WOO X Research: Следующий нарратив формируется? Web3 + MCP придут на смену AI Agent?

Смысл появления ИИ заключается в освобождении человеческой рабочей силы и повышении минимального уровня большинства рабочих навыков. Однако на данный момент у больших языковых моделей (LLM) всё ещё есть значительные ограничения: для получения рекомендаций необходим диалог, и пользователь должен самостоятельно выполнять действия на основе этих советов. До реального использования ИИ для помощи в работе ещё есть определённый разрыв.

А что, если сейчас можно через диалог с ИИ фактически использовать ваш компьютер для ответа на письма, написания отчётов и даже автоматической торговли криптовалютой? Разве это не приближает нас к видению освобождения производительности? Эта технология — самое популярное ключевое слово в сфере ИИ на данный момент — MCP

Что такое MCP?

MCP（Model Context Protocol） — это набор «стандартизированных соглашений», выпущенный компанией Anthropic в ноябре 2024 года, предназначенный для решения проблемы, когда модели ИИ в прошлом могли только «говорить», но не могли «делать».

Сначала разберём название MCP по частям

• Model: модель, имеются в виду различные большие языковые модели ИИ (например, GPT, Claude, Gemini и т. д.)

• Context: контекст, представляет собой дополнительные данные или внешние инструменты, предоставляемые модели

• Protocol: протокол, универсальная стандартизированная «спецификация» или «интерфейс»

Вместе это означает: через единую спецификацию позволить ИИ не только «говорить», но и напрямую управлять внешними инструментами для выполнения различных задач.

Обычно наиболее часто используемые нами LLM, такие как ChatGPT, Grok и т. д., могут только выполнять «ввод текста, вывод текста» на основе содержания диалога. Если мы хотим, чтобы ИИ помог фактически выполнить операции, например, прочитать файлы в папке компьютера, отправить Email, проверить базу данных и т. д., обычно сначала даётся команда LLM, затем пользователь самостоятельно выполняет операции на основе ответа LLM, наконец, результат сообщается ИИ, ИИ даёт нам текстовые рекомендации, мы продолжаем операции, и так по циклу.

Появление MCP позволяет ИИ не только читать локальные файлы компьютера, подключаться к определённой удалённой базе данных, но даже напрямую управлять определёнными сетевыми службами. То есть ИИ больше не просто выводит текст, а может выполнить за вас много повторяющейся или процессной работы.

Краткое описание способа работы

• MCP Host (администратор): отвечает за управление и координацию всей работы MCP. Например, Claude Desktop — это своего рода Host, который может помочь ИИ получить доступ к вашим локальным данным или инструментам.

• MCP Client (клиентская часть): принимает потребности пользователя и взаимодействует с LLM (моделью ИИ). Распространённые примеры включают различные чат-интерфейсы или IDE, интегрированные с MCP (например, Goose, Cursor, Claude Chatbot).

• MCP Server (сервер): можно рассматривать как набор «уже организованных, снабжённых аннотациями» API, предоставляющих функции, которые может использовать ИИ. Например, чтение базы данных, отправка электронной почты, управление файлами, вызов внешних служб и т. д.

С MCP ИИ может не только понимать человеческий язык, но и напрямую переводить определённый текст в команды действий, тем самым выполняя автоматические операции. Например, помочь вам подготовить отчёт о продажах, отправить письмо клиенту или даже напрямую выполнить 3D-моделирование в Blender через команду.

Ссылка: https://www.youtube.com/watch?v=FDRb03XPiRo&t=4s

В чём важность MCP?

Мост между ИИ и внешними инструментами

Ограничение LLM заключается в том, что данные внутри прошли предварительное обучение и не обновляются в реальном времени. Это означает, что данные LLM ограничены информацией, которую модель видела во время обучения, поэтому новая информация, возникшая после обучения, модели неизвестна.

Предположим, LLM была обучена в феврале этого года, тогда данные после февраля этого года полностью отсутствуют.

В настоящее время основным методом является использование RAG (Retrieval-Augmented Generation), это способ комбинации «системы поиска» и «модели генерации». Эта архитектура может перед выводом LLM сначала найти новейшие данные и предоставить результаты поиска модели в качестве контекста. Конкретно:

• Поиск данных (Retrieval): перед тем как LLM ответит на вопрос, сначала используется инструмент поиска (например, поиск в сети, запрос внутренней базы данных и т. д.), чтобы найти новейшие данные, соответствующие текущему вопросу.

