從 Anthropic 在 2024 年 11 月發布的一份開源規範，到 2025 年底被捐贈至 Linux Foundation 旗下的 Agentic AI Foundation，Model Context Protocol（MCP）僅用一年多時間便走完了多數技術標準需要十年才能完成的旅程。當 OpenAI、Google DeepMind、Microsoft 和 AWS 齊聚同一張桌子，我們見證的不僅是一個協議的崛起，更是 AI Agent 時代基礎設施層的歷史性奠基。
在 MCP 出現之前，每一個 AI 應用要連接每一個數據源，都需要一套獨立的整合方案。假設市場上有 100 個 AI 模型和 200 個企業工具，理論上需要 20,000 個獨立的連接器。這就是所謂的「N×M 問題」——一個隨生態系統擴張而呈指數級惡化的整合噩夢。
開發者深知這種痛苦。要讓一個 AI Agent 同時讀取 Slack 訊息、查詢 Salesforce 客戶資料、操作 GitHub 代碼倉庫，傳統做法是為每個平台編寫專用的 API 適配層。這些適配層互不兼容，維護成本高昂，且一旦任何一方更新 API 版本，整個鏈條就可能斷裂。
Anthropic 在 2024 年 11 月推出 MCP 時，提出了一個優雅的解決方案：與其讓每個模型直接對接每個工具，不如建立一個統一的中間協議層。MCP 定義了 AI 模型（Host）如何透過標準化的客戶端-伺服器架構，與外部數據源和工具（Server）進行溝通。這將 N×M 的複雜度降維為 N+M——每個模型只需實現一次 MCP 客戶端，每個工具只需提供一個 MCP 伺服器。
「MCP 之於 AI Agent，正如 USB 之於電腦外設。在 USB 出現之前，每種設備都有自己專屬的接口——打印機用並口、鍵盤用 PS/2、相機用 FireWire。USB 的天才之處不在於它的技術多麼先進，而在於它足夠簡單、足夠通用，讓所有人都願意採用。」
技術標準的採納通常是一個漫長而充滿政治角力的過程。HTML 花了近十年才真正統一瀏覽器實現；OAuth 2.0 從起草到廣泛採用歷時超過五年；即便是 OpenAPI（Swagger），也經過了多年的迭代才成為 REST API 的事實標準。MCP 的採納速度打破了所有這些先例。
2025 年 3 月，OpenAI 宣布在其 Agent SDK 和 ChatGPT Desktop 中整合 MCP 支持，這是第一個重大的跨公司採納信號。僅一個月後，Google DeepMind 在 2025 年 4 月跟進，將 MCP 整合至其 Agent 開發框架。Microsoft 也迅速行動，在 Copilot 平台中加入 MCP 兼容層。
到了 2025 年中期，MCP 已不再是 Anthropic 的「自家標準」，而是事實上的行業共識。開發者社區的反應尤為熱烈——GitHub 上湧現了數百個 MCP 伺服器的開源實現，涵蓋從數據庫查詢到瀏覽器自動化的各種場景。
截至目前，MCP 的 Python 和 TypeScript SDK 合計月下載量已達到 9,700 萬次。這個數字的意義不僅在於規模本身，更在於它反映了開發者社區的真實投票。在技術世界裡，開發者用腳投票——他們不會因為行銷口號而採用一個工具，只有真正解決問題的方案才能獲得如此廣泛的採納。
相比之下，GraphQL 在推出後的前兩年內，npm 週下載量大約在數百萬級別。gRPC 的採納曲線更為平緩。MCP 的增長速度在開發者工具領域幾乎前所未有，這部分歸因於 AI Agent 開發浪潮的推動，部分則歸因於 N×M 痛點的普遍性。
2025 年 12 月，Anthropic 做出了一個對 MCP 長期發展至關重要的決定：將整個協議規範、SDK 和商標捐贈給新成立的 Agentic AI Foundation（AAIF），這是 Linux Foundation 旗下專注於 AI Agent 互操作性的新基金會。
AAIF 的創始成員陣容堪稱豪華：Anthropic 和 OpenAI 作為共同創始人，Block（前 Square）提供支付生態系統的實踐經驗，AWS、Google、Microsoft、Cloudflare 和 Bloomberg 作為核心成員。這種治理結構確保了沒有任何單一公司能夠控制協議的演進方向。
這一決定的戰略意義不容低估。技術歷史反覆證明，由單一公司控制的標準最終要麼分裂（如 Android 的碎片化早期），要麼被競爭對手聯合抵制（如 Flash）。將 MCP 捐贈給中立基金會，Anthropic 犧牲了短期控制權，換取了長期的生態系統穩定性和行業信任。
「開放標準的悖論在於：你放手得越徹底，它反而發展得越強大。TCP/IP、HTTP、Linux 都是如此——沒有一個因為其創建者的慷慨而衰落，反而因為開放治理而成為不可撼動的基礎設施。」
MCP 的 2025 年 11 月規範更新標誌著它從「實驗性開發者工具」向「企業級生產標準」的關鍵轉型。四項核心改進直接回應了大規模部署中暴露的問題。
