MCP 是什麼？MCP 怎麼用？MCP 中文教學：5 大應用、6 大客戶端、設定步驟（2026）

MCP（Model Context Protocol）是 2024 年 11 月由 Anthropic 推出的開放標準，讓 AI 助手（如 Claude.ai、ChatGPT、Notion、Claude Code、Gemini CLI、Codex CLI）能夠以一致、安全的方式連接外部資料源與工具。簡單說：MCP 之於 AI，就像 USB-C 之於硬體 — 一個介面、通用相容。

這篇會完整說明 MCP 是什麼、MCP 怎麼用、MCP 跟 API／Function Calling／RAG 的差別、 6 大 AI 客戶端（Claude.ai、ChatGPT、Notion、Claude Code、Gemini CLI、Codex CLI）的設定步驟、 5 個產業應用情境，還有 MCP 在台灣的特殊意義。截至 2026 年 5 月，MCP 已經是 Anthropic、OpenAI、Google 三大 AI 廠商共同支援的協議。

MCP 是什麼？

MCP 是 Model Context Protocol 的縮寫，中文一般翻譯為「模型脈絡協議」或「模型上下文協議」。 它是一個開放標準，定義了 AI 模型（LLM）如何與外部資料源、工具、檔案系統進行雙向溝通。

在 MCP 出現之前，每個 AI 客戶端要接外部工具都得自己定義 API 格式 — OpenAI 的 Function Calling 跟 Anthropic 的 Tool Use 互不相容、 Cursor 跟 VS Code 各有各的擴充規範、 Claude 跟 Gemini 之間更是完全不通。 MCP 解決這個碎片化問題，讓「一個 MCP server」可以同時被所有支援 MCP 的客戶端使用。

截至 2026 年 5 月，MCP 已是 AI 與外部世界連接的事實標準（de facto standard）。

白話文理解：MCP 像什麼？

用 4 個生活化類比讓 MCP 概念瞬間清楚：

類比 1：USB-C 接口

USB-C 出現之前，每家手機廠都有自己的充電線（Apple Lightning、Android Micro-USB、舊 iPhone 30-pin...），消費者要備一堆線。 USB-C 統一之後，一條線可以充所有裝置。 MCP 之於 AI 客戶端，就是 USB-C 之於電器 — 一個介面、通用相容。

類比 2：插座與電器

AI 助手是電器（吹風機、檯燈、咖啡機），各種資料源是插頭（實價登錄資料庫、Slack、Google Drive）。以前每個電器要自己定義插頭形狀，現在 MCP 是統一規格的插座，所有電器都能用同一個插座取得電力。

類比 3：翻譯員

AI 模型講「英文」（自然語言推理），資料庫講「SQL 或 API 格式」（結構化查詢），兩者語言不通。以前需要工程師寫程式當「人肉翻譯」，現在 MCP 是 AI 與資料源之間的標準翻譯員，自動處理協議轉換、權限驗證、結果格式化。

類比 4：圖書館員

你（使用者）問 AI 一個問題，AI 是讀者，但它腦中知識有限。 MCP server 是圖書館員，當 AI 需要查資料時，圖書館員（MCP）幫它去書架（資料源）找書，再把答案整理好交回。讀者全程只跟圖書館員溝通，不需要自己進書庫翻找。

為什麼叫做 MCP？MCP 的由來

MCP 由 Anthropic（Claude 的開發公司）在 2024 年 11 月 25 日正式發布為開源協議，與 Sourcegraph、Replit、Codeium、Zed 等公司合作推出第一批 MCP servers。

命名來自核心目的：「Model Context Protocol」直譯就是「模型脈絡的協議」— 讓 AI 模型可以在對話中動態取得外部 context（脈絡資訊），而不是被限制在訓練時的靜態知識。這也是為什麼 MCP 強調「context」而不是「tool」或「function」 — 它的設計不只是讓 AI 呼叫工具，更是讓 AI 把外部資料納入推理脈絡。

MCP 名詞逐一解釋：M / C / P

M：Model — 模型

指 AI 大型語言模型（LLM），如 Claude、GPT、Gemini。 MCP 不限定模型供應商 — 任何支援 MCP 的客戶端都能使用同一個 MCP server。截至 2026 年，Anthropic、OpenAI、Google 三大廠的官方客戶端都已支援 MCP。

