MCP server vs 工具 vs Agent 技能

AI 原生開發加速，越來越多工程師將像 Claude、Cursor 及 VS Code AI 擴充套件等工具整合進工作流程。但混淆亦常見：

• 甚麼才是 MCP 伺服器？
• MCP 工具 和伺服器有什麼不同？
• 當我們說 工具使用，指的是什麼？
• 甚麼是 Claude 程式碼技能？又有何定位？
• 何時該使用哪一種？
• 這些層次如何配合，處理真正的工程任務？

本文會清楚、實用地解釋這三個概念、界限，以及它們如何塑造新世代軟件開發。

MCP：三個元件，一種協議#

MCP（模型上下文協議，Model Context Protocol）由 Anthropic 創立，是讓 AI 模型標準化地存取外部資源、API、工具、數據庫或內部系統的方法。

核心有三個要素：

• **MCP 伺服器：**一個向 AI 客戶端暴露能力的後端服務
• **MCP 工具：**由伺服器提供、可被呼叫的具體行動
• **MCP 提供者：**如 Claude Desktop、Cursor、VS Code 擴充套件等整合

而且，這些在 MCP 以外，但經常被混淆：

• **Claude 程式碼技能：**Claude 在 IDE 內建的程式智能

理解這些層次有助於你設計更好的 AI 工作流。

工具是什麼？（AI 工具通則）#

在談 MCP 工具或 Claude 程式碼技能前，先要了解「工具」在 AI 世界裡的意義。

在現代 LLM 系統中，工具指的是：

AI 模型可呼叫的外部操作，使其能在現實世界中執行動作，不只是產生純文字。

工具賦予模型行動能力。工具可以是任何東西：

• 一個 API 端點
• 資料庫查詢
• 檔案系統操作
• 瀏覽器動作
• 執行程式碼
• 寄發電子郵件
• 建立用戶
• 互動雲端資源
• 呼叫 LLM 函數

當模型決定呼叫工具時，它就跳出了純語言，執行有實際影響的行動。

工具存在的原因#

工具的出現，是因為純文字模型的能力很快會遇到天花板。

模型能解釋、推理、草擬程式碼，但不能真正 觸碰 你的系統。它不會自己查詢資料庫、變更檔案、呼叫 API、部署雲端、或執行多步驟的繁複操作。

當你將一系列工具交給模型，這些斷層便消失。模型獲得一個受控方式，能與真實基礎架構互動，同時你依然能嚴格設定它能做甚麼及如何做。工具帶來了結構、安全，以及文字模型一直無法具備的執行層。

工具使用的核心思想#

工具由契約定義：

模型看到這種定義時，能：

• 理解這工具能做什麼
• 判斷何時該使用
• 構建輸入物件
• 呼叫工具
• 把輸出結果帶去下一步

工具實際上讓 LLM 成為協調者。

重要界線#

常有人誤解工具，覺得它比實際更強大。其實工具不是智能，不包含商業規則、權限、或工作流程邏輯。一個工具只是模型可呼叫的、細分的小操作，僅此而已。你看到的多步工作流、決策等，並非工具本身，而是模型把數個工具串連運用與推理。

工具在 agent 生態的意義#

現代 agent 框架－OpenAI Functions、Claude Tools、MCP、LangChain－原理一致：LLM 只有能實際行動時才真正有用。只說話不夠，模型必須能入手現實世界。

工具正是讓這一切可能發生的那層。它們連接了模型推理與你系統的真實能力，並在受權管制下進行。這個橋樑使 AI 不再只是被動產生文字，而是成為能提取數據、變更檔案、協調工作流、甚至觸發後端流程的操作員。

因此，工具使用已悄然成了今日幾乎所有嚴肅 AI 應用的基礎，從 IDE 助手、後台自動化到 DevOps copilots、IAM 自動化、數據 agent 和企業級工作流引擎。MCP 正是在這基礎上，為這些工具的暴露帶來一致的協議，標準化模型發現與互動真實系統能力的方式。

MCP 伺服器：AI 的後台能力層#

你可以把 MCP 伺服器想像成，一個向 AI 助手暴露經過精選的能力的後端服務。不是讓模型無限制隨意存取系統，而是把你願意讓它使用的一部分包裝起來：內部 API、身份認證邏輯、資料庫操作、業務工作流或權限驗證等。

