MCP为何会从爆红一夜之间变成失宠的代名词？
- 内容介绍
- 文章标签
- 相关推荐
说实话，MCP 曾经风光一时但现在似乎已经失宠了。就连 Anthropic 自己也在悄悄地去 MCP 化。你打开最新版本的 Claude，会发现一套叫做 Skills 的系统正在接管越来越多的工作。生成 PPT？读 Skill。做 Excel？还是读 Skill。曾经被寄予厚望的万能协议，怎么就沦落到这步田地？
MCP 为何出道即巅峰
我惊呆了。 2024 年 MCP 发布的时候，引发了轰动。主要原因是它精准击中了当时 AI 应用开发最大的痛点：开发者不得不重复造轮子。在 MCP 出现之前，开发者想让 Claude 访问 Google Drive？写一套代码接 API。想让它访问 Slack？再写一套 API。对于 IDE 厂商更惨， Cursor 要适配 Linear，Windsurf 也要适配 Linear，每家都在做几乎一模一样的脏活...
害，MCP 的设计初衷是为了让 AI 更好地使用工具，但 AI 其实根本不需要这种特殊的照顾，我满足了。。
MCP 的困境
MCP 能够直接在 AI 与数据、 工具之间架起一座桥梁，通过 MCP 服务器和 MCP 客户端实现 AI 领域的万物互联。但它的机制要求把工具的名称、 描述、参数结构以及使用示例，全部一股脑地注入到 Agent 的里。Agent 得先读完这些冗长的“说明书”，才能决定下一步该调用哪个工具。
实际上... 咱就是说这不就是在浪费资源吗？决定了 Agent 能看多少对话历史，能保留多少工作记忆，能有多大的推理空间。这就像是人类的短期记忆，容量极其有限。而 MCP 的工作方式，恰恰是在挥霍这个资源。
CLI vs MCP
CLI 之所以能回归， 正是主要原因是它足够简单，足够透明，足够强大。它把控制权交还给了用户，交还给了开发者，也交还给了 AI，勇敢一点...。
你知道吗？大模型在训练时看过海量的 man 手册、Stack Overflow 上的精彩回答以及 GitHub 上数以亿计的 Shell 脚本。它们对 CLI 的理解， 别纠结... 远比对某个冷门的 MCP server 要深刻得多。你给它一个命令行工具和一份文档，它就能上手，根本不需要什么特殊的适配层。
MCP 失宠的背后
Perplexity 的转向， Garry Tan 的批评，以及社区里越来越多的反思，都指向了一个共同的问题：MCP 试图解决的问题，其实已经被 CLI 和 API 解决得够好了。强行引入一个新的抽象层，带来的只有摩擦和损耗，话说回来.….。
技术的演进往往是一个螺旋上升的过程。我们总是试图通过增加抽象层来简化问题，但有时候，过度的抽象反而成了新的负担。MCP 的爆红， 代表了人们对 AI Agent 标准化的渴望；而它的失宠，则提醒我们，不要为了创新而创新，不要为了标准而标准，纯属忽悠。。
回归简单
上周， Perplexity 的联合创始人兼 CTO Denis Yarats 在内部的一番表态，像是一颗石子投入了平静的湖面激起了层层涟漪。他们正在放弃 MCP，转而回归传统的 API 和 CLI。更耐人寻味的是这个消息扩散出来后业界的反应竟然不是惊讶，而是一种“早该如此”的默契。
给 AI 构建工具链，不需要发明一套新的协议。AI 需要的工具，和人类需要的工具，在很多时候是同一套。最好的工具， 麻了... 是对人类友好，一边对机器也友好的工具。而 CLI，恰恰就是这种经过时间考验的“双优”接口。
说白了 我们在做 Tiptap 深度定制、性能优化和协作功能实现时也遇到了类似 MCP 的困境：是引入一个复杂的中间层来统一管理状态，还是直接利用现有的成熟机制？ 起初我以为... 经过多次尝试，我们发现，过度封装往往会导致调试困难，性能下降。到头来我们选择了更贴近原生、更透明的方案，这大大提升了开发效率和系统的稳定性。
说实话，MCP 曾经风光一时但现在似乎已经失宠了。就连 Anthropic 自己也在悄悄地去 MCP 化。你打开最新版本的 Claude，会发现一套叫做 Skills 的系统正在接管越来越多的工作。生成 PPT？读 Skill。做 Excel？还是读 Skill。曾经被寄予厚望的万能协议，怎么就沦落到这步田地？
MCP 为何出道即巅峰
我惊呆了。 2024 年 MCP 发布的时候，引发了轰动。主要原因是它精准击中了当时 AI 应用开发最大的痛点：开发者不得不重复造轮子。在 MCP 出现之前，开发者想让 Claude 访问 Google Drive？写一套代码接 API。想让它访问 Slack？再写一套 API。对于 IDE 厂商更惨， Cursor 要适配 Linear，Windsurf 也要适配 Linear，每家都在做几乎一模一样的脏活...
