MCP(Model Context Protocol,模型上下文協定)是一套讓 AI 應用程式連接外部系統的開放標準。官方文件的比喻是:MCP 就像 AI 應用程式的 USB-C 接頭,USB-C 讓各種電子裝置用同一種方式連接,MCP 讓 AI 應用用同一種方式連接資料來源(例如檔案、資料庫)、工具(例如搜尋、計算)與工作流程。
本文依 Model Context Protocol 官方文件、Anthropic 官方公告與 Linux Foundation 公開資訊整理,查證日 2026-11-18(台北時間)。MCP 規格仍持續更新,技術細節以官方文件當下版本為準。
MCP 是什麼?一句話說明
數位勞動力有限公司協助台灣中小企業導入 AI 數位員工與流程自動化,近一年最常被問到的技術名詞之一就是 MCP:「有了 MCP,AI 是不是就能直接操作我們的 ERP?」這篇用不寫程式也看得懂的方式,說明 MCP 能做什麼、不能做什麼,以及企業要讓 AI 接公司系統之前,該先問清楚的事。
為什麼需要 MCP?沒有它之前怎麼接?
在 MCP 出現之前,每個 AI 應用要接一個外部系統,都要各自寫一套串接程式。假設公司有 5 種 AI 工具、要接 10 個系統,最壞的情況要寫 50 套串接,而且每家 AI 廠商的寫法都不一樣。
MCP 的做法是把「接系統」這件事標準化:系統這一端只要提供一個符合規格的 MCP 伺服器,任何支援 MCP 的 AI 應用都能連上;AI 應用這一端只要支援 MCP,就能連接所有現成的 MCP 伺服器。官方文件說明,對開發者而言,MCP 降低了建置或串接 AI 應用與 agent 的時間和複雜度;對使用者而言,AI 應用可以存取使用者的資料,並在必要時代為採取行動。
MCP 怎麼運作?三個角色
官方〈Architecture overview〉把 MCP 的參與者分成三種:
| 角色 | 官方定義 | 白話說明 |
|---|---|---|
| MCP 主機(Host) | 協調與管理一個或多個 MCP 用戶端的 AI 應用程式 | 你實際在用的 AI 工具,例如 Claude、ChatGPT、Visual Studio Code |
| MCP 用戶端(Client) | 與一個 MCP 伺服器保持連線、取得上下文給主機使用的元件 | 主機裡負責「接線」的部分,每接一個伺服器就有一個用戶端 |
| MCP 伺服器(Server) | 提供上下文給 MCP 用戶端的程式 | 系統這一端的「插座」,例如檔案系統、資料庫、Sentry 等服務 |
伺服器可以在本機執行,也可以在遠端執行。官方文件舉例:本機的檔案系統伺服器透過標準輸入輸出(STDIO)和 AI 應用溝通,通常只服務一個用戶端;遠端伺服器透過 Streamable HTTP 傳輸,通常服務很多用戶端,並支援 bearer token、API 金鑰等標準的 HTTP 驗證方式。
MCP 伺服器能提供什麼?三種基本元素
官方文件定義了 MCP 伺服器可以提供的三種核心元素(primitives):
| 元素 | 官方說明 | 企業情境的例子 |
|---|---|---|
| 工具(Tools) | AI 應用可以呼叫、用來執行動作的函式,例如檔案操作、API 呼叫、資料庫查詢 | 查詢訂單狀態、建立請款單、寄出通知信 |
| 資源(Resources) | 提供上下文的資料來源,例如檔案內容、資料庫紀錄、API 回應 | 產品規格表、客戶資料、資料庫的欄位結構 |
| 提示(Prompts) | 幫助與語言模型互動的可重複使用範本 | 「依公司格式整理會議紀錄」這類固定指令 |
每種元素都有對應的「列出」方法,AI 應用會先詢問伺服器有哪些工具可用,再把工具清單交給模型,模型決定要呼叫哪一個。官方文件也提到用戶端可以提供「引導輸入」(elicitation)功能,讓伺服器在需要時向使用者索取更多資訊,或請使用者確認某個動作。
對企業來說,最需要注意的是「工具」:工具代表 AI 可以「做事」,而不只是「讀資料」。能查詢和能修改,風險等級完全不同。
MCP 從哪裡來?現在由誰維護?