• Генерация (Generation): найденные данные передаются в LLM в качестве вспомогательных данных (Context), помогая ей генерировать более точные и своевременные ответы.

Например, когда ИИ перед ответом на вопрос сначала ищет новейшую информацию через Bing или Google, а затем интегрирует результаты поиска в ответ, это использование способа RAG.

Наибольшее различие между MCP и RAG заключается в следующем:

• RAG использует относительно статические данные для辅助 ответа LLM, в то время как MCP позволяет ИИ действительно «взяться за дело», например, проверить базу данных, вызвать API или даже изменить содержание файла.

• Стандартизация и универсальность: существует как USB-C: разные производители могут самостоятельно разрабатывать функции, соответствующие спецификации MCP, как будто все устройства могут использовать один и тот же кабель передачи USB-C. Если бы не было MCP, каждому разработчику пришлось бы самостоятельно определять, как заставить ИИ вызывать определённый API. Это означает, что одна и та же работа будет повторно разрабатываться разными людьми. После унификации MCP всем нужно только реализовать один набор спецификаций для немедленной интеграции, избегая явления повторного изобретения велосипеда.

• От пассивного ответа к активному выполнению: традиционные инструменты ИИ только отвечают на вопросы, не могут действительно действовать. С MCP ИИ может решать, какую команду выполнить, основываясь на текущей ситуации, и через чтение возвращённых результатов выполнять следующее действие. Эта способность постоянно корректироваться в зависимости от ситуации значительно повышает практичность ИИ.

• Безопасность и контроль: MCP не заставляет передавать все данные в модель ИИ, может контролировать доступ к данным через права доступа, управление ключами API и т. д., обеспечивая, что конфиденциальная информация не утечёт.

В чём разница между MCP и AI Agent?

Что такое AI Agent?

В прошлом году в Q3 GOAT возглавил тенденцию AI Agent, большинство криптопользователей узнали об AI Agent через призму Web 3. AI Agent обычно относится к системе ИИ, способной «автоматически» обрабатывать определённые задачи. Она не только разговаривает с людьми, но и может активно принимать меры, вызывать инструменты или API на основе контекста, чтобы выполнить серию шагов. Например, наиболее распространённая возможность самостоятельно публиковать сообщения в Twitter также относится к категории AI Agent.

Ограничения AI Agent

• Отсутствие стандартизации: каждый может создать Agent, но если нет единой спецификации, возникнет проблема «этот Agent использует только модель производителя A», «тот Agent использует только API системы B».

• Легко действуют обособленно: хотя AI Agent может бегать по поручениям, но разработчикам часто приходится самостоятельно определять форматы и правила большого количества API, между разными Agent отсутствует общая экосистема, что приводит к трудностям интеграции.

Отношение между MCP и AI Agent: MCP — это протокол, AI Agent — это концепция или метод выполнения

• AI Agent подчеркивает, что ИИ обладает способностью активно действовать и выполнять инструменты

• MCP же фокусируется на том, как заставить разные модели ИИ взаимодействовать с внешними инструментами, играя роль универсального стандарта.

MCP помогает AI Agent работать более эффективно

• Без MCP, AI Agent, возможно, придётся писать набор правил API для разных инструментов и разных платформ, разработка и обслуживание очень хлопотны.

• С MCP, AI Agent нужно только следовать спецификации MCP, получить доступные инструменты из «списка Server», затем динамически решить, какой инструмент использовать для выполнения задачи, доступ к внешним ресурсам также более безопасен и удобен.

Разный диапазон функций

• AI Agent: фокусируется на принятии решений, логике, определяя на основе потребностей, что делать и какие шаги выполнять.

• MCP: специально решает подключение инструментов, стандартные форматы, как предоставить внешние службы, базы данных, файловые системы ИИ единым образом

Комбинация обоих: AI Agent + MCP = позволяет ИИ и знать, как действовать, и куда действовать.

Какие проекты концепции MCP есть сейчас в криптокруге?

