OpenAI宣佈Agent支援MCP協議，正式解鎖無限工具調動能力

今天凌晨兩點OpenAI對其Agent軟體開發工具包（SDK）進行了一次重要的更新，正式支援名為「模型上下文協議」（Model Context Protocol，簡稱MCP）的服務。這項更新被視為一個重大進展，能夠透過統一的介面標準，讓Agent得以整合各式各樣的工具，如同解鎖了無限的可能性。

現在，開發者可以更快速地將網路搜尋、專業分析、本地查詢、網路追蹤等功能整合到Agent中，這對於開發極為複雜的自動化Agent來說，將帶來巨大的幫助。

舉例來說，當開發一個需要同時處理檔案、查詢數據和收集網路資訊的Agent時，開發者可以透過MCP伺服器，分別整合檔案系統工具、資料庫查詢工具和網路爬蟲工具，從而更有效率地完成複雜的任務。

連OpenAI的共同創辦人兼執行長山姆·阿特曼（Sam Altman）也在第一時間於社群媒體上發文，對MCP表達高度讚賞，足見其對於Agent發展的重要性。

或許許多人對MCP這個名詞感到陌生，「台灣科技報」在此為讀者們簡單介紹一下這項關鍵技術概念。MCP全名為模型上下文協議（Model Context Protocol），是一種專為大型語言模型設計的統一開放介面。

更直白地說，你可以將MCP想像成大型語言模型的「USB插槽」。任何符合這個介面標準的工具，例如隨身碟、行動硬碟、網路卡、外接網卡等等，都能夠插在這個「插槽」上。這樣一來，AI代理就可以透過這個統一的協議去調用其他AI工具，得以實現更多的能力，因此你可以理解為何這項技術被稱為「解鎖無限工具」了吧！

MCP的核心框架由三個關鍵部分組成：

模型（Model）： 這是系統的邏輯核心，定義了數據的結構、決策的邏輯以及系統如何解釋資訊。在傳統的軟體開發中，模型可以透過物件導向程式設計模型、資料庫架構或人工智慧/機器學習模型來實現。在AI應用中，模型可能是一個理解語言的類神經網路、一個處理圖像的深度學習模型，或者是一個進行預測分析的機器學習演算法。簡而言之，模型是系統的基礎，決定了系統如何處理和理解數據。
上下文（Context）： 上下文為模型提供了運行的環境，決定了模型在不同條件下的行為。這包括使用者互動、環境因素和系統狀態等變數。例如，一個AI聊天機器人會根據對話的上下文生成不同的回答，就像金融預測模型會根據經濟趨勢調整預測結果一樣。缺乏適當的上下文，模型可能會產生不相關或錯誤的輸出。上下文的動態性，能幫助系統根據即時數據和環境變化調整其行為。
協議（Protocol）： 協議是溝通的橋樑，定義了系統內不同組件之間的互動規則。它確保了模型和上下文之間的通信，使得上下文的變化能夠正確地影響模型，反之亦然。在實際應用中，協議管理微服務之間的数据交換、AI組件之間的互動，甚至是網路應用程式中的API通信。協議確保了分散式環境中的數據一致性、安全性與效率。

首先，MCP為AI代理提供了一種標準化的方式來接入各種工具和數據來源。無論是本地運行的工具（例如透過stdio伺服器），還是遠端託管的服務（例如HTTP over SSE服務），AI代理都可以透過統一的介面與它們進行互動，極大地擴展了第三方工具庫的應用範圍。

例如，在金融領域，AI代理可以接入股票分析的MCP工具。當使用者詢問某支股票的詳細資訊時，AI代理可以立即調用該工具，快速獲取股票的即時價格、歷史走勢、財務指標等數據，並進行深入分析，為使用者提供專業的投資建議。

這種標準化的接入方式大幅降低了AI代理與不同工具整合時的複雜性。由於MCP定義了清晰的協議，AI代理可以輕鬆地接入新的工具和服務，而無需對其核心邏輯進行大量的修改，這使得AI代理能夠快速適應新的應用場景和需求。

此外，MCP還為AI代理帶來了動態工具發現的能力。每次AI代理運行時，SDK會調用MCP伺服器的方法，動態獲取當前可用的工具列表。這有助於AI代理即時了解哪些工具是可用的，而無需在程式碼中硬性編碼工具資訊。

這種動態發現機制賦予了AI代理極高的靈活性和適應性，使其能夠適應工具的變化，例如工具的新增、刪除或更新。如果工具列表發生變化，AI代理可以立即感知並調整其行為，從而更好地應對動態的環境和需求。

在效能優化方面，MCP同樣表現出色。它支援對工具列表進行緩存，AI代理可以在多次運行中重複使用工具列表，從而減少每次運行時調用工具的延遲，能夠顯著提升AI代理的自動化效率。

同時，AI代理僅在需要時才調用MCP伺服器的工具，而不是在初始化時就載入所有工具。這種按需調用的方式可以減少資源消耗，提高系統的整體效能。

在開發方面，MCP也極大地簡化了開發工作。開發者可以透過簡單的配置將MCP伺服器添加到AI代理中，而無需編寫大量的程式碼來實現工具的接入邏輯。這大大簡化了開發流程，縮短了開發週期。

由於工具的接入是透過MCP協議標準化的，開發者可以更容易地對工具進行除錯和測試。同時，工具的獨立性也使得問題定位更加方便，進一步提升了開發效率。

MCP還實現了解耦與模組化的設計。它將工具和數據來源的實現細節與AI代理的邏輯分離，AI代理不需要關心工具的具體實現，只需要透過MCP協議與工具互動。這種解耦設計使得AI代理的程式碼更加簡潔、易於維護。

同時，工具可以作為獨立的模組透過MCP伺服器提供給AI代理。開發者可以獨立開發和部署工具，而無需修改AI代理的程式碼。這種模組化方式使得系統的各個部分可以獨立升級和優化，進一步提升了系統的靈活性和可維護性。