C：Context — 脈絡

指 AI 在生成回答時需要的「外部資訊」。例如「信義區 A 級商辦近 12 月平均月租金」這個問題的「context」就是實價登錄資料庫。 MCP 的核心職責是把這類 context 在對話流程中動態載入給 AI。

P：Protocol — 協議

指規範雙方溝通格式的技術標準。MCP 是基於 JSON-RPC 2.0 的雙向協議，定義了 4 種核心訊息類型：tools/list（工具清單）、tools/call（呼叫工具）、 resources/list（資源清單）、resources/read（讀取資源）。

小結：M + C + P 如何串成一句話？

把三個字組合起來：「讓 AI 模型（M）能動態取得外部脈絡（C）的標準協議（P）」。這就是 MCP 的全名意涵。

MCP 跟傳統 API 有什麼不同？

這是 MCP 入門最重要的概念。表格直觀對比：

面向	傳統 API	MCP
使用者	工程師（寫程式呼叫）	AI 使用者（用對話呼叫）
呼叫決策者	工程師事先寫好邏輯	AI 模型在對話中即時決定
整合成本	每個 API 需單獨整合（OAuth、SDK、錯誤處理）	一個 MCP server URL 貼進客戶端即用
跨平台	各廠 API 互不相容	一個 MCP server 服務所有 MCP 客戶端
使用場景	程式內部呼叫、後端整合	AI 對話中即時取資料、跑工具
權限管理	API Key、static	OAuth 2.1 + PKCE、per-user

關鍵差異：MCP 不是取代 API，而是「AI 友善的 API 標準包裝」。底層仍可能是 REST API、GraphQL、資料庫查詢，但 MCP 規範了「AI 如何發現、呼叫、解讀」這些工具的標準語言。

MCP 跟 Function Calling、Plugin 有什麼不同？

vs Function Calling

Function Calling 是 OpenAI 在 2023 年 6 月推出的 GPT API 內建機制，讓 GPT 模型可以決定何時呼叫開發者預定義的函式。 Anthropic 後來推出 Tool Use 是類似的機制。但兩者格式互不相容，且僅限該家模型 API 內使用，不能跨平台。MCP 則是跨廠商的協議標準。

vs ChatGPT Plugins（已廢止）

OpenAI 在 2023 年推出 ChatGPT Plugins，每家服務商寫一個 manifest 給 ChatGPT 用。但這個 plugin 只能用在 ChatGPT、不能用在 Claude；且 OpenAI 在 2024 年宣布逐步淘汰 Plugins、改推 Custom GPTs 與 MCP-style Connectors。MCP 是 plugins 模式的「跨廠商標準化版本」。

vs Cursor / VS Code 擴充

Cursor 的 .cursor/mcp.json、VS Code 的 settings.json 都是 IDE 客戶端內的 MCP server 註冊機制，本質上仍依循 MCP 協議。只是設定檔格式略有差異 — server 端寫一次，所有客戶端都可註冊使用。

MCP 的運作流程：6 個步驟

一次 MCP 工具呼叫的完整生命週期：

客戶端啟動：Claude.ai 或 Claude Code 啟動，讀取使用者設定的 MCP server URL。
連線與身份驗證：客戶端對 MCP server 發起 OAuth 流程（如果該 server 需要驗證），取得 access token。
tools/list 探索：客戶端問 MCP server「你有哪些工具？」，server 回傳工具清單（含名稱、描述、參數 schema）。
使用者提問：使用者輸入問題「信義區 A 級商辦有哪些？」。
AI 決策與 tools/call：AI 看完工具清單後，決定呼叫 search_buildings 工具，並組合參數 {district: "信義區", grade: "A"} 發出 tools/call 請求。
結果整合：MCP server 回傳結果，AI 把結果融入回答產出最終文字呈現給使用者。

