尽管MCP是否会成为未来行业标准仍未可知，但它无疑点燃了一个值得深入探索的命题：在AI从“能说”到“能做”的转变中，我们需要怎样的新协议、新生态，来承载下一代智能服务的想象力？
科技圈一直流行一种“线性叙事”：先搭好基础设施，然后应用才会随之而来。这听起来井井有条，但现实远没有这么简单。我们对Model Context Protocol（MCP）生态系统的研究表明：在技术发展的实际进程中，基础设施和应用从来都是同步演进、互相推动的。
拿可口可乐来说，这个被视为商业史上最成功的“应用”之一的饮料，其本身的配方其实并不依赖复杂的基础设施。但如果没有工业制冷设备、自动化瓶装技术以及现代运输网络的持续发展，它也不可能成为风靡全球的品牌。与此同时，可口可乐巨大的市场需求又反过来推动了这些基础设施的快速进步。
回到MCP，从Anthropic在2024年11月首次发布该协议以来，其发展势头迅猛，已经无法忽视：OpenAI现已正式支持，亚马逊和微软也加入其中。谷歌推出了Agent2Agent（A2A）协议，思科则发布了Agent Connect Protocol（ACP），虽然目前都声称是“对MCP的补充”，但都体现了对这一领域的重视。此外，MCP服务器的GitHub项目已突破2.5万个星标，增长曲线令人惊叹。
不过，仅靠这些数字并不足以看清全貌。我们深入分析了MCP服务器目录和相关软件包存储库的数据，试图揭示当前生态系统真正的进展状况，以及这为创业者带来的潜在机遇。
基础设施与应用之间的关系
要真正理解MCP生态系统的发展轨迹，必须搞清楚一个关键问题：基础设施与应用之间的关系。早在2018年，Union Square Ventures就提出了一个观点——“The Myth of the Infrastructure Phase”，并指出：基础设施和应用其实是同时演化、彼此推动的。
新的应用会对基础设施提出更高的要求，而基础设施的技术进步又能催生全新的应用类型。这种关系不是线性的、阶段式的，而是持续互动、互相塑造的过程。
在MCP的发展中，这一模式正在现实中上演。以Arcade.dev为例，这家公司的创始人最初想打造一款AI运维助手（AI SRE）。但他们很快发现，缺乏安全、可靠的工具调用能力，导致理想难以实现。于是他们转而投入到相关基础设施的开发中，才有了后来的突破。
其实，这样的故事在科技发展史上屡见不鲜：应用的需求驱动基础设施建设，而基础设施的革新又为更多不可想象的应用打开大门。
MCP解决了什么问题？
在深入探讨MCP生态之前，首先要弄清楚MCP为何诞生、它试图解决的核心问题是什么。
如今，大多数有雄心的AI应用场景，已经远远超越了“聊天”本身。真正有用的AI智能体，必须具备与外部服务交互的能力，能获取实时信息、操作数据，甚至代表用户完成某些任务。正是这些能力，让AI从“对话者”转变为“行动者”。
传统上，API是服务之间互通的标准方式。但对AI模型来说，使用传统API却面临许多难题。API调用要求参数格式严格、错误处理规范、返回值解析清晰——而这套“结构化、确定性”的系统，恰恰与AI模型“概率性、灵活模糊”的本质格格不入。
早期研究项目如Toolformer和Gorilla虽然证明大型语言模型能学习与API互动，但也暴露出核心问题：AI模型在处理传统API时，常常“幻觉”出错误参数、误解返回格式，或在出错时不知如何应对，导致大规模应用时可靠性极差。
MCP的出现，正是为了解决这个不匹配问题。它提供了一种标准化方式，使AI模型可以自动发现可用工具、理解正确使用方法，并在多工具间切换时保持上下文一致性。MCP为智能体与工具之间的交互带来了“确定性”和“结构化”，从而实现稳定集成，无需为每一个新工具手动编写接口代码。
我们可以通过一个例子看看MCP带来什么变化：
当用户让AI助手执行一句自然语言命令：“请帮我在Figma设计中添加一个红色按钮。”
没有MCP
AI可能尝试自己生成调用Figma API的代码，但它很可能会“猜错”参数，比如写出setColor('crimson')，而实际需要的是setFillColor('#FF0000')；或者漏掉身份验证步骤，或者无法处理返回错误。最终的结果就是：用户挫败，流程中断。
有了MCP
比如使用Cursor连接Figma的MCP服务器，AI可以清晰知道Figma有哪些方法、每个方法需要哪些参数，以及如何正确调用。Figma的MCP服务器会明确告诉AI：“这样才能正确添加红色按钮。”执行过程稳定、成功率高，用户无需了解技术细节，也能得到预期结果。
这种“从不确定到确定”的转变，正是MCP令人兴奋的原因。它不只是提升便利性，而是从根本上提升了AI智能体在现实世界中“真正可用”的可能性——无论是对开发者、产品经理，还是最终用户，都是一次革命性的飞跃。
MCP当前生态现状如何？