早期版本的 MCP 主要支持同步的請求-回應模式，這在 Agent 需要執行長時間運行任務（如數據分析、代碼編譯、大型文件處理）時成為瓶頸。新的異步操作支持允許 Agent 發起一個任務後繼續處理其他工作，在任務完成時收到通知。這對於多工具協同的複雜工作流程至關重要。
無狀態模式的引入大幅簡化了伺服器端的部署和擴展。在無狀態模式下，每個 MCP 請求都是自包含的，伺服器不需要維護會話狀態。這意味著 MCP 伺服器可以像普通的 REST API 一樣進行水平擴展和負載均衡，這對於企業級部署是一個根本性的改進。
安全性一直是企業採用新技術時的首要考量。伺服器身份驗證機制確保 AI Agent 能夠驗證它所連接的 MCP 伺服器確實是它聲稱的那個。這有效防止了中間人攻擊和惡意伺服器偽造，為金融、醫療等高度監管行業的採用掃清了一個關鍵障礙。
社區註冊表的建立為 MCP 生態系統提供了一個中心化的發現機制。開發者可以發布和搜索 MCP 伺服器，類似於 npm 之於 Node.js 包或 Docker Hub 之於容器鏡像。這大大降低了找到和使用合適工具的門檻。
儘管 MCP 的採納速度令人矚目，但它遠非完美。三個核心挑戰仍然懸而未決，它們的解決方式將深刻影響 MCP 的長期軌跡。
當一個 MCP 客戶端連接到多個伺服器時，AI Agent 可能面對數十甚至數百個可用工具。這造成了「選擇悖論」——模型在過多工具中反而難以做出最優選擇。更嚴重的是，過多的工具描述會消耗大量上下文窗口空間，排擠了真正的任務內容。
目前社區正在探索多種緩解方案：工具分組（Tool Namespacing）、按需加載（Lazy Loading）、以及基於任務語義的智能路由（Semantic Routing）。但這些方案都還在早期階段，缺乏統一的最佳實踐。
即便是擁有 200K token 上下文窗口的最新模型，在同時處理多個 MCP 工具的輸入輸出時也可能捉襟見肘。一個複雜的多步驟工作流程——例如從 CRM 查詢客戶數據、在知識庫搜索相關文檔、起草回覆郵件、更新任務管理系統——可能在幾輪交互後就耗盡上下文。壓縮中間結果和智能記憶管理成為亟需解決的問題。
AAIF 的成立雖然在形式上建立了開放治理結構，但真正的考驗在於利益相關者之間出現分歧時如何決策。當 OpenAI 希望 MCP 往一個方向發展，而 Google 希望往另一個方向發展時，誰來仲裁？Linux Foundation 的經驗表明，開放治理的成功取決於清晰的決策流程和技術領導力（Technical Steering Committee），而非僅僅是品牌背書。
Gartner 預測，到 2026 年底，40% 的企業應用將包含任務特定的 AI Agent。這個預測的基礎正是 MCP 這類標準化協議的存在。沒有統一的工具整合標準，AI Agent 的部署成本和複雜度會讓大多數企業望而卻步。
MCP 的普及正在催生一個全新的生態層——「Agent 中間件」（Agent Middleware）。就像 Web 時代催生了 CDN、API Gateway、身份驗證服務等中間件一樣，Agent 時代也在催生工具編排、Agent 監控、安全審計等新型服務。這些中間件的市場規模可能在數年內達到數十億美元。
更深層的影響在於企業架構的範式轉移。在 MCP 之前，企業的 AI 策略通常是「選擇一個模型供應商，深度整合」。MCP 使得「模型無關」（Model-Agnostic）的架構成為可能——企業可以根據不同任務的特性選擇最合適的模型，而不必為每次切換重建整合層。這種靈活性對於避免供應商鎖定具有巨大的戰略價值。
MCP 的崛起為香港的科技生態帶來了獨特的機遇和挑戰。
香港作為亞洲金融中心，擁有大量成熟的企業 IT 系統——彭博終端、路透 Eikon、SAP、Oracle 等。MCP 的標準化意味著這些系統可以更快速、更低成本地與 AI Agent 整合。例如，一家資產管理公司可以部署一個同時連接市場數據源、風控系統和客戶報告工具的 AI Agent，而無需為每個系統編寫專用的整合代碼。
MCP 的開源特性為香港開發者提供了直接參與全球標準制定的渠道。社區註冊表中目前還缺乏針對亞太市場特殊需求的 MCP 伺服器——例如整合香港金管局 API、支持繁體中文文檔處理、連接本地支付系統（八達通、FPS）等。這些都是香港開發者可以填補的空白。
MCP 的廣泛採用也引發了數據主權問題。當 AI Agent 透過 MCP 連接多個跨境數據源時，如何確保符合香港《個人資料（私隱）條例》的跨境數據傳輸規定？企業在部署 MCP 時需要仔細評估數據流向，確保 MCP 伺服器的部署位置和數據處理方式符合本地法規要求。
隨著 MCP 成為行業標準，掌握 MCP 開發技能的工程師將成為市場上的稀缺資源。香港的大學和培訓機構應考慮將 MCP 納入 AI 課程體系，培養能夠設計和部署 MCP 伺服器的實戰型人才。這不僅是技術培訓的問題，更涉及對 Agent 架構模式、安全最佳實踐和分散式系統設計的深入理解。