一家五十人的精密加工廠,三個部門各自開始用 AI 以後,場面長這樣:品保主管在 Claude 裡問「上週孔徑超差的批次是哪幾台機台做的」;業務在 Microsoft 365 裡用 Copilot 查訂單交期;IT 同事則在 n8n 做了一條流程,想讓 AI 自動整理客服信。
問題是,這三個 AI 工具都要讀同一批系統:ERP(管訂單、庫存的企業資源規劃系統)裡的訂單、檢驗紀錄和客服信箱。照傳統的做法,每個工具都要各寫一次串接,三個工具乘上三個系統,就是九條連線。結果 ERP 只要改一個欄位,就有三條串接要跟著改,而且這三條還分散在三個不同的平台上。
Model Context Protocol(MCP)要處理的就是這件事。它把「AI 應用怎麼接上外部資料和工具」定成一套共同的規格,所以每個系統只要照規格做一次,支援 MCP 的 AI 應用就都能接上來用。我這篇會一直拿這家加工廠當例子,從 MCP 怎麼運作,一路講到要不要做、做之前要檢查什麼。
MCP 解決的是哪一個問題
Anthropic 在 2024 年 11 月發表 MCP 時,說明的問題是:每接一個新的資料來源,都要各寫一套專用的串接,所以系統一多,就很難再擴大。Anthropic:Introducing the Model Context Protocol 而 MCP 的做法,是把這些一對一的串接,換成大家共用的同一套協定。
我們用開頭的加工廠來算。沒有共同規格時,要維護的連線數是「AI 工具數 × 系統數」,也就是 3 × 3 = 9 條。有了 MCP 之後,三個系統各包成一個 MCP server,只要 AI 工具支援 MCP 就能接上,所以要維護的只剩 3 個 server。下個月品保如果想多接一套量測系統,也只要再做一個 server,三個工具就都能用。
上半部是每個 AI 工具各自寫串接到每個系統;下半部是每個系統照 MCP 規格包成一個 server,支援 MCP 的工具都能接上。MCP 定的就是中間那條共同規格。
MCP 省下的是「重複寫串接」的工,但前提是同一批系統真的會被好幾個 AI 應用用到。如果你只有一個 AI 工具、也只接一個系統,這筆帳算起來差別不大,我後面會再說明要怎麼判斷。
MCP 官方文件自己用的比喻是 USB-C,我覺得很好懂,所以這裡照它的思路展開:
可以把 MCP 想成電腦上的 USB-C 孔。
以前每種週邊各有一種接頭,電腦要為印表機、硬碟、螢幕各留一個專用孔。USB-C 出現以後,週邊只要做成 USB-C,插哪台電腦都認得,實際能用到哪些功能,還是看各家電腦支援多少。
- AI 應用是電腦:Claude、ChatGPT、Copilot 這類工具,只要支援 MCP,就等於電腦有了這個孔。
- MCP server 是週邊的 USB-C 接頭:ERP、檢驗紀錄、客服信箱各做一個,每個系統只做一次。
- MCP 規格是 USB-C 的接頭規格:規格講好插頭長怎樣、怎麼互相打招呼,電腦和週邊就不用事先認識彼此。
比喻對不上的地方有兩處:USB-C 只管接得上,插上去的硬碟不會自己決定刪檔案,但 AI 接上 server 之後,會自己決定要呼叫哪個工具、做什麼動作,所以權限要另外管。另外,USB-C 的週邊是實體的,一看就知道是誰做的,MCP server 卻可能是任何人寫的,來源要自己查,這在後面「用現成的 MCP server 之前」那一節會講。
以前每個週邊要配專用孔,USB-C 讓週邊做一次就能插到任何電腦;MCP 讓系統包成 server 一次,就能接到任何支援 MCP 的 AI 應用。
另外,MCP 現在已經交給中立的組織託管。2025 年 12 月,Anthropic 把 MCP 移交給 Linux Foundation 旗下的 Agentic AI Foundation,而技術方向仍由原本的維護者決定。MCP Blog:MCP joins the Agentic AI Foundation ChatGPT、Claude、Gemini、Microsoft Copilot 和 VS Code 都已經支援 MCP,所以押在 MCP 上的串接,換平台時比較有機會沿用。
MCP 裡的三個角色與三種能力
host、client、server 各做什麼
MCP 的架構裡有三個角色:
- MCP host:使用者實際在操作的 AI 應用,例如 Claude Desktop、Claude Code,或是在 Copilot Studio 裡建立的 agent。
- MCP client:host 裡面負責連線的元件。host 每接上一個 server,就會開一個 client 專門跟它溝通。
- MCP server:把資料或功能提供出來的程式。例如加工廠的「ERP MCP server」,就是一支小程式,對外照 MCP 的規格溝通,對內則去呼叫 ERP 的 API 或資料庫。
server 可以裝在自己的電腦上,也可以放在網路上。裝在本機的 server 通常只給操作那台電腦的人用;而放在網路上的遠端 server,可以讓很多人同時連線,並用 OAuth 這類標準的登入授權方式,確認是誰在連。MCP:Architecture overview