害，MCP 的设计初衷是为了让 AI 更好地使用工具，但 AI 其实根本不需要这种特殊的照顾，我满足了。。
MCP 的困境
MCP 能够直接在 AI 与数据、 工具之间架起一座桥梁，通过 MCP 服务器和 MCP 客户端实现 AI 领域的万物互联。但它的机制要求把工具的名称、 描述、参数结构以及使用示例，全部一股脑地注入到 Agent 的里。Agent 得先读完这些冗长的“说明书”，才能决定下一步该调用哪个工具。
实际上... 咱就是说这不就是在浪费资源吗？决定了 Agent 能看多少对话历史，能保留多少工作记忆，能有多大的推理空间。这就像是人类的短期记忆，容量极其有限。而 MCP 的工作方式，恰恰是在挥霍这个资源。
CLI vs MCP
CLI 之所以能回归， 正是主要原因是它足够简单，足够透明，足够强大。它把控制权交还给了用户，交还给了开发者，也交还给了 AI，勇敢一点...。
你知道吗？大模型在训练时看过海量的 man 手册、Stack Overflow 上的精彩回答以及 GitHub 上数以亿计的 Shell 脚本。它们对 CLI 的理解， 别纠结... 远比对某个冷门的 MCP server 要深刻得多。你给它一个命令行工具和一份文档，它就能上手，根本不需要什么特殊的适配层。
MCP 失宠的背后
Perplexity 的转向， Garry Tan 的批评，以及社区里越来越多的反思，都指向了一个共同的问题：MCP 试图解决的问题，其实已经被 CLI 和 API 解决得够好了。强行引入一个新的抽象层，带来的只有摩擦和损耗，话说回来.….。
技术的演进往往是一个螺旋上升的过程。我们总是试图通过增加抽象层来简化问题，但有时候，过度的抽象反而成了新的负担。MCP 的爆红， 代表了人们对 AI Agent 标准化的渴望；而它的失宠，则提醒我们，不要为了创新而创新，不要为了标准而标准，纯属忽悠。。
回归简单
上周， Perplexity 的联合创始人兼 CTO Denis Yarats 在内部的一番表态，像是一颗石子投入了平静的湖面激起了层层涟漪。他们正在放弃 MCP，转而回归传统的 API 和 CLI。更耐人寻味的是这个消息扩散出来后业界的反应竟然不是惊讶，而是一种“早该如此”的默契。
给 AI 构建工具链，不需要发明一套新的协议。AI 需要的工具，和人类需要的工具，在很多时候是同一套。最好的工具， 麻了... 是对人类友好，一边对机器也友好的工具。而 CLI，恰恰就是这种经过时间考验的“双优”接口。
说白了 我们在做 Tiptap 深度定制、性能优化和协作功能实现时也遇到了类似 MCP 的困境：是引入一个复杂的中间层来统一管理状态，还是直接利用现有的成熟机制？ 起初我以为... 经过多次尝试，我们发现，过度封装往往会导致调试困难，性能下降。到头来我们选择了更贴近原生、更透明的方案，这大大提升了开发效率和系统的稳定性。