生活分享
模型上下文協定(MCP)是什麼:連接工具與資料的共同介面
MCP 是讓 AI 應用程式與外部工具、資料和提示範本交換資訊的開放協定,不是模型本身,也不保證接上就能完成任務。本文用查詢社區圖書室資料的例子,說明主機、用戶端、伺服器及工具、資源、提示的分工,並比較 MCP、A2A 與 Agent Skills。附連線驗證與權限檢查方法,幫你區分已設定、已連接、可呼叫與真正取得結果。
更新日期: 閱讀時間約 7 分鐘

目錄
模型上下文協定(Model Context Protocol,MCP)是讓 AI人工智慧(Artificial Intelligence)是什麼人工智慧是涵蓋多種技術與應用的總稱,不等於聊天機器人,也不必一定會產生文字。本文從 OECD 的系統定義出發,以照片分類和社區資源推薦為例,說明輸入、推導、輸出與人的目標如何連結,整理它與機器學習、深度學習和生成式 AI 的關係。讀完能用具體問題判斷一項 AI 功能在做什麼,並分辨能力、自治程度與可信度。閱讀全文 應用程式與外部系統交換工具能力與資料的開放協定。它定義共同的互動方式,降低每個應用都要為每個服務各做一套接法的負擔。MCP 不是語言模型,也不是接上後就自動具備可靠工作的代理。
以下依官方架構文件與 VS Code 的實作說明,使用社區圖書室查詢作示意。你會分清工具、資源與提示範本,知道連接設定和實際成功之間還有哪些步驟,也能看懂 MCP 與 A2A、Agent Skills 為什麼可搭配而不相同。
AI 應用、用戶端與伺服器各自做什麼
使用者操作的是 AI 應用程式,也常稱主機;其中的 MCP 用戶端與提供能力的 MCP 伺服器互動。伺服器可以把資料庫、檔案或其他服務包裝成可發現與使用的能力,應用程式則決定如何把這些能力交給模型,以及如何呈現與控制操作。
伺服器可以位於本機或遠端。名字裡有 server 不代表一定要租一臺雲端主機,也不表示所有資料都會送給同一家公司。實際執行位置、驗證方式與資料流向,仍要看你連接的伺服器及應用程式設定。
官方協定會演進,版本與功能支援需要相容。某個用戶端認得工具,不代表它同時支援所有資源、提示或擴充功能。這裡不要求讀者記住版本欄位,而是保留一個基本原則:宣稱支援 MCP,仍需要確認這次使用的具體能力是否可用。
工具、資源與提示是不同形式的能力
工具可以執行動作,例如查詢館藏或更新借閱紀錄;資源提供可讀取的內容,例如館藏清單或使用規則;提示則可提供預先整理的任務範本。實際伺服器可能只提供其中一部分,不必每個連接都同時具備三種。
圖書室例子中,「查某本書是否可借」可以透過工具查詢即時狀態;「圖書室借閱辦法」可以作為資源;「整理一份主題書單」可以是一個提示範本。三者都可能幫助模型工作,但一份提示範本本身不等於已取得最新館藏。
也不要把 resource 的名稱直接理解為網站連結。資源可以用特定識別方式表示,如何讀取由伺服器與用戶端處理。對一般使用者而言,重點是它能否提供可核對的內容,以及內容的更新時間和適用範圍是否清楚。
一次圖書室查詢應如何驗證
以下是原創示例。你已在 AI 應用中設定圖書室 MCP 伺服器,目標是查詢一份指定書單目前有哪些可借。先確認伺服器連接成功、需要的帳號已驗證,並查看是否真的提供館藏查詢工具。設定檔存在,不等於連線已成功。
接著模型提出書名查詢,應用程式將呼叫送到伺服器,伺服器再向館藏系統取資料。預期回傳書籍識別碼、分館或書架資訊及可借狀態。若回應只有連線成功訊息,仍不能說已查到書;若回傳沒有權限,也不能把它解釋成所有書都不可借。
最後逐項對照結果與書單,確認同名書是否需要作者或版本區分。模型應把「查到可借」「查無符合項目」「狀態未確認」分開列出。這份可回查清單,才是任務成果;安裝伺服器、列出工具或成功送出請求,都是中間狀態。
協定標準化,不會自動替你判斷信任
MCP 提供共同介面,但伺服器仍是具體軟體,可能有缺陷或過大的權限。應確認它由誰提供、能讀寫哪些資料,以及登入授權包含什麼。資料只讀與可修改借閱紀錄,對使用者有不同影響,不能因為同樣叫連接器就視為一樣。
主機也負責自己的操作控制。不同產品可採不同核准與限制方式,不能宣稱所有 MCP 工具每次都一定跳出同一種確認畫面。真正的安全邊界應在帳號、服務和程式規則上落實,提示文字只是其中一部分。
伺服器回傳的內容也可能含有使用者輸入,例如書評或備註。這些是資料,不應因為經過 MCP 就取得更高指令權限。標準化傳輸不等於內容可信,模型使用外部文字時仍需區分任務指示與待閱讀資料。
MCP、A2A 與 Skills 怎麼放在同一張圖裡
MCP 常用來讓應用接觸工具與資料;A2A 關注代理之間如何描述能力、交換任務與回報產物;Agent Skills 則把工作知識、指示與可能的腳本整理成可載入的資料夾格式。它們解決不同層次的問題,不是互相取代的同類服務。
例如主代理可以載入「書單整理」技能,透過 MCP 查館藏,再委派另一個代理處理跨館資料;後者若位於不同系統,可能使用 A2A 交流。這是組合示意,不表示完成這個工作一定要三者全用,更不表示它們會自動協調你的任務。
如果只需要讀一份本機文字檔,既有檔案工具可能已足夠。選擇 MCP 的理由通常是需要可重用的標準整合與相容生態,而不是每個 AI 工作都必須多裝一個伺服器。先確認所需能力和資料流,才能避免把連接本身誤當成成果。