整個過程使用者只看到「我問 → AI 答」，背後的探索、選工具、呼叫都由 AI 自動完成。這就是 MCP 對非工程師最大的吸引力 — 零程式、自然語言介面。

MCP server 是什麼？怎麼選？

MCP server 是任何實作了 MCP 協議、可以被 AI 客戶端呼叫的服務。截至 2026 年，主流 MCP server 來自三種來源：

官方 MCP servers（Anthropic 維護）：Filesystem、Postgres、Slack、Google Drive、Brave Search、GitHub 等 — github.com/modelcontextprotocol/servers
SaaS 廠商官方 MCP server：Notion、Sentry、Stripe、Cloudflare 等大廠陸續推出。
垂直市場 MCP server：聚焦特定產業 / 地區，如台灣 PropTech 的 Funraise MCP（19 個本地不動產資料源整合）。

選擇 MCP server 的 3 個判斷：

資料 / 工具相關性：對你的工作流真的有用嗎？
身份驗證機制：有支援 OAuth 嗎（vs API Key 靜態驗證）？多人團隊需要 per-user 權限。
更新頻率與維護：是否持續更新、bug 處理積極？看 GitHub star、commit frequency、社群活躍度。

哪些 AI 客戶端支援 MCP？

截至 2026 年 5 月，主流 MCP 客戶端：

客戶端	廠商	類型	支援狀態
Claude.ai	Anthropic	Web / Desktop	原生支援、免費版即可用
ChatGPT	OpenAI	Web / Desktop	Free / Plus / Team / Enterprise 各方案皆支援
Claude Code	Anthropic	Terminal CLI	原生支援
Gemini CLI	Google	Terminal CLI	原生支援
Codex CLI	OpenAI	Terminal CLI	原生支援
Claude Desktop	Anthropic	本機桌面 app	原生支援

Claude.ai 怎麼接 MCP？（5 步驟）

登入 Claude.ai（claude.ai/login）
進入任一對話 → 左下角 Connect apps 按鈕（或 Settings → Integrations）
選 Add custom connector
填入 Name（自訂）+ URL（你的 MCP server endpoint）
完成 OAuth 授權（如需要）— 用 Google / Microsoft 等帳號登入

完成後，在對話中直接用中文提問，Claude 會自動判斷是否呼叫 MCP 工具。詳見 Claude.ai 設定完整步驟。

ChatGPT 怎麼接 MCP？

ChatGPT 透過 Custom Connectors機制支援 MCP — 截至 2026 年 5 月，Free / Plus / Team / Enterprise 各方案皆可使用。進入 Settings → Connectors → Add custom → 填入 MCP server URL → 完成 OAuth。在新對話頂部工具列表勾選後即可使用。完整步驟見 ChatGPT MCP 設定教學。

Claude Code 怎麼接 MCP？（一條指令）

Claude Code（Anthropic 官方 CLI）是接 MCP 最快的方式 — 一條指令搞定：

claude mcp add --transport http funraise https://your-mcp-server.example.com/mcp

之後進入 claude 互動 session，輸入 /mcp 查看狀態。完整教學見 Claude Code MCP 設定。

Gemini CLI 怎麼接 MCP？

編輯 ~/.gemini/settings.json，加入 mcpServers 區塊：

{
  "mcpServers": {
    "funraise": {
      "httpUrl": "https://your-mcp-server.example.com/mcp"
    }
  }
}

存檔後執行 gemini，CLI 偵測到新 server 會自動觸發 OAuth。詳見 Gemini CLI 設定指南。

Codex CLI 怎麼接 MCP？

Codex CLI（OpenAI 官方）使用 TOML 設定。編輯 ~/.codex/config.toml：

[mcp_servers.funraise]
url = "https://your-mcp-server.example.com/mcp"

存檔後執行 codex，第一次會提示 OAuth。詳見 Codex CLI 設定步驟。

5 個 MCP 實戰應用情境

情境 1：PropTech 不動產分析（台灣本地）

建商開發部、壽險不動產投資部、估價師、商仲透過 Funraise MCP 接到 Claude.ai，在對話中查實價登錄、跑都更投報試算、寫商辦 DD memo。在內測情境下，研究員工作可從 2-3 天壓縮到 30 分鐘（實際時間依案件複雜度而定）。

