Anthropic造了1个接口，12个月让OpenAI和谷歌集体

2024年11月，Anthropic扔出一个开源协议，当时没几个人当回事。12个月后，这个叫MCP的东西月下载量飙到9700万次，GitHub星标6.6万，OpenAI、谷歌、微软、AWS排着队接入。OAuth 2.0花了4年才走完的路，MCP一年跑完——而且全程带着"还没成熟"的标签。

这有点像USB诞生前的混乱年代：每家公司都有自己的鼠标接口，PS/2、串口、私有协议，插错就烧主板。然后USB出现了，一个口子通吃所有外设。MCP正在给AI工具做同样的事——不是让模型变聪明，是让模型"连得上"这件事不再痛苦。

一个协议，三种零件

MCP（Model Context Protocol，模型上下文协议）的技术骨架很朴素：基于JSON-RPC 2.0，借鉴了现代代码编辑器都在用的语言服务器协议（LSP）。它只定义了三样东西——Tools（工具）、Resources（资源）、Prompts（提示词）。

Tools让AI能"动手"，Resources让AI能"读到东西"，Prompts让AI知道"怎么开始对话"。

这套设计的狡猾之处在于：它不碰模型本身，只解决"模型怎么和外面世界握手"的问题。以前每接入一个新工具，开发者得写一遍定制代码，像给每台打印机单独写驱动。MCP说，不用了，你给我一个标准接口，我这边所有AI都能用。

结果是什么？作者自己跑的一个叫OpenClaw的代理，能读邮件、改表格、触发爬虫、发GitHub、查天气、写记忆文件——不是靠他为每个服务写集成代码，而是每个服务暴露了MCP接口，代理自己就懂怎么用。

同个代理，换个会话就能连PostgreSQL数据库，再换个会话又能进Notion工作区。不用重新训练模型，不用新写集成代码，指一下新的MCP服务器就行。这就是USB承诺的即插即用，现在兑现到AI身上了。

从"Anthropic的玩具"到行业基建

2025年3月，OpenAI官宣接入MCP。Sam Altman的原话是：「人们喜欢MCP，我们很兴奋能在全线产品里支持它。」这话从竞争对手嘴里说出来，分量不一样。

一个月后谷歌DeepMind跟进。然后微软、AWS陆续表态。到2025年12月，Anthropic把MCP捐给了Linux基金会旗下的Agentic AI Foundation，联合创始方包括OpenAI和Block（Jack Dorsey那家公司），AWS、谷歌、微软、Cloudflare、Bloomberg站台当支持成员。

这时候MCP已经不再是某个产品的功能，而是行业基础设施。

这种 adoption 速度在历史上很少见。OAuth 2.0走到类似渗透度用了约4年，OpenAPI花了约5年。MCP 12个月搞定，而且全程公开承认"我们还没做完"。这种"不完美但先用起来"的姿态，反而加速了必须发生的对话——就像vibe coding（氛围编程）那波，工具太好用了，大家等不及它先完美。

争议成了燃料。有人在GitHub上吵安全模型，有人质疑权限粒度，但这些讨论没有拖慢 adoption，反而让协议更快迭代。2025年6月推出的Streamable HTTP传输机制，解决了早期版本里一些明显的性能瓶颈。

为什么是现在？为什么是这个协议？

一个背景：AI工具正在从"聊天窗口"变成"能动手干活的代理"。但代理的能力边界，取决于它能连上什么系统。如果连每个系统都要定制开发，代理经济就起不来——成本太高，速度太慢。

MCP掐中了这个痛点。它不解决"AI有多聪明"，只解决"AI能碰到多少东西"。这个定位让它避开了和模型厂商的直接竞争，反而成了所有人的公约数。

OpenAI需要它，因为用户想让ChatGPT真的"操作"电脑而不只是"建议"。谷歌需要它，因为Gemini要打进企业工作流。微软需要它，因为Copilot得连上Office之外的万千系统。AWS需要它，因为云服务的价值在于能 orchestrate 多少下游资源。

连Block（Square的母公司）都出现在创始成员名单里，说明金融支付场景也在押注这个标准。Bloomberg的加入更直接——金融数据是AI代理最馋的高价值资源，但也是最难拿到的，标准协议能降低信任建立成本。

2025年12月之后的MCP，技术上归Linux基金会管，商业上没人能独家控制。这种"去中心化但集中维护"的结构，是基础设施成熟的标志。就像TCP/IP不归任何公司，但所有人都在用。

对开发者意味着什么

如果你在做AI应用，MCP改变了成本结构。以前集成一个外部工具，可能要几天到几周；现在如果对方有MCP服务器，几行配置就能连上。这种边际成本的骤降，会让"AI能做什么"的边界快速外扩。

作者举了个自己的例子：用MCP搭了一套自动化工作流，找那些没有网站的小企业。流程里每一步——发现线索、验证信息、记录结果——都通过MCP服务器完成，没有一处是硬编码的集成。换数据源、换存储位置、换通知渠道，改配置就行，不用重写逻辑。

这种灵活性在以前的AI集成里很难实现。要么你得用某个平台的专有SDK，被锁定在生态里；要么你得自己维护一堆脆弱的API封装。MCP给了第三条路：标准接口，自由组合。

当然，还有问题没解决。权限管理还在讨论中，跨服务器的身份验证没有统一方案，某些场景下的延迟比直连API要高。但这些是"用起来之后发现的问题"，不是"阻止你开始用的问题"——对早期协议来说，这是健康的疼痛。

9700万月下载量、1万多个活跃服务器、6.6万GitHub星标——这些数字说明MCP已经过了"会不会被采用"的阶段，进入"怎么用得更好"的阶段。当OpenAI和谷歌都愿意把竞争对手发明的协议接进自家核心产品，标准战争其实已经结束了。

接下来要观察的是：哪个垂直领域会最先出现MCP-native 的应用架构？以及，当"连得上"不再是瓶颈，AI产品的竞争会不会重新聚焦回"做得对"——也就是代理的决策质量本身？