其實我之前一直有個疑問，MCP 這個協議到底會不會繼續發展下去？

因為很多技術剛出來的時候都很熱，大家一窩蜂做 demo、包工具、接外部 API，但過一陣子就發現 production 根本不好用，最後慢慢變成一堆 side project 的墳場。一開始我對 MCP 也沒有到非常篤定，覺得它大概也就是個讓 Agent 方便去接內部知識庫或各種商業軟體的標準而已，主要是為了解決每次都要重寫串接邏輯的麻煩。

但最近因為自己實作比較多，我又回去翻了一次 Anthropic 對 MCP 的說法，順便看了後來陸續冒出來的作法（像 Code Execution、Tool Search、Gateway 等等）。

我感覺是 MCP 正在從單純的「Connector」，慢慢往「Agent Infrastructure」的方向成長。而且當你真的要把它推上 production，真正讓人頭痛的問題，早就已經不是「接不接得到工具」了。真正麻煩的是，當我們自己的產品本身就有一大堆功能想開給 Agent 用時，到底該讓 LLM 看見多少東西？這說白了其實是產品設計問題，早就超越技術整合的範疇了。

這篇文章是我最近在實作與研究 MCP 過程中的一些個人觀點與架構梳理。因為技術演進得很快，很多作法都還在收斂中，如有理解錯誤的地方，還請不吝指教。

實際開發會撞上的三面牆

舉個大家在開發時很常遇到的情境，假設我們今天要做一個「客服系統」的 MCP Server，為了讓 Agent 能幫忙處理客訴，我們很自然會在 Server 裡寫出一堆 granular（細粒度）的 tools：

• search_knowledge_base（查 FAQ）

• get_customer_orders（撈歷史訂單）

• check_delivery_status（查物流進度）

• calculate_refund_amount（試算退款）

• issue_refund（執行退款）

• update_ticket_status（更新工單）

• send_notification_email（寄信通知）

這些確實都是合法、也很有用的 MCP tools，很多人的直覺也是「既然要做 Agent，就把這些細碎的工具全開給它，讓它自己去組合運用」。

但問題就來了，當你系統裡有幾十個、甚至上百個這類的小工具時，無論你是要給內部專屬 Agent 使用，還是要把能力開放給外部 Client，只要你一股腦全攤給最前端的 LLM，馬上就會撞到三面牆。

第一面牆是 Context（上下文容量問題）。LLM 會看到一大坨 tool name、description 還有 input schema。這些東西雖然不是實際內容，但照樣會吃掉寶貴的 context window，甚至干擾模型的判斷。

這點 Anthropic 官方也有在正視，滿推薦大家去看他們 2025 年 11 月出的那篇 Code Execution with MCP，裡面提到現在開發者動不動就讓 Agent 接上幾百幾千個 tools，一旦工具變多，tool definitions 會直接塞爆 context window，中間回傳的 tool results 也會吃掉超多 token。就像他們文中舉例的，如果 Agent 連了上千個 tools，模型可能連使用者的問題都還沒讀到，就得先吃下幾十萬 token 的工具說明，光想就覺得很浪費錢。

第二面牆是 Exposure（封裝與內外邊界問題）。這在你把系統從 Internal 走向 External 時特別明顯。產品底層的 API、內部權限控管或防詐欺邏輯，絕對不能毫無防備地暴露給外部 LLM 看。你必須有能力決定哪些工具該對外開放、哪些該包緊緊。

第三面牆是 Orchestration（多步驟流程調度問題）。很多任務其實牽涉到固定且繁瑣的步驟。如果讓前端 LLM 自己去呼叫這堆細碎工具，它可能要先 call 撈訂單，拿到一大包資料塞進 context 裡，再從裡面挑出特定訂單去 call 試算退款，最後還要記得 call 更新工單。這不僅浪費 token，還很容易在中間某一步通靈失敗就出錯。

所以這時候 MCP 的重點已經從「怎麼把工具接起來」變成「怎麼設計 Agent 看得見的能力表面 (Capability Surface)」。Agent 看得到什麼就會以為自己能做什麼，它看不到的部分，我們就得在後端幫它收尾。

為了解決這些問題，出現了哪些解法？

以第一面牆「工具太多會塞爆 context」這點來說，大家可能馬上會想到 Skill 的漸進式揭露 (Progressive Disclosure)：先讓模型看到 name 和 description，真的要用了才去讀完整的操作說明。

Skill 的出現就是為了解決 workflow knowledge 太多的問題。那 MCP 在這裡有沒有辦法做到類似的事？

官方架構文件寫得很明白，MCP 專注做 context exchange protocol，它不管你怎麼管理塞進來的 context，所以 MCP 本身不會直接變成 Skill。不過滿有趣的是，MCP 周邊開始長出一些補充層，全都是在解決規模放大之後會遇到的痛點。

