MCP 賽道 1.5 萬字研究：AI 通用介面如何在 Web3 世界連結萬物？全景式解析其發展背景、技術架構、賽道格局、風險挑戰與未來潛力

Anthropic 在 2024 年底向開源生態投下了一枚重磅炸彈，即一個理論上能夠連接所有應用和所有大語言模型的模型上下文協議：Model Context Protocol（簡稱 MCP）。 MCP 作為開源生態中的當紅炸子雞，受到了 Web2 和 Web3 領域開發者的共同關注。對於 Web2 開發者來說，他們希望獲得更聰明更強大的、能與環境互動的 Agent；對於 Web3 領域開發者來說，他們迫切的需要提升鏈上的互通性並讓 Web3 AI Agent 實現自主決策自主行動的能力。 MCP 透過簡單有效的架構創造了大量讓人意想不到的強大的 AI 落地實際案例，在 Web2 領域我們已經看到了像 Manus、Genspark 這樣受益於 MCP 協議的產品新星，在 Web3 領域也出現了一些類似的有趣新產品。而 MCP 則或是目前版本 AI 落地痛點的最優答案。

本篇研發將深入探討 AI Agent 的發展歷程、MCP 協議在 Web3 的遷移、Web3 MCP 的產業現況、新的 Web3 產品機會推演，同時探討 MCP 在 Web3 產業落地會面臨的考驗。

作者：Hendrix，外捕研究（Web3Caff Research）研究員

封面： Photo by Andrei Castanha on Unsplash

字數：全文約 15,000 字

引言
Web2 & Web3 AI Agent 視角：從 API 到 MCP / A2A
MCP/A2A 詳解：Web3 Native 視角
- MCP 101
- A2A 101
Web3 AI MCP 產業梳理與推演
- 基礎賦能類
- 橫向拓展類
- 垂直應用類
- 智慧體間協定
MCP 帶來的 Web3 機會
MCP 為 Web3 帶來的考驗
總結
要點結構圖
參考文獻

引言

人工智慧（AI）的浪潮正以前所未有的力量重塑各個產業，其深度整合和廣泛應用已成為不可逆轉的趨勢。不論是 Web2 還是 Web3 都對 MCP 寄予了巨大的期待，但 AI 從簡單的對話窗口的 “全知” 發展到能處理各種問題的 “全能”，中間需要模型能力本身的提升、需要更強的規劃能力，但更重要的是需要教會 AI 如何穩定使用能接觸到的工具。然而，當 AI 模型，特別是大型語言模型（LLM），試圖與外部世界——海量的資料來源、多樣化的工具集以及複雜的系統——進行互動時，一個核心的挑戰浮出水面：如何建立一個標準化、安全且可信的通訊橋樑？缺乏統一標準不僅導致了開發效率的低下，更在資料隱私、操作安全性和結果可驗證性方面帶來了巨大風險。正是在這一背景下，Anthropic 提出的模型上下文協定（Model Context Protocol, MCP）應運而生。模型和外部服務商之間不必再單獨開發兩者間的連結。透過產業統一的接口，模型和服務商只需要接受協議標準，就能讓不同生態的應用以及不同架構的模型都直接連接，資訊和智慧可以不受限制的自由流動。這為 AI 的互通性描繪了新的藍圖。

但這個協議並不是憑空出現的。 Web2 AI 在探索如何讓把智慧從沙箱中釋放出來這條路上花費了巨大的精力。從最初的傳統服務 API 與聊天式 API，到模型開始利用外部能力引入服務插件與函數呼叫功能，到最後才發展出來我們看到的「模型-應用」間的 MCP 協定以及 Agent 間的通訊協定。 Web2 AI 在讓 Agent 更強大這條路上的探索給 Web3 的後來者打下了良好的基礎。因為上述的探索，Web3 AI Agent 從誕生那天就擁有更穩定的框架，更容易使用的開發工具並且有了更強大的功能。現在 MCP 的出現更是為割裂的 Web3 生態帶來了巨大的機會，從基礎設施到應用都可能會出現更智慧、更好互動的產品。為此我們將深入這個新興領域，從科技到應用，全面透視 Web3 AI MCP 的發展之路。但在此之前，我們需要先比較 MCP 出現前後 Agent 與外界互動的技術範式變化，以對 MCP 的價值有更直觀的理解。

Web2 & Web3 AI Agent 視角：從 API 到 MCP / A2A

MCP 賽道 1.5 萬字研究：AI 通用介面如何在 Web3 世界連結萬物？全景式解析其發展背景、技術架構、賽道格局、風險挑戰與未來潛力-Web3Caff Research 外捕研究 — AI 工具介面演進圖源：外捕研究（Web3Caff Research）研究員 Hendrix 自製

傳統聊天式 API 介面（非結構化文字呼叫）

在早期，OpenAI 為開發者提供了通用的 “文本輸入-文本輸出” 接口，應用通常通過直接向大語言模型發送提示詞（包含用戶請求和對話上下文）來獲取答案，然後由後台程序根據文本返回的生成結果，按照預先定義好的業務邏輯，選取合適的工具調用外部 API（比如數據庫或者日曆）。這種方式簡單直觀，對話式應用友好，但缺乏與工具的直接整合能力。模型本身無法直接執行外部操作或取得即時數據，開發者只能透過分析模型輸出中的關鍵字或命令提示來觸發工具呼叫。這在早期階段， AI 幻覺嚴重且缺乏人工對齊，模型回傳的答案會經常離題或不符合人類閱讀要求，非常容易出錯且難以保證輸出格式一致性。其優點是實現簡單、無標準限制，但缺點是穩定性差、可擴展性有限，安全性能通常和用戶訪問帳戶綁定，安全機制相對簡單但缺乏更細粒度的管理，例如針對某些提示詞或某些特定交互進行授權的機制。

本文共计 14280 字，订阅会员后继续查阅