在
拾象团队的 2025 的 AI 关键预测
中，我们提到：
随着 Agent 时代到来，OS 才是 LLM 厂商们最高的护城河，从 computer use 到 MCP，Anthropic 构建 OS 的决心是 AI labs 中最强、最明显的。
在开源 1 个季度后，MCP 已经显著垄断了 AI Apps & Agents 和 Tools & Data Sources 之间的中间层，它的使用增长速度几乎是所有开源框架里增长最快的：
MCP Server 已经增长到 2000+ 个，在开发者群体中的普及和渗透度也在迅速提升。
尽管
做好一个
中间层协议还有很多挑战，但 MCP
广泛应用和生态上的成功已经证明了其重要性。
本篇研究是我们对 MCP 技术、价值和这个新生态下创业机会的思考总结。
我们对 LLM 中间层框架的研究可以追溯到
Langchain
，MCP 是对其他所有 LLM 中间层的集大成者。
Agentic AI 的实现基础有 context、tool-use 和 memory，RL 环境给 tool-use 提供了 infra，MCP 的出现则是让 context 价值最大化。
Anthropic 官方将 MCP 类比为 USB-C 端口，隐含着要把 MCP 打造成标准化接口的目标。我们认为，
MCP 所处的位置可以类比为移动支付的基础支付协议，MCP 的出现可能可以长出
“
Agentic AI
领域的 Stripe “
，此外，我们也已经看到 MCP marketplace，server infra 以及 Agent OS 等机会。
MCP 已经显著垄断了 Agentic AI 的中间层
去年 11 月，Anthropic 开源了 Model Context Protocol，即 MCP。MCP 是一种开放协议，允许系统向 AI 模型提供上下文信息，并且可以在不同的集成场景中通用化。MCP 定义了 AI 模型如何调用外部工具、获取数据以及与各种服务交互。
Anthropic 官方把 MCP 比喻为 AI 应用的 USB-C 端口
，它可以提供统一的连接方式。没有 MCP 的时候，开发者需要为每个数据源创建自定义的整合方式和 API，既耗时，又不 scalable，而 MCP 允许 AI 应用通过统一协议访问文件系统、数据库等，简化了整合过程，LLM 的使用体验也会更好。
从发布至今的一个季度时间里，MCP 的使用增长速度几乎是所有开源框架里增长最快的，
2025 开年以来，MCP 显著垄断了 AI Apps & Agents 和 Tools & Data Sources 之间的中间层。
MCP 在 AI 开发者核心圈中的口碑非常好，讨论度也非常高。
MCP 不仅在开发者群体的渗透率增长极快，而且围绕 MCP 已经开始出现“生态”。
下图是 a16z 对 MCP 市场的梳理，可以对“MCP 生态”有更加直观的感受。首先， MCP Clients 和 MCP Servers 已经相当丰富，而围绕 MCP，也出现了专门的 Marketplace、Infra 等产品。
MCP 中有两个核心概念，分别是客户端 MCP Client 和服务器 MCP Server。MCP Client 从 MCP Server 得到所有工具（tools 或者 function calls）的列表和描述，LLM 根据具体描述决定应该使用哪个工具或 Context。总的来说：
•
对于 AI 应用开发者而言，有了 MCP 后，产品可以无缝连接到任何 MCP Server，获得 Context；
•
对于 tool / API 开发者而言，只要搭一个 MCP Server，就能自然获得开发者的使用；
•
对于企业而言，可以把数据和工具由不同的团队封装成 MCP，使得数据库能成为与 Agent 交互的接口。
因此，开源社区和各个 startup 都会有动力去开发各自的 MCP Server，来让 AI 应用更好使用。
•
客户端 MCP Client：
MCP Client 指的是 LLM-native 产品或者 Agent，