server 能提供的三種能力
一個 MCP server 可以提供三種東西,官方的名稱是 tools、resources 和 prompts:
| 能力 | 做什麼 | 加工廠的例子 | 風險 |
|---|---|---|---|
| Tools(工具) | 讓 AI 執行動作,例如查詢、呼叫 API、寫入資料 | 查訂單、查某批次的檢驗結果、建立品質異常單草稿 | 查詢低,寫入高 |
| Resources(資源) | 提供資料給 AI 當背景,例如檔案內容、資料表結構 | 檢驗標準文件、ERP 訂單表的欄位說明 | 看資料敏感度 |
| Prompts(提示範本) | 事先寫好的指令範本,讓互動有固定格式 | 「品質異常單」的填寫格式與範例 | 低 |
反過來,server 也可以請 AI 應用先問使用者一句,補齊資訊或確認動作。例如在建立異常單之前,先問一句「要通知哪一位品保主管?」。
要注意的是,MCP 只規定資料和工具「怎麼交換」,要不要呼叫、呼叫哪一個、結果怎麼判斷,是 AI 應用和背後的模型在決定(模型怎麼做判斷,可以看 LLM 是什麼)。所以 MCP 接好了,agent 還是可能選錯工具或讀錯資料,驗收一樣要照做。
MCP 和直接串 API、n8n、WebMCP 差在哪
MCP 最常被拿來和這三種做法比較,但實務上,它們常常是疊在一起用的。
直接串 API 是最傳統的做法:在某個 AI 應用裡寫程式,去呼叫 ERP 的 API。這條串接只屬於那個應用,所以換了工具就要重寫。而 MCP server 裡面,多半也是在呼叫同一支 API,差別在於外面多包了一層共同規格,所以不同的 AI 應用都能用,server 也會主動告訴 AI「我有哪些工具、每個工具要帶什麼參數」。
n8n、Zapier 這類自動化平台,原本就在做系統串接,和 MCP 是互補的關係。n8n 的 MCP Client Tool 節點,可以讓流程裡的 AI Agent 使用外部 MCP server 的工具;反過來,MCP Server Trigger 節點則能把 n8n 的流程包成 MCP 工具,讓 Claude 這類外部的 agent 呼叫。
WebMCP 的名字很像,但用途不同。它是 Chrome 提出的網頁標準提案,讓網站把表單和功能宣告成「瀏覽器裡的 agent 可以呼叫的工具」,處理的是外面的 agent 來你的網站辦事。網站這一側要怎麼準備,可以看 AI agent 來網站辦事會卡在哪。
| 做法 | 誰來用 | 適合 | 要注意 |
|---|---|---|---|
| 直接串 API | 單一 AI 應用或程式 | 只有一個 AI 工具、接一個系統 | 換工具就要重寫 |
| MCP server | 所有支援 MCP 的 AI 應用 | 同一批系統給多個 AI 應用用、可能換平台 | 要有人維護 server 與權限 |
| n8n/Zapier 流程 | 固定流程,也可以當 MCP 的其中一端 | 步驟固定、要串很多 SaaS | 流程本身仍要維護 |
| WebMCP | 使用者瀏覽器裡的 agent | 對外網站的表單與功能 | 仍是提案,瀏覽器支援有限 |
MCP 處理的是 agent 和工具之間怎麼連接;而 agent 和另一個 agent 之間怎麼交辦工作,另外有 A2A 協定,可以看 A2A 是什麼。
哪些 AI 產品能用 MCP
各家目前接 MCP 的方式,大致整理如下:
| 產品 | 支援方式 | 文件裡特別提醒的事 |
|---|---|---|
| Claude | 用自訂連接器(custom connector)接上遠端 MCP server,支援 tools、prompts、resources;Claude Code 用 claude mcp add 指令加入 | 舊的 HTTP+SSE 連線方式正在淘汰,新的 server 要改用 Streamable HTTP |
| ChatGPT | Business、Enterprise、Edu 方案可以在網頁版的 Plugins 裡加入自訂的遠端 MCP server,在對話中使用它的工具;工作區的連線要由管理員測試後發布 | 自訂 server 不是 OpenAI 開發或驗證的,不了解、不信任背後服務的就別接;寫入動作要使用者確認 |
| OpenAI API | Responses API 可以接遠端 MCP server;Agents SDK 可以接遠端和本機的 server | 可以限定只開放哪幾個工具,也能逐一設定哪些工具要人工核准 |
| Google ADK | agent 可以當成 MCP client,使用外部 server 的工具;也能把 ADK 的工具包成 MCP server | 本機和遠端的 server 都可以接 |