情境 2：DevOps / SRE 自動化

工程團隊接 GitHub、Sentry、Datadog、PagerDuty 的 MCP server 到 Claude Code，發生 incident 時 AI 自動串接「Sentry 抓 error → GitHub 找相關 commit → 建議 fix」全流程， on-call 工程師省下重複查資料時間。

情境 3：客服 / 業務情境

業務團隊接 Salesforce、HubSpot、Notion 的 MCP server 到 ChatGPT， AI 對話中即時取得客戶歷史、產品文件、合約狀態，業務可專注在 relationship building。

情境 4：知識管理 / 內部 RAG

企業內部知識庫（Confluence、Notion、Google Drive）透過 MCP 暴露給 Claude，員工問「我們的合約模板第 4.2 條怎麼寫」直接拿到答案，不必到 wiki 翻找。

情境 5：個人助理 / 生產力工具

個人用戶接 Gmail、Calendar、Todoist、Apple Notes 的 MCP server， AI 可以幫忙「今天有什麼會議？把會議筆記整理到 Notion」一句話完成。

MCP 安全性怎麼考量？OAuth 為什麼重要？

MCP 把 AI 跟外部資料源連起來，安全顧慮是合理的。優質 MCP server 應該具備：

OAuth 2.1 + PKCE：使用者每次接入都要明確授權，token 可隨時撤銷
Per-user 權限隔離：A 使用者的 token 不能存取 B 使用者的資料
細粒度權限 scope：可選擇只給「讀取」、不給「寫入」
稽核日誌：每次 tools/call 都有紀錄，可追溯異常呼叫
對話內容不留存：MCP server 只看得到 AI 構造的工具參數，看不到完整 prompt 或對話歷史

選擇 MCP server 時，避開只用 API Key 的舊式驗證（key 一旦洩露就完蛋），優先選擇 OAuth + per-user token 的 server。

MCP 的限制與注意事項

限制 1：成熟度仍在演進

MCP 才推出 18 個月，spec 仍在小幅迭代（2024-11 v0.1 → 2025-06 v0.2 → 2026-05 最新）。老的 MCP server 可能需要更新才能用在新版 AI 客戶端。

限制 2：對工具的選擇靠 AI 自己判斷

MCP 把「該呼叫哪個工具」交給 AI 模型決定。如果工具描述寫得不好、或同類工具命名重複，AI 可能選錯。 Server 端要把工具 description 寫清楚、命名一致。

限制 3：Token 成本

每個 MCP server 的 tools/list 結果會被注入 AI 對話 context，接太多 MCP server 會把 context window 撐爆，影響回答品質。建議一次接 3-5 個最常用的 server。

限制 4：跨工具 orchestration 仍待強化

目前 MCP 是「AI 呼叫單一工具 → 結果回 AI」的單跳模式。如果需要「A 工具結果餵給 B 工具」的多步驟流程， AI 模型自己要做 orchestration，效率不如後端 workflow engine。解決方案是用 Code Mode（如 Cloudflare 的 codemode 套件）— AI 寫 JS 直接呼叫多個工具，效率高很多。

為什麼 Funraise MCP 對台灣 PropTech 重要？

台灣不動產業有兩個結構性痛點：

資料散落各部會：實價登錄在內政部、建照在地方建管處、商業司在經濟部、捷運計畫在交通部。每個系統都要單獨查、沒有交叉查詢工具。
AI 缺台灣 context：直接用 ChatGPT 問台灣不動產問題，它會用美國市場假設、容積獎勵概念混亂、Cap Rate 抓錯區間。

Funraise MCP 是台灣第一個 PropTech 垂直 MCP server，把 19 個本地資料源（實價登錄、商辦大樓、建照、捷運、商業司、利害關係人、未來開發案 pipeline 等）+ 業界 SOP 工具（都更投報試算 4 modes、壽險商辦 DD memo）打包到一個 OAuth 保護的 endpoint URL，使用者貼進 Claude.ai / ChatGPT / Claude Code / Gemini CLI / Codex CLI 即可中文對話查詢。詳見 Claude MCP 台灣不動產接入指南。

