Translate the following blog post title into English, concise and natural. Return plain text only without quotes.
诞生才一周年，MCP 凉了
**作者**｜董道力
**邮箱**｜dongdaoli@pingwest.com
---
## MCP 一周年：由巅峰到冷淡
11 月 25 日，Anthropic 官方博客更新了一篇庆祝帖，宣布 **MCP** 正式满一周岁，并配合发布了新版规范。
官方数据表现亮眼：
- **MCP Registry** 目前收录近 **2000** 个 Server
- 相比 9 月份刚上线时，增长了 **407%**
- **OpenAI** 自 3 月起全面支持 MCP
- **Google、AWS、HuggingFace** 等也计划接入
从纸面上看，MCP 正在被行业接受为开放标准。然而，**社交媒体反响却相当寡淡**。
---
## 回顾：MCP 的初登场轰动效应
一年前 MCP 横空出世时，硅谷沸腾：
> “AI界的 USB-C”
> “Agent 时代的基础设施”
> “我们有救了”
如今，这些口号已成过眼云烟。
更值得注意的是，**Anthropic 自己似乎在悄然“去 MCP 化”**：
- 最新版 Claude 引入了 **Skills** 系统
- PPT 生成 → 调 Skills
- Excel 操作 → 调 Skills
万能协议，怎么走到这一步？
---
## MCP 为什么出道即巅峰
2024 年 MCP 发布之所以轰动，是因为它解决了 AI 应用开发的最大痛点：**重复造轮子**。
### MCP 出现前的困境
- 想让 Claude 访问 **Google Drive** → 自写 API 代码
- 想让它访问 **Slack** → 再写另一套 API
- IDE 厂商更惨：
- Cursor 要适配 Linear
- Windsurf 也要适配 Linear
- 每家都在重复做同样的脏活累活
### MCP 的承诺
一次开发，处处运行：
- 只要 Linear 官方写好一个 MCP Server
- 无论 Claude、Cursor 或未来 Agent → **直接接入可用**
初期 GitHub 上的 MCP 项目爆发：
- 查天气
- 看股票
- 发小红书
人人沉浸在“把世界喂给 AI”的狂欢中。
然而，**现实的工程落地很快泼了冷水**。
---
## 致命弱点：MCP 越多，AI 越蠢、越花钱
### 窗口占用问题
MCP 调用方式 **必须占用模型上下文**：
1. 工具定义
2. 调用请求
3. 返回结果
全部在上下文窗口中累积，因为模型需要“看到”才能推理。
- MCP 每一轮调用都会累加 Token
- 多次调用后，上下文迅速膨胀，成本激增
**案例：**
- GitHub 官方 MCP 定义了 **93 个工具** → 消耗 **55,000 Tokens**
- 按教程挂载 20 个 MCP Server → 几轮对话后就爆窗口
Anthropic 自己也承认：
- 读取两小时会议文档可能额外消耗 **50,000 个 Tokens**
- 大文档压根超出窗口限制 → 工作流崩溃
---
### 成本与性能双杀
- Claude Token 成本极高 → MCP 一堆，还没生成内容就先烧钱
- 工具过多时，**模型开始犯蠢**
**真实例子：**
- 开发者用 MCP 搭个简单计算器
- 调用减法工具返回 -9，模型却报 +9
- 它不信工具返回值，而是用“常识”替代
**原因：**
上下文塞满各种工具定义 → 模型注意力被稀释 → 推理混乱
---
## 安全隐患：权限设计粗糙
早期 MCP 文件系统挂载往往意味着：
- AI 可读写整个磁盘
发生过事故：
- AI 幻觉删除了关键代码库
企业安全团队介入后发现：
- 用白名单控制 MCP 所需精力 **远高于** 传统 API
---
### 无解的两难
- MCP 多 → 模型变笨、成本高
- MCP 少 → 功能缺失
至今无理想解法
---
## 双刃剑：门槛低到过低
MCP Server 搭建极度简单：
- 数十行代码即可启动
导致人人都能做 MCP，生态被**低质量实现淹没**。
**研究数据：**
- 近 1,900 个 MCP Server
- 广泛存在凭据泄露 & 缺乏维护
- 真正优质维护的 MCP 极少
**结果：**
- 开发者耗时评估 MCP 可靠性
- 有时**选择成本高于自己直接开发**
---
## Skills 接管：Anthropic 的隐性承认
打开最新版 Claude 文档：
- **Skills** 占据核心位置
- MCP 更像为兼容而保留的“旧层”
**含义：**
停止崇拜万能 MCP，回归定制化。
---
### Skills 的本质
- 对 MCP 的修正
- 高频、可信能力用流畅的预设封装
- 核心能力（编程、绘图、浏览）用 **原生集成**
→ 更快、更稳定、更省 Token
Anthropic 技术博客新建议：
- 让 Agent 写代码调用 MCP
- 而不直接暴露工具定义
- Token 消耗降低 **98.7%**
- 相当于承认原 MCP 用法有问题
“大一统协议”叙事，正在悄然坍塌。
---
## MCP 与 Skills：都是过渡方案
长时间线上看：
- MCP（JSON）
- Skills（预设能力）
- Prompt（提示词）
它们本质都是 **补丁** —— 为弥补 AI 智能不足的工程方法。
因为：
- 今天的 AI 还不够聪明，无法即兴完成任务
- 我们必须告诉它 “这是数据接口”“这是标准流程”“请注意这些点”
**核心矛盾：**
我们正用确定性工程，试图控制概率性智能。
---
### 展望 ASI 时代
真正的强人工智能不会需要 MCP：
- 想查天气 → 自己开浏览器查
- 不需协议，因为它本身就是适配器
---
## MCP 的未来定位
MCP 并未全然“死亡”：
- Anthropic 路线图：
- 推进远程连接
- OAuth 认证
- 企业部署
- IBM 计划贡献企业资产至 MCP 社区
**可能的最终形态：**
- 高频能力归 Skills
- 长尾数据留 MCP
→ 由热门趋势回归基础设施
---
### 最大贡献
MCP 迫使我们从“工具堆叠”转向思考**哪些接口真正值得接入**。
---
## 实践启示：高效能力选型与整合
在实际落地中，这意味着重新思考：
- 如何连接 AI 智能、外部工具与可变现创意
**案例**：
- [AiToEarn官网](https://aitoearn.ai/)
开源、全球化 AI 内容变现系统
允许创作者：
- 用 AI 生成内容
- 跨平台发布
- 同时盈利
- 集成功能：
- AI 内容生成
- 跨平台发布
- 分析 & AI模型排名 ([AI模型排名](https://rank.aitoearn.ai))
这些方案体现了同样趋势：
- **高效能力选择与整合**
- 而非盲目增加工具数量
---
