4-1 透过回顾 AI 代理谈 MCP

在这个章节中，我们将与大家探讨目前 AI 社群中最热门的话题之一：MCP (Model Context Protocol)。我们会先介绍 MCP 是什么、为什么需要 MCP，以及在实际使用 Cursor 时，如何透过整合不同的 MCP 伺服器来大幅提升执行不同任务的效率与生产力。

在章节的第一单元，我们会先花一些时间回顾 AI 代理，因为要理解 MCP 的存在价值，必须先从 AI 代理谈起。透过 AI 代理的视角，我们才能更清楚地理解 MCP 的优势。

什么是 AI 代理？

我们在前几章节中已经提到，AI 代理是指在不需要人类介入的情况下，根据指定的目标自主完成相关任务。当你设定一个目标后，AI 代理会根据该目标进行规划、推理，列出达成目标所需的各项任务，并逐一完成。完成后，AI 代理会检查是否已达成目标，若尚未达成，则在过程中进行调整，直到目标实现为止。

我们在前几章节中曾展示过一个例子：假设今天的目标是完成某个函式 (function)。AI 代理会根据这个目标，第一步扫描整个程式码库，理解程式码库的风格；接着根据该风格及函式的需求，实作函式的程式码；然后根据函式需求，撰写相关的单元测试 (unit test) 程式码；再使用刚完成的函式执行测试。如果测试过程中出现错误或未通过的测试，AI 代理会回头修正错误或修改函式，直到所有测试都通过为止。

在这个过程中，唯一需要人类介入的部分是最初输入「完成该函式」的目标，其余皆由 Cursor 的 AI 代理自动完成，包括执行任务、修正错误，直到目标达成。

当然，完成任务 (例如函式) 后，身为工程师仍需扮演检查的角色。然而，与过去使用自动补全或 AI 聊天模式相比，AI 代理让我们需要做的事情更少，效率更高，生产力也更强。

从技术角度理解 AI 代理

若从技术角度高层次地看待 AI 代理，我们推荐参考 Google 之前发表的 AI 代理白皮书。该白皮书中提供了一个简易的架构图，显示 AI 代理的执行环境包含几个重要元素：统筹层 (orchestration layer)、模型 (model) 及工具 (tools) 这三大核心要件。

在统筹层中，又包含记忆功能、推理功能等不同面向。将这个架构对应到 Cursor 的脉络，我们可以这样理解：

模型：指的是我们熟知的各种 AI 模型，例如大型语言模型 (LLM)，包括 GPT 模型、Claude 模型，或 Google 推出的 Gemini 模型。
统筹层：在使用 Cursor 时，Cursor 主要扮演统筹层的角色。虽然 Cursor 有自己的模型，但大多数使用者仍会透过 Cursor 对接其他模型 (如上述的 GPT、Claude 等)。因此，Cursor 在这里主要负责处理记忆、推理与任务规划等功能。

工具的重要性

在 AI 代理的执行环境中，还有另一个核心元件——工具。然而，在前几章节中，我们没有特别强调工具在 Cursor 中的角色。

相信你可能会问：这里提到的「工具」究竟是什么？当我们实际对接到不同工具时，又能带来什么样的效果？以下透过几个具体例子来说明。

对接专案管理工具 (如 Linear 或 Jira)

假设 AI 代理能对接到 Linear 或 Jira 这类专案管理工具，AI 代理就能直接从这些平台抓取某个任务(task) 的资讯，并根据该资讯确认需求。比起在 Cursor 的对话框中手动输入需求，若能直接透过任务连结或任务编号提供资讯，Cursor 即可自动抓取相关需求内容，大幅节省时间。

对接浏览器操作工具 (如 Playwright)

假设完成一个全端 (full-stack) 功能后，我们希望 Cursor 帮忙执行 E2E 测试并撰写相关测试程式码。然而，Cursor 本身并没有操作浏览器的功能，所以只靠 Cursor 是做不到的。不过，若能对接到像 Playwright 这样的工具，Cursor 就能透过与浏览器的互动，实际完成 E2E 测试。

对接 GitHub 以自动化 PR 流程

我们在第三章提到，Cursor 可根据 Git 提交纪录自动撰写 PR (Pull Request) 描述，但最终仍需工程师手动将描述复制贴上到 GitHub 或 GitLab 等平台以提交 PR。若能将 GitHub 对接到 Cursor，则在撰写完 PR 描述后，Cursor 可以直接在 GitHub 上发 PR，省去手动操作的步骤，从而进一步提升效率。

透过这三个例子，希望大家能感受到，虽然 Cursor 在撰写设计文件、程式码或 PR 描述方面已提供很多帮助，但若想进一步拓展 AI 代理的能力，必须对接到我们日常工作中常用的工具。然而，Cursor 本身并未内建这些工具，因此需要一个方法让 Cursor 能与这些工具整合。

MCP 的角色

让 Cursor 对接到不同工具，正是这个章节要介绍的主题——MCP（Model Context Protocol）。MCP 的设计目的在于让 Cursor 或其他 AI 应用程式能以标准化方式对接到不同工具。MCP 全名为「Model Context Protocol」，目前已被视为业界统一的标准协定。

MCP 最早由 Antrhopic 于 2024 年底提出，至 2025 年初，连主要竞争对手 OpenAI、Google 也加入支援 MCP 协定。因此，现今谈到让 AI 应用程式对接工具时，MCP 是业界首要提及的标准。

在下一单元中，我们将详细介绍 MCP 的具体内容，以及如何透过不同的 MCP 伺服器让 Cursor 对接到各种工具，进而提升工作效率与生产力。

此系列文章为 《给工程师的 Cursor 工作流 — 透过 AI 代理全方位提升开发生产力》 搭配的教材。希望透过这系列文章，将过去协助导入 AI 工具及使用 Cursor 的经验扩展并分享给想提升生产力的读者。如果对课程感兴趣的读者，可以加入 E+ 成长计划，观看影片学习。