作者：Hendrix，Web3Caff Research 研究员
封面：Photo by Andrei Castanha on Unsplash
字数：全文共计 15000+
一、导读
Anthropic 在 2024 年末向开源生态投下了一枚重磅炸弹，即一个理论上能够连接所有应用和所有大语言模型的模型上下文协议：Model Context Protocol（简称 MCP）。MCP 作为开源生态中的当红炸子鸡，受到了 Web2 和 Web3 领域开发者的共同关注。
MCP 通过简单有效的架构创建了大量让人意想不到的强大的 AI 落地实际案例，在 Web2 领域我们已经看到了像 Manus、Genspark 这样受益于 MCP 协议的产品新星，在 Web3 领域也出现了一些类似的有趣新产品。而 MCP 则或是当前版本 AI 落地痛点的最优答案。
二、问题与痛点
人工智能（AI）的浪潮正以前所未有的力量重塑各个行业，其深度集成和广泛应用已成为不可逆转的趋势。
不论是 Web2 还是 Web3 都对 MCP 寄予了巨大的期待，但 AI 从简单的对话窗口的 “全知” 发展到能处理各种问题的 “全能”，中间需要模型能力本身的提升、需要更强的规划能力，但更重要的是需要教会 AI 如何稳定使用能接触到的工具。
然而，当 AI 模型，特别是大型语言模型（LLM），试图与外部世界——海量的数据源、多样化的工具集以及复杂的系统——进行交互时，一个核心的挑战浮出水面：如何建立一个标准化、安全且可信的通信桥梁？缺乏统一标准不仅导致了开发效率的低下，更在数据隐私、操作安全和结果可验证性方面带来了巨大风险。
三、Web2 & Web3 AI Agent 视角：从 API 到 MCP / A2A
在早期，OpenAI 为开发者提供了通用的 “文本输入－文本输出” 接口，应用通常通过直接向大语言模型发送提示词（包含用户请求和对话上下文）来获取答案，然后由后台程序根据文本返回的生成结果，按照预先定义好的业务逻辑，选取合适的工具调用外部 API（比如数据库或者日历）。
这种方式简单直观，对话式应用友好，但缺乏与工具的直接集成能力。模型自身无法直接执行外部操作或获取实时数据，开发者只能通过分析模型输出中的关键词或命令提示来触发工具调用。
为此，Anthropic 于 2024 年 11 月开源了 MCP 协议，通过为行业不同厂家、不同结构的大语言模型提供统一的与外部真实世界同频的接口，让所有的应用都有机会变成更大的智能系统的一部分。
MCP 标准化了模型与工具之间的交互，采用客户端-服务器架构。MCP 服务器会公开一组工具接口并提供统一描述，MCP 客户端可在运行时查询可用工具并调用。其优势在于极大地简化了跨模型、跨工具的集成成本，理论上只需一次对 MCP 协议的适配，就能使用任意兼容的工具。
四、Web3 AI MCP 行业梳理与推演
接下来我们会从 Web3 行业内已经跟进 MCP/A2A 服务的板块进行分析，构建完整的 Web3 MCP 地图。链上 AI 在过去半年内吸引了大量投资人与开发者的注意力，因此行业内出现了很多与 Agent / MCP / A2A 等热门概念相关的项目。具体区分其实主要有以下几类：
第一类做基础赋能，向外提供链上的能力，是所有链上 MCP 的源头。主要参与者是公链以及热门去中心化 Agent 框架，主要提供 MCP 服务器；
第二类做通信协议优化，当 MCP 服务器变多，通过提供可信的 MCP 服务赚取费用。主要参与者是新兴的 MCP 应用商店以及数据应用，主要负责完善 MCP 基建；
第三类做应用落地，这类产品通常选中一个核心场景（比如交易），优化场景下的系统 Prompt，限定使用的外部 MCP 服务器名单保证服务安全，通过强大的编排能力实现复杂任务的落地。主要参与者是新兴的深度应用，主要在 MCP 主机上进行优化；
第四类做智能体间协议，常见在 Agent 资产较多的平台。
链上 MCP 行业路径 图源：Web3Caff Research 研究员 Hendrix 自制
五、挑战与总结
从 Web3 行业的角度来看，MCP/A2A 的落地应用为行业带来了新的活力和机遇。公链、新兴应用商店、深度应用等不同参与者纷纷跟进，构建起了完整的 Web3 MCP 地图。当智能体获得更大能力、更多决策权和自主性，其实也带来了一系列安全风险。
因篇幅有限，以上仅为研报的部分摘要与结构拆解，我们在完整版中，进一步提供了：① 详解 MCP/A2A 的工作方式和交互场景
② 分析并构建完整的 Web3 MCP 地图关于 Agent / MCP / A2A 等热门概念相关的项目
③ MCP 为 Web3 带来机会和挑战以及未来展望
📖 想深入了解 MCP 的技术潜力与长期定位？
👉 点击下方解锁查阅研报正文，全文超 15000+ 字
