款框架，初步使用后转而自己开发。

• Composio 在 MCP 环境下的生态位还不错，Composio 预置了一些自认为比较高级而且好用的工具，直接架在所有 MCP 的环节上，如果 MCP 环境下有类似 Stripe 的机会的话，Composio 的生态位比较好，但这个领域才刚刚开始，还会有很多变化。

Insight 06

MCP 是 Agentic AI 的安卓，

但 Apple 还没出现

当开发者想让一个自己不能控制或者自己不能开发的 Agent 去获取某个数据源和工具的时候， MCP 是最好的选择。举个例子，当用户想让 Cursor 从 Slack 中获取数据，MCP 就是最好的选择，因为用户对 Cursor 和 Slack 其实都没有自己开发或控制的能力。

Langchain 和 OpenAI Agent SDK 很多时候是为了开发 Agent 的开发者用的。但是开发者总是会对关键功能的接口效果做非常精细的调试，比较难出现协议或框架的标准化机会。相比之下，MCP 比较开源且灵活，但使用效果的精细和效率可能不如 Agent SDK。

MCP 更适合作为一个开放式协议，即使是一个只使用工具而不开发工具的人，也可以通过 MCP 来获得 Context，这是 MCP 真正做的非常强大且火爆的原因。

如果从安卓 VS 苹果的角度来看，MCP 类似安卓，但目前还不确定 OpenAI Agent SDK 等的效果是否类似苹果。

Insight 07

MCP 生态下创业公司的三个主要机会

我们在前面提到，MCP 的生态属性还在于围绕 MCP 出现了特定的创业机会。例如，a16z 提到的 Marketplace，Server Generation&Cuiration，Server Hosting 和 Connection Management。

目前 MCP 仍处于早期阶段，仍有许多待解决的问题，比如，如果有可以支持大规模 MCP Server 部署和维护的精简工具链，MCP 的渗透率可以更高。

以及，目前大多数 MCP Server 都是本地优先，并专注于单一用户。这主要是由于 MCP 目前仅支持 SSE 和基于命令的连接方式，随着生态系统的发展，预计 MCP Server 的应用将会进一步扩大。

同时，新一波 MCP 市场和服务器托管解决方案正在涌现，开发者可以更容易发现、共享和贡献新的 MCP Server。且随着 MCP 的普及，基础设施和工具将在提升整个生态系统的可扩展性、可靠性和可访问性等方面发挥关键作用。

综上所述，我们认为，在 MCP 生态之下，创业公司的机会主要有三个，分别是：

• Agent OS

这个方向既是 Anthropic 的机会，也是今天所有大公司和创业公司的必争之地。现在大量 MCP Server 的这一层其实可以被统一抽象成一个 Agent OS，使得在这里获得的 Context 和 tool use 能以更自然的形式进行分发和交互。

• MCP Infra

MCP Infra 最核心的目标是让 MCP 更可靠、更 production ready，关键是让 MCP 更 scalable。

今天的 MCP 其实并不好放到 Server 上做分布式计算，很多时候还是比较适合 offline 部署。要实现这点，需要把 MCP 设计变成一个无状态协议（Stateless protocol）。

其他可以让 MCP 更 scalable 的做法还有：

1. 支持托管与多租户，支持多用户共享服务器，同时满足企业自建需求，实现数据与控制层隔离，

2. 当前缺乏统一的远程认证方式，改进认证可促进 MCP 的广泛应用，

3. 目前仅支持会话级访问控制，未来可以细化权限管理，

4. 统一网关可增强身份认证、授权、流量管理和工具选择，提升多租户环境的安全性，

5. 目前 MCP Server 配置仍依赖手动操作，未来可以进一步优化集成体验，

6. 目前 MCP 缺乏内置工作流管理，需要简化开发流程，

7. 实现标准化客户端体验，统一工具选择、调用方式及用户交互，

8. 目前 MCP Server 兼容性差，可以改进调试工具来简化开发与部署。

• MCP Marketplace

如今 MCP Server 已经增长到 2000+，开发质量也会有参差。怎么让 Agent 根据相应速度、成本和相关性等因素选到更好的产品，可能需要一个类似 App store 那样的双边平台。

例如，Cline 是一款开源的 VSCode 插件，具有 AI Coding 功能。Cline 在 2 月发布了 Cline's MCP Marketplace，定位于 MCP Server 集合，目的是简化发现和安装的过程。

在这个 MCP Marketplace 中，用户可以：

1. 浏览官方及社区创建的 MCP Server；

2. 按名称、类别、标签等进行搜索；

3. 一键安装 MCP Server，Cline 会自动完成配置等工作。