MCP是什麼？AI新標準MCP工作流程？4好處＋11步驟操作實例分享

文章最後修改於 2025-05-16

MCP 是什麼？讓 AI 進化成自動執行任務的幫手！

MCP（Model Context Protocol），中文是模型上下文協定，是 AI 公司 Anthropic 在 2024 年底推出的新標準，專門拿來幫助 AI 模型安全、有效率地連結外部世界。

以前的 AI 就像一台無法上網的電腦，裡面的資料都是訓練時就固定下來的；MCP 出現後，AI 不再只是回答問題而已，它開始能上網「去找答案」，甚至「幫你做事」。

以前你問 AI「明天台北會下雨嗎？」它可能只會用記憶裡的老資料亂猜一個答案。

但如果 AI 有接上 MCP，它就能透過 MCP 查詢氣象 API，回你一個真的來自氣象局的即時預報；它也可以幫你打開行事曆，提醒你明天記得帶傘。

可以預見，我們會越來越習慣請 AI 幫我們處理例行的瑣事，正是 MCP 在背後串起這一切的可能性。

MCP 一點都不複雜，3 大架構、各司其職！

整個 MCP 架構有三個主要組成：主機（Host）、客戶端（Client）與伺服端（Server），每一個都有自己的角色，缺一不可。

（一）MCP Hosts：發出任務請求的 AI 模型本體

主機端（Host） 就是 AI 模型本身，例如 Claude 或 ChatGPT。

主機端會提出一個請求，像是「我想知道今天的行程」，或「我需要發一封會議摘要的 Email」。它本身不去查資料、不去寄信，而是提出這些「要做的事情」給下一層處理。

（二）MCP Clients：轉送請求和回傳結果的中介程式

客戶端（Clients）是一段在 MCP 架構裡運作的程式碼，常整合在應用程式中，主機端本身不懂外部系統怎麼連，客戶端就要幫忙把主機提出的請求送到正確的伺服端，它會負責幾件事：

• 解析主機端的請求
• 決定要連到哪個 MCP 伺服端（例如：查行事曆會找 Calendar 伺服端）
• 把資料包成正確的格式
• 對伺服端發送請求
• 收到伺服端回傳的回應、整理好，再回傳給主機端

（三）MCP Servers：實際執行任務功能的工具模組

伺服端（Servers）是負責「做事」的那一段程式，由開發者事先定義好功能，在收到來自客戶端的請求時才會動作。這些伺服端會連到外部系統，例如：

• Google Calendar：查行程
• Notion：操作文件筆記
• 檔案系統：讀取或上傳檔案
• 公司內部資料庫：存取業務數據或記錄

對了，MCP 的設計強調「單向通訊」，客戶端是主動發送者，伺服端不會自己跑出來干擾主機。如此便可以避免資安風險，讓流程更穩定。

Model Context Protocol 怎麼讓 AI 自動做事？一個請求背後發生什麼事？

MCP 架構的運作流程是：主機端發出請求 → 客戶端處理與傳送 → 伺服端執行並回傳。

AI 模型本身不會直接去叫 API 或查資料庫，它只會發出「需求內容」。

接著，由客戶端接手，分析這個需求該去哪個伺服端處理，打包成標準格式送出。

伺服端收到請求後就會照指令去執行，例如連到 Google Calendar 查行程、到 Notion 讀筆記、或上傳一個檔案。

MCP 的設計有個很重要的特色，就是「單向通訊」──只有客戶端會主動發出請求，伺服端不會自己亂跳出來打擾 AI 主機。該設計有幾個實用的好處：

• 安全：因為 AI 模型本身不會直接對外操作，所有的溝通都得透過客戶端，有個關卡幫你把關，減少出錯風險
• 穩定：伺服端只會在收到請求時才動作，不會自己發通知或亂插手，整體流程更單純，也比較不容易出問題
• 彈性：開發者可以針對不同任務，寫出專門的伺服端模組，不需要每次都重做整套系統，維護起來輕鬆很多