MCP 與 AI Agent、RAG、AXO 的關係

MCP vs AI Agent

AI Agent 是能自主規劃多步驟、執行任務的 AI 系統。MCP 是 Agent 與外部工具溝通的標準語言。沒有 MCP，Agent 只能跟 LLM 內建知識對話；有了 MCP，Agent 可以連到資料庫、SaaS、檔案系統、本地腳本，真正完成端到端任務。 MCP 是 AI Agent 時代的基礎建設。

MCP vs RAG

RAG（Retrieval-Augmented Generation）是把外部知識嵌入 AI 對話的方法論 — 通常是把文件向量化後存到 vector DB， AI 問問題時先查相似文件、再生成回答。 MCP 則是 AI 呼叫外部工具的協議標準。兩者互補不衝突： MCP server 內部可以用 RAG 處理資料，再透過 MCP 工具暴露給 AI 使用。

MCP vs AXO（AI eXperience Optimisation）

AXO 是「優化內容以便被 AI 引用」的方法論，類似 SEO 但目標是 AI Overviews、Perplexity、ChatGPT Search 等 AI 搜尋介面。 MCP 是讓 AI 主動查資料的協議。兩者一個是「被動被引用」、一個是「主動拉資料」，產業生態系並存。

MCP 對開發者的戰略意義

對工程師 / SaaS 廠商來說，MCP 是 2026 年最值得投資的整合工作。理由：

一次實作、多平台受益：寫一個 MCP server 同時被 Claude.ai、ChatGPT、Claude Code、Gemini、Codex 使用，不再需要為每家寫獨立 plugin。
使用者觸及面增加：傳統 SaaS 要使用者主動打開 app 使用；上 MCP 後使用者在 AI 對話中自然呼叫，降低使用摩擦。
新型計費模式：使用者付費呼叫工具、廠商與平台分潤的模式正在形成。早期上 MCP 的 SaaS 可以搶占 AI agent 流量紅利。
抗 LLM 自建：如果 Anthropic / OpenAI 自己做了類似功能（如 Slack 整合），有 MCP server 的廠商仍能保持差異化（領域深度、台灣本地化等）。

MCP 常見問題

MCP 是什麼？一句話說明

MCP（Model Context Protocol）是 Anthropic 在 2024 年 11 月推出的開放標準，讓 AI 助手（如 Claude、ChatGPT）可以安全、結構化地呼叫外部資料源與工具，類似於 USB-C 之於硬體裝置 — 一個介面、通用相容。

MCP 跟 API 有什麼不同？

API 是讓程式呼叫服務的介面，需要工程師撰寫程式碼整合。MCP 是讓 AI 助手呼叫服務的標準協議 — 使用者不需寫程式，把 endpoint URL 貼進 AI 客戶端即可使用，AI 會自動決定何時、用什麼參數呼叫工具。

MCP 跟 Function Calling 有什麼不同？

Function Calling 是各家 LLM 廠商各自的 API 內機制（OpenAI、Anthropic、Google 都有自己的格式，互不相容）。MCP 是跨廠商的標準 — 同一個 MCP server 可以同時被 Claude、ChatGPT、Claude Code、Gemini CLI、Codex CLI 使用，不需重複實作。

我不是工程師，可以用 MCP 嗎？

可以。Claude.ai 與 ChatGPT 都提供 GUI 設定介面，5 分鐘內可完成 MCP server 接入，全程不寫程式。Terminal CLI（Claude Code / Gemini CLI / Codex CLI）也只需要複製貼上一條指令或修改一個設定檔。

MCP 安全嗎？我的資料會外洩嗎？

MCP 本身是協議規範，安全性取決於各 MCP server 的實作。優質的 MCP server 會用 OAuth 2.1 + PKCE 進行身份驗證，並把工具呼叫權限細分到使用者層級。對話內容仍發生在 AI 客戶端（Claude.ai / ChatGPT 等），MCP server 只看得到 AI 構造的工具呼叫參數，看不到完整 prompt 或對話歷史。

哪些 AI 客戶端支援 MCP？

Claude.ai（Anthropic、免費版即可）、ChatGPT（OpenAI、Free / Plus / Team / Enterprise 各方案皆可）、Claude Code（Anthropic 官方 CLI）、Gemini CLI（Google 官方 CLI）、Codex CLI（OpenAI 官方 CLI）。所有支援 MCP 的客戶端可使用同一個 MCP server endpoint URL，無需各別重新設定。

