- Model：模型，指的就是各种 AI 大型语言模型（例如 GPT、Claude、Gemini 等）
- Context：脉络，代表给模型的额外资料或者外部工具
- Protocol：协议，通用、标准化的「规范」或者「接口」
- MCP Host（管理员）：负责管理、协调整个 MCP 的运作。例如 Claude Desktop 就是一种 Host，能协助 AI 存取你本地端的资料或工具。
- MCP Client（用户端）：接收使用者的需求，并与 LLM（AI 模型）进行沟通。常见例子包括各种整合了 MCP 的聊天介面或 IDE（如 Goose、Cursor、Claude Chatbot）。
- MCP Server（伺服器）：可以视作是一组「已经整理好、带有注解」的 API 集合，提供 AI 可以使用的功能。例如读取资料库、发送邮件、管理档案、呼叫外部服务等。
参考：https://www.youtube.com/watch?v=FDRb03XPiRo&t=4s
MCP 的重要性为何？
1.打通 AI 与外部工具的桥梁
LLM 的局限性在于当中的资料都经过预训练，并非实时更新，意思是 LLM 的资料仅限于它训练时所看到的资讯，因此训练之后产生的新资讯，模型是不知道的。
假设 LLM 为今年 2 月训练，那么今年 2 月之后的资料则是完全没有的。
目前主流的方法是使用 RAG (Retrieval-Augmented Generation)，这是一种把「检索系统」与「生成模型」结合的方式。这种架构能在 LLM 推理前，先检索最新的资料，并将检索结果作为上下文提供给模型。具体来说：
- 资料检索 (Retrieval)：在 LLM 回答问题前，先使用一个检索工具（例如网路搜索、内部资料库查询等），寻找符合当下问题的最新资料。
- 生成 (Generation)：检索到的资料会作为辅助资料（Context）传递给 LLM，帮助它生成更精准、即时的回答。
- RAG 是用较为静态的资料辅助 LLM 的回答，而 MCP 则能让 AI 真正「动手去做」，例如查资料库、调用 API，或什至修改档案内容。
- 缺乏标准化：每个人都可以造一个 Agent，可是如果没有统一的规范，就会出现「这个 Agent 只会用 A 厂商的模型」、「那个 Agent 只会打 B 系统的 API」的问题。
- 容易各自为政：AI Agent 虽然能跑腿，但开发者往往需要自订大量 API 的格式和规则，不同 Agent 之间缺乏共用的生态系，导致整合困难。
- AI Agent 强调 AI 具备主动行动、执行工具的能力
- MCP 则专注于如何让不同 AI 模型与外部工具沟通，扮演通用标准的角色。
- 没有 MCP，AI Agent 可能要对不同工具、不同平台都各写一套 API 规则，开发维护都很麻烦。
- 有了 MCP，AI Agent 只要照着 MCP 规范，从「Server 列表」中取得可用工具，然后动态决定要用哪一个工具完成任务，对外部资源的存取也更安全、方便。
- AI Agent：着重于决策、逻辑，根据需求判断要怎么做、要执行哪些步骤。
- MCP：专门解决工具介接、标准格式，怎么把外部服务、资料库、档案系统以统一的方式提供给 AI
- BORK 是第一个使用 Base MCP 部属的代币， 于 3 月 14 日发行，市值最高到达 460 万美元，但当前已回落至 11 万美元，且 24 小时交易量仅有 9 万美元，可以判断该币寿命已经结束。
- Flock 是一个去中心化的 AI 训练平台，他指出当前 MCP 仍然在外部 AI 模型上运行，为中心化 LLM 处理，Flock 提供 Web3 代理模型，AI 驱动的区块链任务可以在本地运行，从而为使用者提供更多控制权。
- 技术整合尚未成熟：Web 3 生态中，每条链、每个 DApp 的合约逻辑和资料结构都有差异，想将它们统一封装成可被 AI 呼叫的 MCP Server 仍需投入大量开发资源。
- 安全与监管风险：让 AI 直接操纵合约、处理资金交易，需要设计完善的私钥管理与权限控管机制，难度与成本都高。
- 用户习惯与体验：多数人对于让 AI 管理钱包或做投资决策仍存疑，区块链本身的操作门槛也高。如果体验过于复杂或缺乏明确的应用场景，新手很难长期使用或投入。
- 审美疲劳与市场冷感：此前 AI Agent 在币圈掀起风潮，许多未落地的专案在巅峰时期的估值破亿是家常便饭，而近期正面临戳破 AI 泡泡的阶段，大多数项目下跌超过 90%，视为对 AI 的怯魅。