| Microsoft Copilot Studio | agent 可以連接 MCP server,目前支援 tools 與 resources | 要先開啟生成式協調(generative orchestration);接非 Microsoft 的 server 時,工具與資料由使用者自行負責 |
| n8n | MCP Client Tool 節點使用外部工具;MCP Server Trigger 節點把流程提供給外部 agent | Server Trigger 可以要求連線方帶驗證資訊(Bearer 或 Header 驗證) |
不管用的是哪一家,接上 MCP server 的那一刻,AI 就能讀取和操作那個 server 開放的所有東西。所以下一段的檢查,會比選哪個產品更重要。
用現成的 MCP server 之前,先檢查五件事
網路上已經有大量現成的 MCP server,拿來用很快,但那是別人寫的程式,而且會碰到你公司的資料。MCP 規格本身就寫明,tools 等同於執行任意程式碼,要謹慎對待。MCP:Specification
1. 來源:誰寫的、誰在維護
不了解、也不信任背後服務的 MCP server,就不要接;能用服務商自己提供的官方 server,就優先用那一個。OpenAI:Building MCP servers 而本機 server 的風險更高,因為它是用和 AI 應用相同的權限在執行,所以裝到惡意套件,就等於在公司電腦上跑了一段陌生的程式。MCP:Security Best Practices
我會建議只用原廠提供的 server,或公司自己寫、看過程式碼的 server;社群作品則先放在測試環境試過。
2. 權限:只開這個流程需要的範圍
官方安全指引專門寫了一段「範圍最小化」:一開始只給低風險的查詢權限,真的需要做高權限的操作時再逐次提升,並把每次提升都記錄下來。因為一把什麼都能開的萬能 token(登入後拿到的通行憑證),一旦外洩,損害也會是全部。
以加工廠為例,ERP server 的第一版只開「查訂單」和「查出貨狀態」,不開任何修改功能。這跟 AI agent 的權限與人工確認怎麼設的分級是同一個思路。
3. 寫入動作:設成要人確認
MCP 規格的原則,是 AI 應用在呼叫任何工具之前,都要先取得使用者同意;而實作上可以按工具分開設定,像 OpenAI 的 API 與 Agents SDK,都能逐一決定每個工具要不要人工核准。我自己會這樣分:查詢類的工具可以預先同意,建立、修改、寄送、刪除類的工具,則是每次都要人按確認。
4. 工具說明與外部內容:當成不可信的輸入
MCP 規格也提醒,工具附帶的描述與標註,除非來自你信任的 server,否則都要當成不可信的內容。另外還有提示詞注入(prompt injection)的風險:攻擊者會把惡意指令藏在 AI 會讀到的內容裡,例如一封客服信或一個網頁,想藉此改變 AI 的行為。
加工廠那條「AI 讀客服信、再用 ERP 工具建單」的流程,就是典型會被攻擊的地方。能讀外部內容的 agent,手上的寫入工具越少越好,高風險的動作一定要有人確認。
5. 紀錄:每一次呼叫都要查得到
誰、在什麼時候、透過哪個 AI 應用、呼叫了哪個工具、帶了什麼參數、回傳了什麼,這些都要留下紀錄。MCP 的授權規格也禁止 server 把收到的 token 原封不動轉給下游系統,其中一個理由就是轉手之後,紀錄會分不清這個請求到底是誰發的。
| 檢查項 | 要問的問題 | 答不出來時 |
|---|---|---|
| 來源 | 誰開發、誰維護、最後更新是什麼時候 | 改用原廠或自建 |
| 權限 | 這個流程只需要哪幾個工具、哪幾種權限 | 先只開查詢 |
| 寫入 | 哪些工具會改資料或對外發送 | 全部設人工確認 |
| 外部內容 | agent 會讀到哪些外部信件、網頁、檔案 | 減少它同時擁有的寫入工具 |
| 紀錄 | 呼叫紀錄存在哪、保留多久、誰能查 | 上線前補齊 |
公司內部系統要不要包成 MCP server
回到開頭的加工廠。要不要把 ERP 做成 MCP server,我會用下面這張表來判斷:
| 情境 | 建議 | 理由 |
|---|---|---|
| 只有一個 AI 工具要用,只接一個系統 | 直接串 API,或用平台現成的連接器 | 多包一層的好處還用不到 |
| 資料主要在 Microsoft 365、Google Workspace | 先用平台現成的連接器 | 對應平台已經做好串接與權限 |
| 同一個 ERP 要給兩個以上 AI 應用用 | 包成 MCP server | 做一次、多處共用,改欄位只要改一處 |
| 正在評估平台,之後可能換 | 包成 MCP server | 換平台時 server 比較能沿用 |
| 步驟固定、不需要判斷 | 用 n8n 這類固定流程 | 用不到 agent,也用不到 MCP |
| 舊系統沒有 API、也沒有資料匯出 | 先處理介面或資料匯出 | MCP server 也要有東西可以接 |
| 要從大量文件裡找答案 | 先看 RAG 的做法 | 文件檢索是另一套問題 |