从数据来看，MCP生态系统正在经历一场以“供给侧”为主导的高速增长。大量新的MCP服务器和开发工具不断涌现，成为AI智能体可调用的“基础能力模块”，包括搜索工具、API连接器、数据访问层等。
目前，MCP服务器的数量增长迅猛。官方的MCP TypeScript SDK在npm（Node Package Manager，全球最大的开源 JavaScript 包管理平台）上的每周下载量已达到约70万次。Smithery的MCP发现平台（由我们之前介绍过的Jenni.ai华裔联合创始人Henry Mao创立）在今年3月的服务器创建量更是环比增长了3倍。
然而，真正被广泛使用的服务器却非常集中。在Smithery平台上，尽管已有超过2500个MCP服务器，但只有8个服务器的安装量超过5万次，“二八法则”十分明显。
从使用类型的分布来看，虽然“网页搜索”服务器数量最多（529个），但平均安装量最高的却是“文件搜索”（平均3,096次）和“代码/开发类”服务器（平均3,239次）。这说明MCP的早期用户群体以技术开发者为主，他们更关注实用性强的工具，而不是面向大众市场的应用体验。
其中一些受欢迎的代表包括：
- 网页搜索类：Brave Search（支持网页与本地搜索）和 Perplexity Search（使用Sonar Pro模型进行查询）表现突出。
- 代码/开发类：如 Sequential Thinking 和 Think Tool，支持多步推理和结构化问题解决，是目前最受欢迎的技术类服务器。
- 文件搜索类：仅有13个服务器，却包含3个安装量超过5万的工具。特别是Desktop Commander，是Smithery平台上第二受欢迎的服务器，支持终端命令执行和文件差异化编辑。
- 通信类工具：数量不多，仅有57个，但平均安装量达1,165次，主要服务于Google工具链。VeyraX是该类中安装量最高的，支持70多个工具，尤其是Gmail管理。
我们还追踪了npm上的MCP服务器包和SDK包的下载情况。在npm生态中，已经发现了53个MCP SDK包和751个MCP服务器包。数据显示，SDK的下载增长远快于服务器包，这反映出MCP发展目前仍处于“供给驱动”阶段：开发者正在积极构建和应对各种场景，但实际应用需求尚未完全爆发。
分类来看：
- AI/tools是数量最多的类别（156个服务器），平均每个安装量超过1万次。
- 文件搜索类尽管只有13个服务器，但平均安装量高达2万次，显然为AI智能体的工作流提供了真实价值。
- CLI命令类的表现更为惊人：仅39个相关包，却拥有极高的下载量，平均安装量超过许多更“热门”的分类。
从npm的每周下载趋势也可以看出各类别的动向：
- CLI命令类总下载量达13.1万次，Smithery-CLI（用于安装平台包）占据主要份额；
- AI/tools和网页搜索紧随其后，分别为8.7万和8.4万次；
- 值得注意的是，AI/tools 类的增长正在趋缓，而网页搜索维持稳定上升趋势。
总的来说，这些数据表明MCP目前仍处在“技术探索阶段”。开发者多在进行底层能力的构建和验证，而不是打造成熟的产品体验。当前的需求集中在搜索、命令行工具等“基础能力块”上——这些也正是未来更复杂智能体应用的基础。
应用与基础设施协同演进
我们从数据中观察到供需之间存在错配，但这些看似混乱的现象背后，其实有规律可循。
1、应用需求正重塑基础设施重点
当前的用户需求主要集中在桌面应用和单用户场景上。例如，专为开发者设计的 AI 编程助手 Cursor，就成为MCP服务器的主要需求来源。这也印证了开发者工具是目前增长最为迅猛的细分领域。
用户在应用中提出的功能诉求，正在反向推动新的基础设施形态出现。如果 ChatGPT 或 Operator 在未来支持 MCP 功能，将有可能催生出一类全新的多用户智能代理应用。这种“应用先行、基础设施跟进”的趋势日益明显。
2、基础设施集中化催生更强大的应用
基础设施正在向某些关键能力集中，从而催生更复杂的智能代理应用。像 Smithery 的“Sequential Thinking”（序列思维）工具，以及网页/UI 自动化工具，正迅速获得用户青睐。
Smithery 的 Sequential Thinking 服务器本质上解决了一个基础性问题：与其让 AI 模型像 Toolformer 那样“猜测” API 的使用方式，不如直接将结构化的推理逻辑内置于工具中。这样一来，AI 的行为更加可控、互动也更可靠。这种设计模式的成功表明，未来真正有竞争力的工具，可能都将采用“结构+知识编码”的方式，而不是一味依赖大模型的自主学习能力。
3、应用与基础设施并非阶段交替，而是持续共生
这并不是一个“先有基础设施，再有应用”或“反过来”的线性过程，而是一种动态的双向互动。早在 2018 年，Union Square Ventures 就提出了这一观点。
