Understanding How Enterprises Adopt the Model Context Protocol for LLM-Driven Software Engineering
本文通过对来自八家企业的20位从业者的实证研究表明，尽管模型上下文协议（MCP）因其在增强大语言模型驱动的软件工程中的跨系统协作和任务解耦方面的价值而受到重视，但其广泛采用目前仍受到生态系统碎片化、协调挑战以及状态管理和故障诊断中未解决问题的阻碍。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你有一个才华横溢、超智能的助手（一个大语言模型，或称 LLM），它能写代码、回答问题并解决谜题。但有一个限制：这个助手住在一个密封的房间里。它无法接触你的文件，无法查看你的日历，也无法与你的银行数据库对话。为了让它做任何有用的事情，你必须为每一项任务单独交给它一个特定的工具。这就像是在盖房子时，每次都需要先给建筑师一把锤子，然后是锯子，接着是钉子，然后是螺丝刀，一次只能给一件。
这就是 模型上下文协议 (Model Context Protocol, MCP) 被发明出来要解决的问题。
核心理念： “通用适配器”
把 MCP 想象成你 AI 助手的 通用电源插线板和遥控器。你不需要为家里的每件电器都定制一根电缆，而是将所有东西都插在这个智能插线板上。
- 在 MCP 之前： AI 必须与每个工具进行硬连线。如果你想添加一个新工具，你就必须重新布线整个系统。
- 有了 MCP： AI 连接到“MCP 插线板”。这个插线板知道如何与你的日历、你的数据库和你的代码编辑器进行对话。AI 只需要向插线板询问：“我需要检查天气”，插线板就会处理剩下的工作。
研究人员做了什么研究
该论文的作者想要知道：这个“通用插线板”在现实世界中真的有效吗？
他们不仅仅是在看代码；他们深入了实地。他们采访了来自 8 家公司 的 20 位现实世界的专家（架构师、开发人员和经理），涵盖两个主要行业：
- 互联网领域（如大型科技公司）。
- 金融领域（银行和金融科技）。
他们询问这些专家：“你们是如何使用它的？它有帮助吗？哪里出了问题？”
好消息：它是一个游戏规则改变者
专家们一致认为 MCP 具有巨大的价值。以下是他们的看法：
- 它打破了孤岛： 它让 AI 能够与通常无法互通的不同系统进行对话。
- 它节省了时间： 你不需要编写自定义代码来将 AI 连接到某个工具，只需“即插即用”。
- 它更安全： 它提供了一种标准化的方式来控制 AI 可以接触和不可以接触的内容。
坏消息：成长的烦恼
然而，论文揭示了虽然这个想法很棒，但现实情况却很混乱。专家们面临着三个主要的头疼问题：
1. “通用插头”目前还称不上通用。
想象一下，你买了一个通用适配器，但它只能适配你家里一半的插座。这就是目前 MCP 的现状。不同的软件框架（即“插座”）使用的语言略有不同。
- 结果： 公司投入大量的时间和资金来构建“适配器”，以使 MCP 能与他们现有的工具协同工作。这就像每次想过河时，都必须建造一座定制的桥梁。
2. “遥控器”会产生混乱。
当 AI 尝试使用工具时，它有时会选错工具或陷入卡顿。
- 结果： 系统可能会尝试执行一项任务，然后卡住，接着又从头开始，从而浪费时间。这就像一个 GPS，每当你遇到颠簸时都会不断重新计算路线，让你在原地打转。
3. “火是从哪里烧起来的？”（故障排除非常困难）。
当这个复杂的系统中出现故障时，很难弄清楚 为什么。
- 结果： 100% 的专家表示，最难的部分是找到 Bug。是 AI 的问题？是工具的问题？还是连接的问题？目前还没有好的“诊断工具”。这就像是在汽车以 100 英里的时速行驶时试图修理发动机，而且没有任何仪表盘灯光来告诉你哪个部件失效了。
行业差异：两个不同的世界
论文发现这两个行业对 MCP 的使用方式不同：
- 互联网公司： 它们利用它来连接外部世界（例如从网络中获取实时数据）。它们的主要担忧是 安全性（确保 AI 不会意外删除重要内容）。
- 金融公司： 它们将 AI 严格限制在自己的围墙之内（不连接外部互联网）以保护秘密。它们的主要担忧是 合规性（确保每一步都符合规则）。
“稳定性悖论”
研究人员发现了一个他们称之为 “稳定性叠加衰减” (Stability Superposition Attenuation) 的现象，这是最令人惊讶的发现之一。
- 类比： 想象一个合唱团。如果你只有一个歌手，他可能表现完美。如果你有两个，他们可能会和谐共鸣。但如果你有 20 个歌手同时尝试唱不同的歌，结果就会变成一场混乱。
- 发现： 你通过 MCP 连接的工具和 AI 模型越多，整个系统的稳定性就越低。增加的部件越多，发生故障的可能性就越大。
大家的下一步诉求是什么
专家们要求的不是更多功能，而是 简单性和可靠性：
- 统一标准： 他们希望所有人都能就一套规则达成共识，这样他们就不必构建定制适配器。
- 易于设置： 他们希望拥有无需具备计算机科学博士学位即可安装的“即插即用”型工具。
- 更好的诊断功能： 他们需要一个在系统崩溃时能真正告诉他们出了什么问题的“检查引擎灯”。
底线
论文得出结论，MCP 是一个天才的想法，但目前正处于其“成长的烦恼”阶段。它有潜力彻底改变公司使用 AI 的方式，但目前它就像一个理论上运行良好，但在实践中仍有电线松动和开关混乱的全新电网。业界需要停止建造定制的桥梁，转而开始建造标准化的公路。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。