最後一列我補充一句:「從幾千份文件裡找出最相關的幾段」是檢索的工作,通常會用 RAG(檢索增強生成)來處理。兩者可以一起用,RAG 的搜尋功能本身也能包成一個 MCP 工具。
如果決定要做,第一個 server 就從唯讀的查詢開始。回到開頭的加工廠:三個 AI 工具共用同一批系統,符合表裡「兩個以上 AI 應用共用」那一列,所以值得包。他們可以先做「依批號查檢驗結果」這一個工具,讓品保主管在 Claude 裡用兩週,確認查得準、權限對、紀錄完整之後,再加第二個工具,業務的 Copilot 和 IT 的 n8n 之後接同一個 server 就能用。ERP 這類內部系統沒有現成的 server,要由廠內工程師或外部團隊來寫。
至於要自己寫、用平台,還是找外部團隊來做,判斷方式和一般的 agent 專案一樣,可以看企業 AI agent 要自建、平台還是委外。
MCP 解決不了的事
接上 MCP 之後,有幾件事還是要你自己處理。
第一個是資料品質。如果 ERP 裡同一個客戶有三種寫法、檢驗紀錄又都是掃描檔,AI 透過 MCP 讀到的也就是這些資料,答案一樣會錯。其次是工具太多:一次接上十幾個 server、上百個工具時,AI 選錯工具的機會也會跟著變高。
另外,規格本身也還在快速改版。例如 2026 年 7 月的新版規格,就改了 server 和 AI 應用之間的溝通方式,也把幾項舊功能列入淘汰名單,像是讓 server 反過來借用 AI 應用模型的取樣(Sampling)功能。MCP:Specification 所以自己寫的 server 要有人追版本;用平台的話,就要留意平台什麼時候跟進。
最後,MCP 讓 agent 能做的事變多了,但要不要讓它做,仍然是流程設計的問題。哪一段真的需要 AI 判斷,可以先看 AI agent 和聊天機器人、RPA、自動化流程差在哪。
以開頭的加工廠來說,ERP、檢驗紀錄、客服信箱各有什麼介面、哪個值得先包成 MCP server,是我們的企業 AI 營運方案在需求診斷時會一起釐清的事,包成之後的權限設計與人工審核也一併規劃。
常見問題
MCP 會取代 API 嗎?
多半是疊在 API 上面。MCP server 裡面通常還是在呼叫系統原本的 API 或資料庫,只是對 AI 應用那一側,改用共同的規格。所以如果系統沒有 API,要先解決介面的問題。
公司沒有工程師,也能用 MCP 嗎?
可以用現成的。Claude、ChatGPT、Copilot Studio 都能在設定介面加入已經架好的 MCP server,不用寫程式。但如果要把公司內部的系統包成 MCP server,就需要工程能力,或是找外部團隊協助。
網路上免費的 MCP server 可以直接裝嗎?
我會先查三件事:誰開發的、權限開到哪裡、會不會把資料傳到別的地方。因為本機 server 是用和 AI 應用相同的權限在執行,所以來源不明的套件,我會先在測試環境跑過,確認沒問題再給同事用。
用了 MCP,之後換 AI 平台就不用重做嗎?
server 這一側大多可以沿用,這也是 MCP 最主要的好處。但提示詞、權限設定、人工確認點和測試案例,換平台時通常都要重新調整和驗收,所以預算要把這一段也算進去。
參考來源
以下依官方文件整理,各產品的 MCP 支援範圍與規格版本以各家官方頁面當下為準。
- OpenAI 說明中心:Connecting custom MCP servers in ChatGPT
- Model Context Protocol:What is MCP?
- Model Context Protocol:Architecture overview
- Model Context Protocol:Specification
- Model Context Protocol:Key Changes(2026-07-28 版規格變更)
- Model Context Protocol:Security Best Practices
- Anthropic:Introducing the Model Context Protocol
- Model Context Protocol Blog:MCP joins the Agentic AI Foundation
- Claude:Building custom connectors
- Claude Code:Connect Claude Code to tools via MCP
- OpenAI:Building MCP servers for plugins and API integrations
- OpenAI Agents SDK:Model context protocol (MCP)
- Google ADK:MCP tools
- Microsoft Learn:Extend your agent with Model Context Protocol
- n8n Docs:MCP Client Tool node
- n8n Docs:MCP Server Trigger node