比如 Claude Desktop 产品、IDE 产品，未来任何想通过 MCP 协议调取数据的 AI 产品都是一个 MCP Client，都可以通过 MCP 协议访问数据。
借助合适的 MCP Server，用户可以将每个 MCP Client 变成一个“万能应用”。
以 Cursor 为例，虽然 Cursor 是一个代码编辑器，但也是一个功能完善的 MCP Client。终端用户可以通过 Slack MCP Server 将 Cursor 变成 Slack 客户端，也可以通过 Resend MCP Server 让 Cursor 实现发送邮件功能，或者通过 Replicate MCP Server 让 Cursor 实现生成图像功能。
更强大的是，一个 Client 可以和多个 MCP Server 连接，每个 Server 可以获得互联网资源，也可以连接本地资源。例如，在 Cursor 的使用上，用户可以安装一个 Server 实现生成前端 UI 的功能，同时让 AI Agent 调用可以图像生成的 MCP Server，为网站生成视觉图片。
目前大多数高质量的 MCP Client 都以编程为中心，因为开发者通常是新技术的早期采用者。而对于非技术用户来说，将 Claude Desktop 作为 MCP Client，是一个可行的切入点。随着 MCP 的成熟，预计会看到更多面向业务的 MCP Client 出现。
•
服务器 MCP Server
MCP Server 指的是可以让 LLM 理解 Context Layer 的转换接口，
是轻量级 Context 连接软件，如文件系统访问或数据库查询。
MCP Server 可以看作是开放版本的 GPTs（GPTs 非常封闭，只能在 ChatGPT 的 App 里开发）。
一个 Server 可以有多个功能，类似 function call 或者 tool use，LLM 会自行理解并调用需要的能力。目前头部数据库公司、Coding 公司和创业公司，基本都有自己的 Server。
如下图所示，其中 description 部分是 MCP Server 开发者写的详细描述，比一般开发者快速写的会效果更好。同时， MCP 也允许使用时可以再额外加入 prompt。
从 Server 分布来看，MCP 的使用场景相当广泛，包括数据库、搜索、设计、支付、生产力工具等，其中最高频的是搜索和数据检索。
MCP 的开发模式是由社区推动的，随着 MCP 的普及，企业开始开发官方版本，最终 AI 工具可以在官方版本、社区版本和自定义实现之间进行选择。
目前 MCP 在 GitHub 提供的 154 个 MCP Servers 列表里，使用场景最多的是搜索和数据检索，可以实现网络搜索、爬取内容、语义检索、向量搜索等功能。
下图是一个用 MCP 自建 Deep Research 的典型案例：用户可以用 MCP 在 IDE 里面搭建自己想要用的产品形态，比如将 Deep Research 集成到 AI 代码编辑器中。用户只需添加全新的 Firecrawl MCP 与 Deep Research，它就能自主探索网页，为代码项目提取最新的研究成果。
去年 12 月，Anthropic 举办了 MCP Hackathon，邀请了 100 多位开发者在 3 小时内构建应用。从最终结果来看，我们可以感受到：（1）MCP 的使用场景非常多元，甚至跳开了 AI 应用原先比较集中生产力的场景；（2）开发者希望通过 MCP 去实现 tool use 或者执行多步骤任务。
获奖成果具体包括：
•
获得趣味奖的 Santa Claude：是一个用于节日购物的 AI Agent，Claude 助手可在 NYT Wirecutter 上查找节日礼物推荐，并直接在 Amazon 购买；
•
获得效率提升奖的 Clauduct Manager：是一个 AI 产品经理，通过将 Claude 连接到 Linear，Agent 可自动编写产品需求文档（PRD）、创建任务，并按难度进行优先级排序；
•
获得特别奖的 Golden GateKeeper：是一个 AI 推荐清单，Claude 助手可以连接到 Google Maps 数据库，涵盖旧金山湾区 500+ 地点，并规划行程；
•