例如館藏工具回覆查無資料,應分清是真正沒有符合條件的館藏,還是查詢欄位或館別設定不對。MCP 能把結果傳回來,但如何解讀空結果、要不要改條件重查,仍是宿主應用與代理流程需要負責的部分。
看待 MCP 最實用的順序,是設定、連接、發現能力、實際呼叫、核對結果。每個階段各有證據,任何一步失敗都應清楚回報。這樣即使你不懂協定細節,也能知道問題出在連線、權限、工具功能,還是模型對資料的解讀。
| 概念 | 主要交換內容 | 圖書室示例 |
|---|---|---|
| MCP | 工具、資源、提示 | 查館藏 |
| A2A | 代理任務、狀態、產物 | 委派跨館整理 |
| Agent Skills | 工作指示與附屬資源 | 書單整理方法 |
工具呼叫(Tool Calling)是什麼:模型如何請程式做事工具呼叫(Tool Calling)是什麼:模型如何請程式做事工具呼叫是模型依工具說明產生結構化請求,交由程式執行,再讀取結果的流程;產生參數不等於操作已成功。本文用借用社區器材的情境,說明工具名稱、輸入格式、查詢與寫入的差異,以及為什麼合法 JSON 仍可能包含錯誤內容。附完整往返圖與故障判讀表,幫你看懂代理何時只是提議,何時才有真正的外部結果。閱讀全文
代理互通協定(A2A)是什麼:跨系統交辦與回報任務代理互通協定(A2A)是什麼:跨系統交辦與回報任務A2A 是讓不同系統的代理交換能力資訊、任務狀態與工作產物的開放協定,重點是跨代理協作,不是公開對方的內部提示或工具。本文用活動場地詢問的情境,解釋 Agent Card、Task、Message 與 Artifact,分清收到請求、需要補資料和真正完成。附任務生命週期圖,並比較 A2A、MCP 與 Agent Skills 的角色與相容性限制。閱讀全文
代理技能(Agent Skills)是什麼:可重用的工作方法包代理技能(Agent Skills)是什麼:可重用的工作方法包Agent Skills 是把工作指示、參考資料與可選腳本放進資料夾的開放格式,讓相容代理在需要時載入特定做法。本文用社區月報整理的情境,說明 SKILL.md、名稱與描述、逐步載入及附屬資源的角色,分清技能、系統提示詞、MCP 和 A2A。附內容設計與驗收方法,幫你判斷技能是否真的可重用,而不是只把長提示詞換個檔名。閱讀全文
AI 名詞總索引:從 Loop Engineering 到生成式 AIAI 名詞總索引:從 Loop Engineering 到生成式 AI想看懂 Loop Engineering、Harness Engineering、Context Engineering、RAG、MCP 與其他 AI 名詞,可以從這份總索引開始。依 2026 年 9 月查證範圍,把這些概念分組整理,每個詞連到白話專文,附依任務安排的閱讀路徑、容易混淆的層次,以及原始論文和官方定義的查核方式。閱讀全文
覺得這篇整理實用嗎?分享給需要的朋友
同主題延伸閱讀
生活分享
世界模型(World Model)是什麼:讓 AI 預測「接下來會怎樣」
世界模型指 AI 內部用來預測「這樣做之後會怎樣」的模型,但這個詞至少有三種用法:強化學習代理在想像中練習用的環境模型、LeCun 主張預測抽象表示的架構路線,以及能隨操作即時生成畫面的互動環境。內容用示例說明怎麼在想像中規劃,並列出大型語言模型有沒有世界模型的正反研究,附讀新聞時的檢查問題。
生活分享
視覺語言模型(VLM)是什麼:讓 AI 讀圖片、再用文字回答
視覺語言模型(VLM)能同時接收圖片與文字,再用文字回答。內容拆解視覺編碼器、連接層與語言模型三段結構,說明 CLIP、Flamingo、LLaVA 三篇論文各補上哪一塊,並和多模態 AI、文字生圖分清楚;也整理它常犯的錯:數錯數量、搞混位置、說出圖裡沒有的東西,附上讀收據時逐行核對的步驟。
生活分享
溫度(Temperature)是什麼:AI 回答變化程度的取樣參數
溫度(temperature)是文字生成時調整取樣的參數,讓模型從下一個 token 的機率分布裡抽得更集中或更分散。用假想的台南早餐示例算出低溫與高溫的差別,說明 top-p 的來源和它與 top-k 的差別,並依官方文件與論文指出:調低溫度不代表更準,設成 0 也不保證每次相同,部分模型還不開放調整。
生活分享
合成資料(Synthetic Data)是什麼:兩種用途、品質控管與模型崩潰
合成資料是由演算法或模型產生、模仿真實資料特徵的資料,常見用途有兩種:訓練模型,以及在隱私需求下替代真資料。內容依 Self-Instruct、模型崩潰研究(替換與累積資料的差別)與 NIST、ICO 的隱私文件,說明做法、抽查流程,以及它不能保證的事。
引用本文的文章
資料來源
- MCP:Architecture overview查證日期:
- VS Code:Add and manage MCP servers查證日期:
- A2A:Core Concepts查證日期:
- Agent Skills:Specification查證日期:
本文依據上方所列參考來源與標示之核對日期整理;票價、時刻、功能規格或服務條款可能變動,出發、預訂或購買前請至相關官方網站確認最新資訊。