MCP 對台灣使用者有什麼特殊意義？

台灣的垂直行業資料（如 PropTech 不動產資料、本地 SaaS）長期缺乏 AI 介面 — MCP 提供了一個標準化、低成本的接入方式。例如 Funraise MCP 把 19 個台灣 PropTech 資料源（實價登錄、商辦、建照、捷運、商業司等）整合到一個 endpoint，台灣業者透過 Claude.ai 或 ChatGPT 即可用中文查詢，不需自建系統。

MCP server 在哪裡找？

Anthropic 官方維護 MCP servers 清單（github.com/modelcontextprotocol/servers），含 Slack、GitHub、Google Drive、Notion、Postgres 等。台灣垂直市場可參考 Funraise MCP（PropTech）。各 SaaS 廠商也陸續推出自家官方 MCP server。

MCP 會取代 RAG 嗎？

不會，兩者互補。RAG（Retrieval-Augmented Generation）是把外部知識嵌入 AI 對話的方法論；MCP 是 AI 呼叫外部工具的協議。MCP server 內部可以用 RAG 機制處理資料、再透過 MCP 工具暴露給 AI 使用 — 兩者組合可達到「AI 不只能查到資料、還能據資料行動」的效果。

MCP 跟 AI Agent 是什麼關係？

AI Agent 是能自主規劃多步驟、執行任務的 AI 系統。MCP 是 Agent 與外部工具溝通的標準語言 — 沒有 MCP，Agent 只能跟 LLM 內建知識對話；有了 MCP，Agent 可以連到資料庫、SaaS、檔案系統，真正完成端到端任務。MCP 是 AI Agent 時代的基礎建設。

MCP 是什麼？

白話文理解：MCP 像什麼？

類比 1：USB-C 接口

類比 2：插座與電器

類比 3：翻譯員

類比 4：圖書館員

為什麼叫做 MCP？MCP 的由來

MCP 名詞逐一解釋：M / C / P

M：Model — 模型

C：Context — 脈絡

P：Protocol — 協議

小結：M + C + P 如何串成一句話？

MCP 跟傳統 API 有什麼不同？

MCP 跟 Function Calling、Plugin 有什麼不同？

vs Function Calling

vs ChatGPT Plugins（已廢止）

vs Cursor / VS Code 擴充

MCP 的運作流程：6 個步驟

MCP server 是什麼？怎麼選？

哪些 AI 客戶端支援 MCP？

Claude.ai 怎麼接 MCP？（5 步驟）

ChatGPT 怎麼接 MCP？

Claude Code 怎麼接 MCP？（一條指令）

Gemini CLI 怎麼接 MCP？

Codex CLI 怎麼接 MCP？

5 個 MCP 實戰應用情境

情境 1：PropTech 不動產分析（台灣本地）

情境 2：DevOps / SRE 自動化

情境 3：客服 / 業務情境

情境 4：知識管理 / 內部 RAG

情境 5：個人助理 / 生產力工具

MCP 安全性怎麼考量？OAuth 為什麼重要？

MCP 的限制與注意事項

限制 1：成熟度仍在演進

限制 2：對工具的選擇靠 AI 自己判斷

限制 3：Token 成本

限制 4：跨工具 orchestration 仍待強化

為什麼 Funraise MCP 對台灣 PropTech 重要？

MCP 與 AI Agent、RAG、AXO 的關係

MCP vs AI Agent

MCP vs RAG

MCP vs AXO（AI eXperience Optimisation）

MCP 對開發者的戰略意義

MCP 常見問題

MCP 是什麼？一句話說明

MCP 跟 API 有什麼不同？

MCP 跟 Function Calling 有什麼不同？

我不是工程師，可以用 MCP 嗎？

MCP 安全嗎？我的資料會外洩嗎？

哪些 AI 客戶端支援 MCP？

MCP 對台灣使用者有什麼特殊意義？

MCP server 在哪裡找？

MCP 會取代 RAG 嗎？

MCP 跟 AI Agent 是什麼關係？

延伸閱讀

Cookie 設定