例如，一個 IAM 平台（如 Logto）可藉此暴露如下操作：

• 列出／建立組織
• 產生組織或 M2M Token
• 檢查用戶對 API 的存取權
• 讀取應用程式設定
• 根據租戶設置產生安全後端程式碼

MCP 伺服器價值在於這些能力的結構化管理。

不用到處散布整合，每樣能力都在一個定義明確的接口後面。這帶來數個實際好處：

• 多個 AI 客戶端能重用同一後台邏輯
• 安全和權限界線集中管理
• 對每個 agent 保持一致契約
• 企業系統更嚴格地控管 AI 可執行的操作

因此，MCP 伺服器特別適合需要正確性和存取控制的場景－身份系統、支付、CRM、DevOps 和內部管理工具。

MCP 工具：暴露給 AI 的原子行動#

上一節說了工具，工具不是伺服器，而是伺服器內部的單一行動。

工具範例：

• create_organization
• invite_member
• list_applications
• generate_backend_snippet
• inspect_user_access

工具特性：

• 小型化
• 無狀態
• 方便 LLM 呼叫
• 可組合成複雜工作流

但不會自行維護上下文或提供安全政策。它們只是經由 MCP 暴露的「函数」。

Claude 程式碼技能：IDE 智能層#

Claude 程式碼技能不是 MCP 的一部分。

它是 Claude 在如下環境的內建能力：

• Cursor
• Claude Desktop
• VS Code / JetBrains 編輯器

程式碼技能範例：

• 讀取整個倉庫
• 跨多檔案編輯
• 產生新模組
• 偵錯日誌
• 程式碼重構
• 跨檔案執行任務

Claude Code 無法做的：Claude 程式碼技能不能管理組織權限、存取租戶數據、執行安全商務流程、直接呼叫你的內部基礎架構、或修改受保護的生產資源。這些正正是 MCP 存在的原因。

關係圖像化#

簡單講：

• Claude 程式碼技能 = 程式推理
• MCP 工具 = 行動
• MCP 伺服器 = 能力 + 安全 + 業務上下文

它們互補，而非互相取代。

為何 MCP 伺服器成為企業 AI 的進入門檻#

MCP 伺服器解決了 AI 開發的一個基礎問題：模型對你的內部系統一無所知，除非你用結構化、安全的方式把那些資源暴露給它。否則，模型只能猜、套公式、或產生根本無法執行的指令。

MCP 伺服器正是這條缺失的橋。你可在可控的地方暴露內部功能，用自己的規則，同時確保安全邊界。這樣設定後，模型能獲得真實能力，也絕不會繞過現有基建或權限邏輯。實際上，MCP 伺服器讓你：

• 安全曝光後台功能
• 對每項行動套用身份驗證與授權
• 為多個 AI agent 維持統一接口
• 支援多步驟工作流，而非將邏輯寫在 prompt
• 讓模型有真正權力，但始終在定義好的範圍內

這亦解釋了像 Logto 這類 IAM 平台和 MCP 的天然結合。

像權限、Token、組織、Scope、M2M 流程這些概念，正好可映射到 MCP 伺服器設計要鞏固的安全保證，令身份認證成為安全 AI 執行的骨幹。

什麼時候用 MCP 伺服器、工具或 Claude 程式碼技能？#

未來：三層協同運作#

最強大的 AI 系統會結合三者：

• Claude 程式碼－程式推理與重構
• MCP 工具－原子級行動
• MCP 伺服器－安全的後台功能

合起來能做到：

1. IDE 智能
2. 可執行工具
3. 企業級能力

這個組合把 AI 從「有用的聊天機器人」轉變成：

• IAM 運維
• DevOps 助手
• 後台自動化引擎
• 工作流執行器

對於像 Logto 這樣的平台，更成為身份與授權的自然分發層。

最後總結#

MCP 伺服器

一個向 AI 曝露安全系統能力的後端服務。

MCP 工具

伺服器提供的原子行動，等同可呼叫的函數。

Claude 程式碼技能

理解程式並進行高階編輯的 IDE 智能－但本身不能存取安全系統。

三者合一：AI 能理解你的程式碼（Claude Code）、執行精確行動（工具）、並用內部系統跑安全流程（MCP 伺服器）。

這正是新一代 AI 驅動開發的基石。