有了 MCP，不管是要查資料、整理內容，還是幫你發送什麼指令，AI 都能照著固定的、安全的流程去處理，系統也會更穩定、更好掌握。

MCP 有什麼好處？4 優點解鎖 AI 的行動力與延伸性

（一）查得到最新的資料，回答不會亂掰

以前的 AI 模型，就算再厲害，它知道的也只是訓練時期的內容。你問它今天的天氣、現在的股價，它只能靠以前學過的東西亂猜，完全查不到最新資訊。

有了 MCP，AI 就能直接連到外部資料來源，像是氣象網站、財經系統、新聞 API 等，它回你的內容，是剛剛即時查到的真資料，不再只靠印象講話。

同時，這也大大減少 AI 編故事的情況，它說的內容將更有根據、更可信。

（二）只存取必要資料，妥善保管個人資料

很多人會擔心讓 AI 存取個人資料會不會很危險，但 MCP 是設計成「要用什麼，才讀什麼」，而且是你授權它才能去讀取。

當你請它幫你看行事曆或寄信，它只會連到你授權的 Google Calendar 或 Gmail 並存取必要資料，其他資料它不會亂讀、不會偷看。

（三）對開發者更好開發、也更容易維護

如果沒有 MCP，開發者要接不同服務（像是 Notion、Slack、Google Drive），每一個都要自己寫一套對應程式，非常花時間也容易出錯。

MCP 提供統一的規格，開發者只要寫一次通用的客戶端，就能連很多種伺服端。開發速度變快之餘，系統維護起來也更簡單。

（四）功能擴充超彈性，想接什麼都可以自己加

MCP 本身是開放原始碼，開發者可以自己打造伺服端，只要符合 MCP 的格式，AI 模型就能直接呼叫，讓 AI 可以延伸出很多用途：

像是分析程式碼、讀 PDF、抓圖表、查公司內部資料、控制自動化系統等通通能做到。而且任誰都可以加入這個生態系，讓功能越來越多元。

MCP API 完全是兩種思維，5 差異比較看完就懂！

API（應用程式介面）是讓兩個系統之間可以互相傳資料、下指令的一種技術。像是你用天氣 App 查氣象，背後就是靠 API 去叫氣象局的資料回來。

MCP 則是專門為 AI 設計的一套標準架構，目的是解決傳統 API 對 AI 不友善的問題，讓 AI 模型可以透過統一的方式去接不同的工具和外部資料來源。

API 與 MCP 的差異主要體現在以下幾點：

（一）整合方式不一樣

傳統 API 是單點對單點的設計，每一個服務（像是天氣、行事曆、Email）都要個別串接，格式、參數、授權方式都不同。

如果你今天要讓 AI 同時用到三種服務，就得分別花三次力氣整合三套系統，開發時間長、出錯率也高。

MCP 則是一套統一規格，開發者只要照著 MCP 標準去做，就能讓 AI 用同一種方式操作不同

（二）互動模式不一樣

API 的互動方式很單純，就是「你問一次，它答一次」，每個請求都是獨立的，它不會記得前面發生什麼，也不能連續處理多件事。

MCP 則支援「有狀態」的互動，AI 可以記得自己剛剛做了什麼、目前任務進行到哪裡，能連續執行多步驟任務，像是查完日曆接著寄出會議通知，整個流程一路走下去、不會卡住。

（三）使用對象的思維不同

API 的設計目的是讓人寫程式去操作資料或服務，它假設開發者知道規格、懂怎麼串接。

MCP 則是為 AI 模型設計的，它讓 AI 能看懂工具的描述、自動判斷要怎麼使用，不需要工程師一步步教它怎麼使用工具。

（四）應用情境差異

API 適合資料查詢、簡單操作或讓 App 取用外部功能，像是按一下按鈕顯示天氣、搜尋地點、送出表單。

MCP 則是設計給 AI 助理、智能客服、自動化系統這種「要動腦處理事」的角色用的，它能協調多個工具、根據狀況調整任務流程，讓 AI 不只回答問題，還真的能幫你完成事情。

工具，像插模組一樣要接什麼都能接，不必重新開發流程。

（五）維護難度差異

傳統 API 因為每個服務都各自有一套格式與規則，開發時要一個一個接、測試、除錯，後續維護也得個別處理。

只要其中一個 API 改版或壞掉，就可能牽連整個系統，要重新修補或改寫程式碼。

MCP 則是模組化的設計，只要遵守 MCP 的統一標準，每個伺服端都是獨立的、可插拔的。

如果要更新、移除或新增功能，只要動那個模組，不會影響其他部份，整體維護起來更輕鬆、也更穩定。

MCP 應用範例實作＋常見延伸場景，帶你入門 AI 助手核心技術

以下我們要實作完整的 MCP 架構範例，將帶你從零開始建立屬於你自己的 AI 工具。

這次要完成的情境是：「請 AI 幫我寄出一封信給 Rex，主旨是『會議提醒』，內容是『明天下午兩點記得開會』。」

整個過程會用到 MCP 的三大組件，分工如下：

• Hosts（主機端）：是 Claude，AI 模型本身
• Clients（客戶端）：是一段在 Claude 系統裡運作的 MCP Client 程式，負責把這個「寄信」的指令包裝成標準格式，傳送給正確的工具
• Servers（伺服端）：就是你自己寫的那段 Python 程式，也就是 MCP Server，它接到指令後，真的去幫你登入 Gmail，寄出那封信