获得创意奖的 Run MCP：通过简单的 prompt，来动态赋予 Claude 新的工具，功能包括下载文件、运行 FFMPEG、生成 QR 码等。
MCP 会带来 “Agentic AI 领域的 Stripe”
MCP 不仅是 USB-C 端口，还是一个转接口，能把不同的数据类型和 AI 应用打通，把不同的 Context、tool 与 Agent 连接起来。
Anthropic 官方将 MCP 类比为 USB-C 端口，在这个定义下，也隐含着 Anthropic 把 MCP 定位于标准化接口的意思，
这个标准化接口其实是定义在 MCP Server 和 LLM 之间的。
MCP Server 其实有两个接口：一个是和 LLM 之间的接口，另一个是和数据源之间的接口。现在相当于把数据转化的工作放在 MCP Server 上，转化过程可能是千差万别，不同的数据源可能没有办法统一，但是当 MCP Server 完成数据转化并传送到 LLM 的时候，这个接口就是一个统一的接口了。
所以对于 Anthropic 来说，有了 MCP 后就有了一个统一的标准化接口。
数据转接的工作并不会因为 MCP 的出现而消失，MCP 是将这个工作量在各方之间进行了重新分配。
在 GPT 时代，OpenAI 之类的大模型供应商承担了这个工作，比如用户把 PDF 之类的数据上传，OpenAI 需要做数据转接的工作，但 OpenAI 做的效果并不好。在 Langchain 体系里，数据转接工作交给了 Cursor 之类的 AI 应用开发者，这些开发者花了很多时间做接口。
目前，MCP 的使用已经渗透到了非 Anthropic 生态的应用，MCP 相当于把转接解耦，使得存在一个中间层，独立开发者也可以去做转接头工作，如果转接头做的足够好，那 Cursor 等应用就可以直接使用。但现状是大部分独立开发者做的转接头都不够好，所以转接头还是需要 Cursor 之类的 AI 应用开发者来做。
围绕“统一接口”、“应用打通”这个角度来看，MCP 是否可以被类比为移动支付领域 Stripe？Stripe 的价值在于
打通了各个银行的电子支付系统，并提供了一套集成的 API 方便企业“一键接入”这些支付系统。
我们认为，MCP 并不能和 Stripe 直接类比，但“Agentic AI 的 Stripe”是比 MCP 更靠近产品层的机会：MCP 可以类比为基础支付协议，Stripe 诞生的前提是基础支付协议，MCP 出现后，Agentic AI 领域的 Stripe 则可能会是创业公司的机会，是 Agent 领域的关键 infra。
MCP 能让 Context Layer 效果最大化
要让 AI Agent 真正发挥作用，需要三大核心元素：正确且丰富的 Context、完整的工具使用环境、和 Agent 持续迭代的记忆。
Anthropic 的官方博客中提到 MCP 的思路借鉴了 LSP（语言服务器协议），但 MCP 超越 LSP 之处在于它以 Agent 为中心的执行模式：LSP 主要是被动响应（根据用户输入，从 IDE 接收请求并作出回应），而
MCP 的目的是支持自主运行的 AI 工作流。基于 Context，AI Agent 可以自主决定使用哪些工具、以何种顺序调用，并如何串联起来完成任务。
此外，MCP 还使人类能够提供额外数据并对执行过程进行审批。
我们在
2025 Best AI Ideas
中提到，Context Layer 是构建高质量 AI agent 的重要基建，
而 MCP 的出现能够帮助 Context Layer 实现最好的效果。因为 Context Layer 通常需要开发者自己进行定义，和等待 LLM 供应商花时间优化 Context Layer 相比，MCP 作为开源协议是最能发挥社区的力量来加速这个过程的。
Language Server Protocol （语言服务器协议，简称 LSP）是微软于 2016 年提出的一套统一的通讯协议方案，连接 IDE 和 Language Server。语言服务器（Language Server）的作用是提供特定编程语言的智能分析能力，并通过协议与开发工具通信。