為了解決中間資料塞爆 context 的問題，出現了 Code Execution with MCP。

這篇文章我一開始看的時候稍微卡了一下，後來換個白話一點的方式來想，傳統直接 tool calling 的作法就是每一步都得經過 LLM：

LLM 決定呼叫 tool A
tool A 回傳結果給 LLM
LLM 看完結果，再決定呼叫 tool B
tool B 回傳結果給 LLM

萬一 tool A 回傳了一大包資料，那包資料就會被硬塞進 context。如果下一步 tool B 剛好又需要這包資料，模型還得再把它完整寫進下一次的 tool call 裡。

但 Code Execution with MCP 的做法轉了個彎，它讓 Agent 寫一段 code，直接在 execution environment 裡去呼叫這些 MCP tools：

const transcript = (await gdrive.getDocument({ documentId })).content;

await salesforce.updateRecord({
  objectType: "SalesMeeting",
  recordId,
  data: { Notes: transcript }
});

這裡 transcript 當然還在，只是它變成 execution environment 裡的一個變數，只要你沒有手殘去 console.log、return 或是把它放回 message 裡，模型根本就不會看到這堆全文。

所以「包成 code API」之所以能省下大量 context，關鍵根本不在於 API 這個形式有多高級，單純只是它成功把那些肥大的中間資料流擋在模型外面而已 😅。

而為了防堵工具定義 (tool definitions) 太多，則出現了 Tool Search。

OpenAI 的 Tool Search 讓模型在真的需要時才去動態搜尋、載入 tools，避免一開局就載入所有說明書。這點跟 Skill 的精神滿像的，差別只在 Skill 展開的是 workflow instruction，而 Tool Search 展開的是 tool definitions。這不是 MCP protocol 本身內建的標準能力，而是 OpenAI 在模型平台層做的 context management。

那第二面牆「封裝與內外邊界」該怎麼解？

是當我的產品裡接了一堆 Internal 的 MCP Server 跟內部流程，但我根本不想讓 External client 看光光的時候。

這時候，MCP Gateway 就派上用場了。它處理的不只是對外的存取與權限控制，也包含 routing、log、tool exposure，甚至 context optimization。

你可以把它想像成「公司總機」來看。外面打來的人根本不需要拿到全公司的通訊錄，也不用管你們部門內部流程怎麼跑，他只要知道「要做這件事，打這支電話」就夠了。剩下的權限檢查、轉接、留紀錄，全都是 Gateway 的事。

像是 Docker 的 MCP Gateway 或 Cloudflare 的 MCP server portals 都在做類似的事。所以 Gateway 真的不光是為了省 token，它更是產品化之後絕對少不了的控制層，讓你決定到底哪些工具可以對外曝光，哪些後端能力得包緊緊。

第三面牆的解法：Agent-backed MCP Tool

前面講了這幾個解法，但我最近看到另一個做法，不僅能順便避開第一面牆，也能大幅降低第三面牆的多步驟通靈失敗的問題。

這個做法跳脫了在 MCP tool 後面接普通 function 的思維，直接給它接上一個小 Agent。舉剛剛客服系統的例子來說，我們對外（或對主 Agent）可能只開放一個高階的 action：

process_customer_refund()

但在後台，這個 process_customer_refund() 其實得自己跑完一連串流程：

• 撈取並分析歷史訂單

• 判斷是否符合退款政策

• 試算退款金額

• 執行退款金流

• 更新工單與寄信通知

這時候 MCP tool 就只是一個入口，真正在裡面扛起重擔的其實是一整組 Agentic Workflow。這不僅大幅降低了前端 LLM 需要看到的 context，也把多步驟調度移到後端比較可控的 workflow 或 agent 裡，而不是讓前端 LLM 自己一路通靈。

我自己暫時把它稱作 Agent-backed MCP Tool。

對外它看起來就是一個再穩定不過的 MCP tool，但對內它其實包了一個 agent、workflow，或是一組能看情況隨機應變的流程。Code Execution 是讓「模型寫 code 去用 MCP」，Agent-backed MCP Tool 則是直接讓「MCP tool 後面養一群 agent」。

這個差別還是滿大的，尤其如果是我們自己在做產品，我絕對會想選後者。因為外部的 LLM 根本沒必要知道我底下的退款政策怎麼判斷、多步驟流程怎麼跑，它只需要知道一句話：「這裡可以處理退款」。剩下的，我們後端系統自己搞定就好 💪。