我们今天看到的，是 MCP 服务器等基础设施正在回应初期的应用需求，同时也在为未来的应用开发打开新的可能性。基础设施和应用正处于一种“协同演化”的过程中，彼此推动、互为驱动。
MCP带来的创业机会在哪里？
我们的研究显示，在智能代理应用和基础设施的协同发展过程中，创始人们在不同层级都拥有明确的机会窗口。无论是工具/基础设施的构建者，还是智能代理应用的开发者，都可以找到自己的发力点。
基础设施和工具提供者
如果你正在构建或改进面向代理的工具和服务，以下三点是目前市场中显现出的核心方向：
1. 探索MCP，但保持灵活性
MCP服务器目前受到广泛关注，是因为它解决了一个核心矛盾：AI 模型是概率性的，但传统 API 调用需要确定性。MCP 提供了一种更可靠的集成方式，帮助开发者更好地连接服务。
尽管如此，MCP 的标准仍处于早期阶段。一位基础设施提供商直言：“我们现在用的是一个还不成熟的框架。”因此，创始人在采用 MCP 的同时，也要保持技术灵活性，以便跟随标准的演进及时调整方向。
2. 弥合阻碍开发的关键缺口
虽然 MCP 潜力巨大，但在大规模应用方面仍有一些明显短板：
- 安全与治理：企业级场景尤其关注权限管理、审计能力与风险控制。
- 认证与发现（AuthN/AuthZ）：目前服务碎片化严重，跨服务调用流程复杂。
- 信任机制缺失：MCP 服务器数量众多，缺乏统一机制筛选出可靠服务，防范恶意行为。
- 缺乏保护措施：当前系统尚无有效“护栏”，比如开发工具可能会错误删除重要文件。
此外，“组合与协作”能力仍是短板。强大的智能代理应用往往需要嵌套调用其他工具或服务（如 LLMs），而现有的 MCP 规范在这方面支持有限，制约了复杂应用的开发空间。
创始人可以通过扩展 MCP 功能、参考 Google A2A 或 Cisco ACP 的架构，甚至自行构建新方案，来填补这些空白。谁能解决这些关键问题，谁就有机会引领整个生态系统向前发展。
3. 关注真实的开发需求
最成功的基础设施提供者，不是那些堆砌功能最多的，而是能敏锐观察开发者实际构建内容并及时响应其痛点的公司。快速适配开发者真正需要的功能，将决定你能否在这个新兴市场中脱颖而出。
智能代理应用开发者
这是一场彻底的应用形态变革。智能代理并不是对传统软件的微调，而是全新的“计算平台”机会——就像移动互联网曾重新定义了所有应用一样，智能代理正在开启一个更大规模的重构浪潮。
我们的研究表明，MCP 基础设施的快速扩张，使得开发者拥有前所未有的工具选择。重点不在于“工具是否存在”，而在于你现在能构建哪些原本不可能的应用。
目前，尽管 MCP 的整体普及率还不高，但用于推理、网页交互、数据访问和通信的工具正在快速成熟。开发者可以将更多精力放在“编排与组合”上，而不是从零构建基础能力。
此外，经过研究我们还发现多个尚未充分挖掘的应用领域，例如：
- 办公效率工具
- 数据分析平台
- 电商解决方案
- 旅行与出行服务
不过，与其盲目追热点，不如专注于你真正感兴趣、并因 MCP 技术而第一次变得可行的用户问题。用代理的新能力解决真实用户痛点，才是成功的关键。
尽管 MCP 目前仍面临如认证、发现与安全等挑战，但趋势已非常明确：未来的智能代理将不再局限于聊天，而是拥有更强的任务执行与协作能力。应用开发者应当思考：现在，有哪些原来不现实的功能，因为基础设施的进步，开始变得可以落地？
不要让技术热潮冲昏头脑。真正重要的是让用户满意、让他们能用智能代理解决实际问题并真正投入使用。
展望未来：加速进化的智能体生态
MCP（模型上下文协议）生态的演进路径，虽然遵循了以往基础设施与应用互相推动的发展模式，但它的不同之处在于：AI 的快速进步正在极大压缩这个周期，基础设施和应用的互动变得前所未有地频繁。
可口可乐的崛起依赖于工业冷藏技术的发展。从产品创新到冷链物流的成熟，整个过程跨越了数十年。在 AI 智能代理的世界中，我们也在见证类似的“产品-基础设施共生演进”。不同的是，这一切不是按“十年”为单位在推进，而是在几个月内完成一轮轮飞跃。对比移动互联网的发展节奏也能看出区别：iOS 应用商店诞生于 2008 年，但直到 2010 年才出现 Uber、Airbnb 这类颠覆性应用。而在智能代理领域，我们已经开始以“日”或“周”为单位更新可行性边界。
诚然，MCP 的未来仍存在诸多变数。历史上，类似 OpenStack 这样的协议也曾一度引发极大关注，最后却未能持久。Google 的 A2A 和 Cisco 的 ACP 也有可能从“补充方案”演变为完整替代。但相比这些技术细节，更重要的是一个清晰的趋势：智能代理应用开发者迫切需要一种基础设施，来扩展代理的能力，让它们突破聊天机器人这一基本形态。
在这个加速演进的生态中，无论你是在打造基础设施，还是在开发最终应用，只要你能抓住现在的窗口期，就有可能成为新一代 AI 软件的定义者。