（一）如何讓 AI 寄信？MCP 操作 11 步驟跟著做就會

1. 安裝 Python

為了後續讓 MCP 寄出 Email，我們會需要使用 Python 來執行該動作。

前往官網下載 Python，安裝畫面記得勾選：「Add Python.exe to PATH」，一路完成安裝即可。

2. 安裝 VS Code

接著，會需要一個編輯器來輸入、整理、排版程式碼，我們選用 VS Code 來協助。

前往官網下載 VS Code，一路完成安裝即可。

3. 安裝 Flask 與 dotenv 套件

Flask 與 dotenv 可以幫我們啟動一個簡單的 Web 伺服器，管理密碼也安全無虞。

打開 VS Code，在上方「終端機 → 新增終端機」，輸入：

4. 建立資料夾與程式檔

到桌面新建一個資料夾，命名為 mcp_email。

接著回到 VS Code，點左上角「檔案 → 開啟資料夾」，選擇剛剛的 mcp_email。

點擊左邊空白處，新增兩個檔案：

• server.py：程式主體
• .env：放 Email 密碼

5. 貼上程式碼 server.py

在 server.py 複製並貼上以下程式碼，這段程式將幫你建立 MCP Server，AI 可以透過它寄 Emai：

6. 設定你的寄信帳密

在 .env 複製並貼上以下程式碼，等號後面必須要根據實際的 Gmail 帳號與應用程式密碼修改：

注意，應用程式密碼並非 mail 信箱密碼，可以點這裡修改 Gmail 的應用程式密碼。

7. 啟動 MCP Server

在 VS Code 下方「終端機」輸入：

看到這句話就表示 MCP 工具上線了：

8. 下載並安裝 Claude Desktop

前往 Claude 官方網站下載並安裝適用於你作業系統的版本。

9. 訂閱 Claude Pro

註冊帳號後，訂閱 Claude Pro 才能使用 MCP 工具。

10. 啟用開發者模式

打開 Claude，點左下角帳號頭像，可以找到「Developer Mode」。

選擇「啟用」，並重新啟動 Claude。

11. 實際輸入指令讓 Claude 幫你寄信

你可以直接輸入：

「幫我寄一封 Email 給 Rex@adbest.com，主旨是會議通知，內容是明天下午兩點記得開會。」

Claude 會依序執行以下幾件事情：

• 讀取你的 /schema
• 自動決定要用寄信工具
• 發送指令到 /execute
• 成功後回你：「信件已寄出給 Rex！」

（二）MCP 可以做什麼？7 個使用情境顛覆你的想像！

🖼️ 自動寄信，不需手動打開信箱

當使用者對 AI 輸入「幫我寄封信給 Rex，主旨是會議提醒，內容是明天下午兩點記得開會」AI 會透過 MCP 呼叫寄信工具（例如連上 Gmail API 或 SMTP 工具）將信寄出，整個流程不用自己操作任何介面。

🖼️ 自動存取與更新行事曆資料

AI 能透過 MCP 連結到日曆服務（如 Google Calendar），查詢下週空檔、自動安排會議，並同步將會議資訊寄給與會者，你不再需要來回切換日曆、確認時段與手動寄信。

🖼️ 檔案存取與摘要整理

當你說「幫我抓桌面那份報告的重點」，AI 可以透過 MCP 讀取本機電腦中的指定文件（例如 PDF 或 Word），再根據內容自動整理摘要，再也不需要事先上傳檔案，或複製貼上整份內容了。

🖼️ 跨工具整合的任務流程執行

你下了指令「整理今天的會議記錄、寄一份摘要給整個團隊」，AI 就能先從 Notion 撈取會議筆記，分析出數個重點，再透過 MCP 呼叫寄信工具，自動寄出整理好的內容。

🖼️ 協助開發人員閱讀與分析程式碼

MCP 讓 AI 能直接讀取開發環境中的專案結構與程式碼內容。使用者可以詢問「請幫我找出這段 API 有哪些未處理錯誤」，AI 可直接透過 MCP 連線到開發資料夾、分析原始碼，並整理出回報內容。

🖼️ 自動執行圖像與檔案處理任務

當你說「幫我把這張圖片縮小成 800×800 並轉成灰階」，MCP 可讓 AI 直接操作圖像處理工具（如 ImageMagick 或 PIL），讀取圖片、處理完再儲存指定檔案。

🖼️ 操作本機程式，如建立 3D 模型

若你要求「幫我在 Blender 製作一個 5 公尺高的圓柱」，MCP 可以讓 AI 連結你電腦裡的 Blender，執行指定的建模腳本。

搞不懂 Claude MCP？9 QA 解答常見疑惑！

（一）AI 模型為什麼不能直接接 API？非得用 MCP 嗎？

可以接，但很麻煩。

API 規格太多、格式太雜、互動也不夠靈活。

此外，AI 模型要處理多步驟任務時，會因為 API 沒有記憶能力而中斷。

MCP 就是專門為了解決這些限制，讓 AI 能自然使用工具、處理流程、執行任務，對 AI 來說，MCP 比 API 好用太多了。

（二）誰發明 MCP？現在有哪些人在用？

MCP 是由 Anthropic 公司在 2024 年底提出的開放標準，最早是為他們的 Claude AI 模型設計的。

現在除了他們自己，越來越多 AI 開發者也開始採用 MCP 架構，整合 Google Calendar、Notion、Email、Slack、檔案系統等外部資源，幫助人們處理更多事情。