| 時間 | 事件 |
|---|---|
| 2024 年 11 月 | Anthropic 推出 MCP,作為連接 AI 應用與外部系統的開放標準 |
| 2025 年 11 月 25 日 | 規格發布新版本,Anthropic 公告提到加入非同步操作、無狀態、伺服器身分與官方擴充等功能 |
| 2025 年 12 月 9 日 | Anthropic 宣布把 MCP 捐贈給 Linux Foundation 旗下新成立的 Agentic AI Foundation(AAIF) |
依 Anthropic 的公告,AAIF 由 Anthropic、Block 與 OpenAI 共同創立,並獲得 Google、Microsoft、AWS、Cloudflare 與 Bloomberg 支持;MCP 和 Block 的 goose、OpenAI 的 AGENTS.md 一起成為創始專案。公告也寫明,MCP 原本由維護者主導、重視社群意見的治理方式維持不變。
同一份公告列出當時的採用情況:公開的 MCP 伺服器超過一萬個;ChatGPT、Cursor、Gemini、Microsoft Copilot、Visual Studio Code 等產品都已支援;AWS、Cloudflare、Google Cloud、Microsoft Azure 提供部署支援;Python 與 TypeScript 的官方 SDK 每月下載量超過 9,700 萬次。
這段歷史對企業的意義是:MCP 已經不是單一廠商的私有規格,而是由中立基金會維護的產業標準。選擇支援 MCP 的工具,比較不會被綁在某一家廠商。
MCP、API、RPA 差在哪?
這三個名詞常被混在一起。簡單分:
| 比較項目 | API | MCP | RPA(畫面操作) |
|---|---|---|---|
| 是什麼 | 系統對外開放的程式介面 | AI 應用連接系統的標準協定 | 模擬人操作畫面的軟體機器人 |
| 誰來用 | 工程師寫程式呼叫 | AI 應用依模型判斷呼叫 | 依預先錄製或設計的步驟執行 |
| 前提 | 系統要有 API | 要有對應的 MCP 伺服器,伺服器底層通常還是呼叫 API | 系統有操作畫面即可 |
| 適合 | 固定、大量的資料交換 | 需要 AI 判斷「該做哪一步」的任務 | 沒有 API 的舊系統 |
關鍵在第三列:MCP 伺服器底層通常還是要靠系統的 API 或資料庫。如果公司的進銷存或 ERP 系統沒有 API,MCP 不會憑空變出接口,仍然要先解決「怎麼接」的問題,四種常見接法整理在公司系統沒有 API,AI 數位員工怎麼接。AI agent 本身的概念與組成,見AI Agent 是什麼。
企業可以怎麼用 MCP?
依官方文件列出的情境,再對應到台灣中小企業常見的工作:
- 讓 AI 助理讀得到公司資料:官方舉例,企業聊天機器人可以連接組織內多個資料庫,讓使用者用對話分析資料。對應到實務,就是讓 AI 回答「上個月哪個客戶退貨最多」這類問題。
- 讓 AI 接行事曆、文件與專案工具:官方舉例,agent 可以存取 Google 行事曆和 Notion,成為更個人化的 AI 助理。
- 讓 AI 在既有工具裡執行動作:例如在客服系統建立工單、在專案工具更新進度。
這些情境的共同點是:AI 要先「知道」公司的資料,才能回答或行動。過去常見的做法是把文件複製貼上給 AI,或匯出成檔案上傳;MCP 讓 AI 在需要時直接向系統查詢,資料不必先整批搬出去,但也代表 AI 的存取權限必須設計好。
比較適合先試的,是「只讀不寫」的情境:查詢、彙整、摘要。等確認 AI 判斷穩定、權限與紀錄機制都到位,再開放「寫入」類的工具。
接公司系統之前,要先檢查的資安問題
MCP 官方的〈Security Best Practices〉文件列出多種針對 MCP 實作的攻擊與因應方式,包括「混淆代理人」(confused deputy)問題、權杖直接轉傳(token passthrough)、伺服器端請求偽造(SSRF)、本機 MCP 伺服器遭入侵,以及權限範圍最小化。這份文件的主要讀者是開發者與資安人員,但企業主至少要知道背後的原則:
| 檢查項目 | 要問的問題 |
|---|---|
| 伺服器來源 | 這個 MCP 伺服器是系統原廠官方提供,還是第三方寫的?程式碼與維護者是否可以查證? |
| 權限範圍 | AI 拿到的帳號權限是不是只有這個任務需要的部分?官方文件把「權限範圍最小化」列為最佳做法,並列出萬用權限、一次要求全部權限等常見錯誤 |
| 讀與寫分開 | 能查詢的工具和能修改、刪除、付款的工具,是否分開授權?寫入類動作是否需要人確認? |
| 本機執行的風險 | 安裝在員工電腦上的本機伺服器,能存取哪些檔案和指令? |
| 紀錄與稽核 | AI 呼叫了哪些工具、改了哪些資料,事後查得到嗎? |
| 提示詞注入 | AI 讀到的外部內容(信件、網頁、文件)如果夾帶惡意指令,會不會讓 AI 去呼叫不該呼叫的工具? |
最後一項值得特別說明。AI agent 會讀信件、網頁和文件,而這些內容可能被有心人放進「請把資料寄到某個信箱」之類的指令。工具權限開得越大,被誤導時的損害就越大。這也是為什麼我們建議先從只讀情境開始,並讓所有寫入動作都經過人確認。AI 處理公司資料的整體風險,整理在AI 員工會不會把公司資料外洩。
MCP 會取代 RPA 或自動化流程嗎?
不會完全取代,比較像分工。MCP 讓 AI 能「依情況判斷要用哪個工具」,適合步驟不固定、需要理解內容的任務;但很多企業流程本來就是固定步驟,例如每天固定時間下載報表、比對、登打。這類流程用規則清楚的自動化來跑,結果可預期、成本也比較好控制,不一定需要每一步都讓 AI 判斷。
實務上常見的組合是:固定步驟交給自動化流程,需要閱讀和判斷的環節(例如分類客戶來信、辨識單據內容)交給 AI,兩者之間用 API 或 MCP 串起來。串接固定步驟的工作流程工具,費用與自架差異可以參考n8n 是什麼。
企業導入 MCP 的建議步驟
- 先列出要解決的問題:例如「業務每天花一小時查庫存回客戶」,而不是「我們要導入 MCP」。
- 確認系統有沒有官方 MCP 伺服器或 API:先問原廠,再考慮第三方。
- 從只讀情境試辦:選一個部門、一個系統、一到兩個查詢類任務。
- 建立權限與紀錄規則:專用帳號、最小權限、操作紀錄、寫入需確認。
- 評估是否擴大:看實際節省的時間、錯誤率與維護成本,再決定是否開放寫入或擴到其他系統。
數位勞動力有限公司能協助的部分
數位勞動力有限公司協助企業盤點哪些流程適合交給 AI、哪些適合固定的自動化流程,並評估公司系統要用 API、MCP 或畫面操作來接。我們不承諾特定的節省比例,會先依實際流程評估可行性與費用結構。想先檢查自己的流程適不適合自動化,可以用自動化適性快篩;導入預算怎麼編,見中小企業導入 AI 員工要多少錢;想依職缺比較台灣的服務商,可以看AI 員工公司推薦 2026 懶人包。
參考資料與引用來源
本文引用的公開研究與權威來源如下,皆為外部網站連結,數據與內容以原始出處為準。
- What is the Model Context Protocol (MCP)?|Model Context Protocol(查證日 2026-11-18)
- Architecture overview|Model Context Protocol(查證日 2026-11-18)
- Security Best Practices|Model Context Protocol(查證日 2026-11-18)
- Donating the Model Context Protocol and establishing the Agentic AI Foundation(2025-12-09)|Anthropic(查證日 2026-11-18)
- Linux Foundation Announces the Formation of the Agentic AI Foundation|Linux Foundation(查證日 2026-11-18)