Базовый MCP

Фреймворк, разработанный официально Base, запущен 14 марта, позволяет приложениям ИИ взаимодействовать с блокчейном Base. Пользователям нужно только через диалог на естественном языке, без навыков разработки, можно развернуть контракт на блокчейне и использовать функции кредитования через Morpho и т. д.

• BORK — это первый токен, развёрнутый с использованием Base MCP, выпущен 14 марта, рыночная капитализация достигла максимума 4,6 миллиона долларов, но сейчас упала до 110 тысяч долларов, и 24-часовой объём торгов составляет всего 90 тысяч долларов, можно судить, что жизнь этого токена закончилась.

• Flock — это децентрализованная платформа обучения ИИ, он указывает, что текущий MCP всё ещё работает на внешних моделях ИИ, обрабатывается централизованной LLM. Flock предоставляет модель агента Web3, задачи блокчейна, управляемые ИИ, могут выполняться локально, тем самым предоставляя пользователям больше контроля.

Lyra

Полное имя LYRAOS — LYRA MCP-OS, это также операционная система для нескольких AI Agent, позволяющая AI Agent напрямую взаимодействовать с блокчейном Solana, выполнять операции, такие как покупка и продажа криптовалюты и т. д.

В настоящее время они исследуют, как использовать MCP-OS для создания тысяч «AI16ZDAOs», то есть децентрализованных автономных организаций, управляемых ИИ, для инвестиций в криптовалюту. LYRAIOS планирует выпустить DEMO между 21 и 22 марта 2025 года и запустить официальный продукт на следующей неделе.

Текущая рыночная капитализация токена 923 тысячи, максимум 2,64 миллиона, 24-часовой объём торгов 3 миллиона, количество адресов держателей 2,922

Заключение: Повествование об ИИ снова танцует, ещё требуется время для наблюдения

Хотя MCP предоставляет стандартизированное правило, позволяющее ИИ легче и безопаснее взаимодействовать с внешними инструментами, и в области Web 3 кажется многообещающим, успешных случаев относительно мало, причины за этим могут включать следующие пункты:

• Техническая интеграция ещё не созрела: в экосистеме Web 3 логика контрактов и структура данных каждой цепи, каждого DApp различны, желание единообразно инкапсулировать их в MCP Server, который может быть вызван ИИ, всё ещё требует вложения большого количества ресурсов разработки.

• Риски безопасности и регулирования: позволить ИИ напрямую манипулировать контрактами, обрабатывать финансовые транзакции, требует разработки совершенного механизма управления приватными ключами и контроля прав доступа, сложность и стоимость высоки.

• Привычки и опыт пользователей: большинство людей всё ещё сомневаются в том, чтобы позволить ИИ управлять кошельком или принимать инвестиционные решения, порог операции самого блокчейна также высок. Если опыт слишком сложен или отсутствуют явные сценарии применения, новичкам трудно использовать долгосрочно или вкладываться.

• Эстетическая усталость и рыночное охлаждение: ранее AI Agent вызвал бум в криптокруге, оценка многих нереализованных проектов в период пика превышала сто миллионов было обычным делом, а в последнее время сталкивается с этапом прокола AI пузыря, большинство проектов упали более чем на 90%, считается разочарованием в ИИ.

Возвращаясь к нарративу MCP, можно понять как супер усиленную версию AI Agent. Ранее рынок уже пережил крипто AI бум, и постепенно понял, что такое концептуальная спекуляция и реальное применение. Если отсутствуют приложения, действительно обладающие инновационной и практической ценностью, инвесторы и пользователи не будут легко платить. Такие предварительные проекты MCP, как BORK, из-за отсутствия очевидной дифференциации или реализации приложений, в конечном итоге не вызвали ажиотажа, это также самый важный ключевой фактор, по которому, по мнению автора, текущая концепция MCP ещё не стала популярной.

Комбинация MCP и блокчейна обладает потенциалом, но одновременно сталкивается с двойным вызовом технического порога и рыночного давления. В будущем, если удастся интегрировать более зрелые механизмы безопасности, создать более интуитивный пользовательский опыт и обнаружить инновационные приложения, действительно приносящие ценность, «Web 3 + MCP» только тогда сможет脱离 судьбы «темы для спекуляций» и стать новой основной линией нарратива.