這個方向有人在做了嗎？

就我目前翻到的資料來看，這種 pattern 似乎還沒出現一個大家公認的名字，但類似概念的鄰居倒是不少。

像 OpenAI Agents SDK 就提過一個 pattern 叫做 agents as tools，就是讓主要的 main agent 握有控制權，把底下的 specialist agents 當成特定的 capability 來呼叫。Microsoft Foundry 提到的 connected agents 也滿類似的，就是讓 primary agent 把任務往下包給不同的 purpose-built subagents。

雖然這些都不能直接畫上等號，但大方向真的非常接近。也就是說，大家已經很習慣「主 Agent 去呼叫 Specialist Agent」，但我其實更好奇的是下一步：能不能讓 MCP tool 本身直接成為一個 agentic workflow 的入口？

這如果在實際產品裡，其實是很自然就會長出來的架構。做產品的人心裡都很清楚，你不可能把所有內部吃飯的傢伙跟流程全都攤在 LLM 面前。這才比較像真正能落地、也比較健康的產品設計。

什麼時候該殺雞用牛刀（用 Agent）？

講到這邊還是得稍微拉回來一點。絕對不是每個 MCP tool 背後都要硬塞一個 Agent。如果只是再單純不過的查詢或 CRUD，乖乖寫個普通 function 當 tool 就好，像是 get_order_status() 或 search_knowledge_base() 這種，千萬別自己搞死自己。

但如果今天這個 action 需要做複雜判斷、讀長篇上下文、還要處理一堆例外跟多步驟流程，例如剛剛提的 process_customer_refund() 或是 analyze_user_complaint_history()，那它就真的滿適合躲在 Agent-backed MCP Tool 後面。

我目前的習慣大概會分成：

• 只是單純查資料：用普通的 MCP tool

• 固定的多步驟流程：寫死成 workflow

• 需要處理龐大資料：用 code execution 在外面跑

• 需要通靈、判斷跟吃上下文：用 Agent-backed tool

• 牽涉到跨團隊記憶跟來源比對：才動用到 Memory-aware agent

一開始先這樣切，比較不會搞成一場 multi-agent 的大拜拜。

多 Agent 架構說實話聽起來超潮，但 debug 起來往往痛不欲生。我之前有幾個 side project 就是為了酷炫硬拆，當初畫架構圖覺得自己簡直是天才，結果系統一出 bug，在那邊查 log 根本不知道是哪一層的 Agent 在那邊亂通靈，找問題找到快崩潰 🤣。

回頭看 MCP 的四個演進階段

總結來說，我目前看 MCP 一路發展下來，大概經歷了這幾個階段：

第一階段是扮演 Connector：讓大家有個標準的方式能接上各種工具和資料源，想解的是破碎化整合的問題。

第二階段進入 Capability Management：因為工具越長越多，LLM 的 context 吃不消。模型可能還沒開始讀使用者問題，就先被迫吃下一大堆工具說明。這也是為什麼後面會出現 Tool Search、Code Execution 這類做法。

第三階段則是 Product Gateway 的出現：當 MCP 真的開始被放進產品，自然會意識到 Internal 與 External MCP Server 的邊界。你不會想把內部用的細碎工具全亮給外部看，於是權限、log、routing 這些 Gateway 的需求就冒出來了。

第四階段走向 Agentic Backend：對外只開出乾淨又穩定的 MCP action，對內其實是靠著錯綜複雜的 workflow 甚至 specialist agent 在支撐大局。外部 context 暴露越少，Agent 反而可能跑得更穩。

所以我現在看到一個新東西，已經不會單純只問「欸你們這有沒有支援 MCP？」，反而會更想知道：

• 你們開給 Agent 的能力粒度切到多細？

• 哪些東西是毫不保留讓 LLM 看到的？哪些是藏在後端自己消化的？

• 那個 MCP tool 背後，到底就只是個 function，還是其實躲著一整個 Agent 在賣命？

這些細節，可能才是 MCP 真正要進到 production、要落地產品化時，無可避免會撞上的痛點。尤其是當你在做自己的產品，而不光是去接別人的 Server 時，這感覺一定會更強烈。

MCP 確實打開了一扇大門，讓 Agent 能輕易長出各種能力。但說真的，做產品的人沒必要傻傻地把所有能做的底牌都掀在檯面上。這大概是我這陣子折騰下來最大的感觸。

不曉得大家最近有沒有實作 MCP、甚至把它推上 production 的經驗？滿好奇大家在設計這一層時，是會選擇把 tool 拆得極細，還是也傾向把高階 action 留給外部，髒活留給後端處理？歡迎留言分享你們的做法，有碰過類似踩坑慘況的朋友也歡迎在下面取暖 🫠。