回顾
1
2
3
4
5
6
7
function solve(problem):
if problem 小到可以直接解决:
直接返回结果
else:
分成若干个子问题
分别递归解决子问题
合并子问题的结果，返回
5年前，我把 AI 比喻为一种智能化的 API 网关，提出一种分治的思想，将一个大问题转换为若干可解的小问题，如今，这种思想正在 mcp 这种协议沿用。但目前来看，它的实现方式还是有点丑陋的，并且有一些问题。
1
2
3
4
5
6
7
8
9
func sum(arr []int) int {
if len(arr) == 1 {
return arr[0]
}
mid := len(arr) / 2
leftSum := sum(arr[:mid])
rightSum := sum(arr[mid:])
return leftSum + rightSum
}
现状
mcp 协议里面内置了一个服务发现系统，各个 mcp server 把自身的实现和调用方法注册到里面，然后在调用的时候加到提示词，作为参数去请求远程的 AI 服务器，让AI 找到正确的命令然后在本地执行。
比如 Gemini Function Call 大概长这样：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
curl -X POST "https://generativelanguage.googleapis.com/v1beta/models/gemini-pro:generateContent?key=YOUR_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"tools": [
{
"function_declarations": [
{
"name": "get_current_weather",
"description": "Get the current weather for a given location",
"parameters": {
"type": "object",
"properties": {
"location": {
"type": "string",
"description": "The city and country, e.g. Shanghai, China"
}
},
"required": ["location"]
}
}
]
}
],
"contents": [
{
"parts": [
{
"text": "What is the weather in Shanghai right now?"
}
]
}
]
}'
整个过程可能非常繁复。比如，我们向AI下令“删除桌面上所有截图”的时候，最理想的指令是：
1
find /Users/zeusro/Desktop -type f -name "Screenshot*.png" -delete && find /Users/zeusro/Desktop -type f -name "Screenshot*.jpg" -delete
但实际的执行过程可能是：
- 找到这个路径上面所有文件，获取相应路径
- 删除截图图片1
- 删除截图图片2
- 删除截图图片n
这个计算过程取决于大模型自身的能力，如果是 gemini-2.0 这种是第一种情况直接一步到位的，而国内其他的白痴模型（特别是百度这种）我就不知道了，因为他们做的垃圾，还有脸收费。
1
input --> process --> output -->（评估）influence，考虑是否要执行下一次计算
人类，作为外部观察者，通过评估，观察计算产生的影响，补充提示词，诱导ai继续计算，一直修正，直到获取最终结果。
1
2
3
4
5
6
7
8
9
10
11
12
13
func 计算(){
ai.找到合适的工具链调用()
（可选）用户.评估潜在影响并决定是否要执行相应命令
ai+mcp client(通常可以在ai客户端里面顺便集成mcp功能，比如vs code cline插件).调用mcp server()
（可选）用户.评估最终影响()
if 满足需求（）{
return
}
else{
用户.补充提示词，继续向ai提问()
计算()
}
}
我在之前的文章讲到， mcp 协议目前这种实现只能算是次选（过渡方案）。实际上，我觉得现阶段更需要做的事情是“分离函数”，把函数分为 local function call 和 cloud function call ,对于 local function call ，甚至不需要网络都能进行，像是“打开xx应用”，“给我grandma发短信”，像这类需求根本用不到云函数，“离线计算”就能进行。
AI 应该有一个预备的知识库，面对不同的操作系统时内置一些能够支持的api，而不是像现在这样，连删除个文件都要建一个 file-system 来实现。
结论
MCP 协议作为一种过渡设计，作用有点像是制定一种 AI API(面向AI的语言/操作系统无关接口)的 app store标准，完成这个任务之后就可以淘汰。