（三）MCP 只能搭配 Anthropic 的 AI 模型用嗎？

不是。

雖然 MCP 是由 Anthropic 提出的，但它是開放標準，任何 AI 模型——像是 Claude、ChatGPT、LLaMA，只要有支援對應格式和邏輯，都能搭配 MCP 架構使用，不限品牌或平台。

（四）MCP 怎麼讓 AI 記得上下文？它是怎麼「有狀態」的？

MCP 會在每次互動中保留任務的上下文資訊，包含目前處理到哪一步、使用了哪些資料、執行結果是什麼。

由此，AI 可以根據前一次的回應做下一步處理，就像真的在「跑流程」，而不是單純一問一答。傳統 API 沒有這個設計，MCP 做到了。

（五）AI 是怎麼知道 MCP 工具能做什麼的？

每個 MCP Server（伺服端）都會提供一個 /schema 路徑，裡面會寫清楚它有哪些功能、需要什麼輸入、會輸出什麼結果。

AI 模型讀完這個 schema，就能自己判斷「要不要用」「怎麼用」，就像是看一本說明書一樣。

（六）用 MCP 是不是很難？我需要學什麼？

不會太難，你需要懂 HTTP 請求、JSON 格式，還有基本的程式語言（像是 Python 或 Node.js）。

MCP 的設計本身很簡單，只要你有能力架一個小型 API，就能開始開發 MCP Server。

開發者只需要讓自己的工具支援兩個指定的路徑：/schema 負責讓 AI 讀懂這個工具會什麼、怎麼用；/execute 則負責實際接收請求並執行任務。

只要這兩個路徑設計好，AI 模型就能透過 MCP 與你的工具對話、完成任務。

（七）有現成的 MCP Server 可以直接用嗎？還是都要自己寫？

目前有一些開源的 MCP Server 範例可以參考，像是對接 Google Calendar、Gmail、Notion、Slack 等常見工具。

你可以直接使用這些現成模組，也可以拿來改寫。Anthropic 官方也有提供基礎模板與 client.py 範例，對開發者來說相對友善。

（八）我可以只用一個 MCP Server 嗎？還是要一整套？

可以只用一個。

你可以先從最需要的功能開始，例如只讓 AI 查日曆或讀取內部資料庫，之後再慢慢擴充別的模組。MCP 的彈性設計就是為了這種「一個一個加上去」的方式而生。

（九）如果工具更新了，MCP Server 會不會要重寫？

不太需要。

MCP 的設計是模組化的，你可以獨立更新某個 MCP Server，而不影響整體系統，比傳統 API 整合方式更靈活也更好維護。

用 MCP 讓 AI 動起來，讓 ADBest 為你找出成效盲點！

MCP 讓 AI 模型能安全地連結外部工具，主動幫你寄信、查資料、排行程，甚至操作本機應用程式。從只能聊天的模型，AI 蛻變成能處理任務的助手。

當大家都在用 AI，加速寫文、生成圖片、排程回覆，這已經不再是什麼門檻了。真正讓你與競品拉開差距的關鍵，不是你工具用得多快，而是你知不知道自己做的事情有沒有方向、值不值得做。

你可能每天產出好幾篇文章、投下不少廣告預算，忙得不可開交，但 SEO 排名沒起色、點擊率動不起來、轉換還是卡卡的。不是你不夠努力，而是這些數字背後，沒有人幫你看出真正卡關的地方在哪裡。

這就是 ADBest AI 行銷分析工具要解決的事，幫你看清楚：哪裡該優化、什麼最值得先做、

若是做了會帶來多少效果。

透過自動生成的 SEO 報告與多維度數據分析，我們協助你釐清目前的流量瓶頸、內容弱點，讓你每一次優化都有方向，迎接結果。

別再讓努力白費、數字說不出話──現在就點擊下方按鈕諮詢，讓你的行銷有感發生效果吧！

延伸閱讀：

🎈AI Agent是什麼？與AI差異？企業4思維＋6應用分享！

🎈n8n新手中文教學：6步安裝、7步驟部署第一支工作流！費用？

🎈Zapier是什麼？5步驟設定教學、自動化應用、好處、費用一次看！

🎈Gemini是什麼？Google AI核心6功能＋5生活應用，迭代4版本介紹