[控场AI]
· 4 分钟阅读· 2,348 字

API 与 MCP 并非对手:一分钟搞懂两者关系

API 与 MCP 并非对手:一分钟搞懂两者关系

MCP 并非 API 的替代品,而是构建在 API 之上的标准化封装层。

文章针对「MCP 会取代 API」的流行误解作出澄清,指出两者处于不同抽象层次:API 解决程序间的点对点数据请求,每个服务都有独立的地址、认证和错误体系;MCP 则为 AI 应用提供标准化的工具发现与调用格式,让不同服务的 MCP 服务器以一致方式返回能力列表。关键在于,GitHub 等服务的 MCP 服务器内部仍在调用其底层 API,只是把原本分散在各 AI 应用中的适配代码集中到服务器层,只写一次。因此对开发者而言,MCP 能显著降低多工具集成成本,但对底层 API 的理解仍是编写高质量 MCP 服务器的基础,两者是分层共存而非替代关系。

为什么总有人把 API 和 MCP 对立起来?

在 AI 应用开发圈,提起 MCP(Model Context Protocol),总有人把它看作 API 的替代品。这种误解不奇怪——两者都涉及「让程序之间对话」,表面上看确实像同一赛道的竞争者。但根据 YouTube 频道 AIxplorewithmalli 的通俗解读,API 和 MCP 的关系更像「砖块」与「预制板」:MCP 不取代 API,它通常搭建在 API 之上。

理解这一点的关键在于认清各自的分工边界。API 解决的是「一个程序如何向另一个程序要数据」,而 MCP 解决的是「AI 应用如何用统一方式发现并使用各种工具」。两者的设计目标并不重叠。

每个 API 都有自己的地址、登录方式和错误处理

API:老牌数据通道,但各有各的门派

API 的工作模式非常直接。以 GitHub 的 API 为例,你的程序向它发出请求,它返回 issue 列表。数据通道建立起来,任务就完成了。

问题出在规模化阶段。每个 API 都有自己的地址结构、认证方式、错误码体系和调用约定。为 GitHub 写的集成代码,原封不动搬到 Stripe 上就会报错——参数名不同、鉴权流程不同、返回格式也不同。开发者不得不为每个服务单独写一套适配逻辑,重复劳动由此产生。

这不是 API 的缺陷,而是它的本质:API 是为「点对点」通信设计的,它不负责帮你统一多个服务之间的差异。

MCP:给 AI 应用一层统一插座

MCP 的思路完全不同。它让 AI 应用以标准化方式询问某个工具服务器:「你能做什么?」服务器返回一组带描述的工具列表。AI 根据描述选择例如「列出 issue」这样的操作,然后执行。

关键在于,Stripe 的 MCP 服务器返回的格式与 GitHub 的 MCP 服务器一致。AI 应用不需要为每个服务重新学习一套交互规则,同一套代码流程可以复用于不同工具。这大幅降低了 AI 应用接入多工具的门槛。

AI 应用向 GitHub 的 MCP 服务器询问可用的工具

Stripe 的 MCP 服务器以相同格式返回工具信息

MCP 由 Anthropic 于 2024 年底提出并开源,全称 Model Context Protocol,常被类比为「AI 领域的 USB-C 接口」。它基于 JSON-RPC 2.0 定义通信格式,核心角色包括 Host(运行 AI 模型的应用)、Client(Host 内部与服务器通信的组件)和 Server(对外暴露工具、资源与提示模板的一方)。服务器可以声明自己提供哪些 tools(可执行操作)、resources(可读取的数据)和 prompts(预置指令),客户端据此动态发现并调用。正因为它把「工具描述」本身也纳入了协议,AI 模型才能在不预先硬编码的情况下理解某个服务器能做什么,这也是它与普通 RPC 框架的关键区别。

关键真相:MCP 服务器内部仍在调用 API

视频里最值得注意的一句话是:GitHub 的 MCP 服务器,本质上仍在调用 GitHub 的 API。MCP 并没有绕过 API,它只是把原本散落在各个 AI 应用里的 API 调用代码,挪进了服务器内部,并且只写一次。

API 调用代码移入服务器,只需编写一次

这个架构变化的意义在于职责分离。过去,每个 AI 应用都要自己实现 GitHub API 的调用逻辑;现在,这部分逻辑由 MCP 服务器统一承担,AI 应用一侧只面对标准化接口。用视频的说法,「你的代码每次执行相同的步骤,调用 API」——只不过这一步现在发生在服务器层,而不是应用层。

这种模式也解释了为什么大量工具型 AI 应用选择在 API 之上叠加 MCP:并不是要抛弃现有 API 生态,而是用一层标准化封装来降低集成成本。

这里涉及一个容易混淆的概念区分:「API 调用」指的是程序通过 HTTP 等协议向远端服务请求数据,而 MCP 定义的是 AI 应用与工具服务器之间的协议层。二者不在同一抽象层次上——API 是数据出入口,MCP 是工具能力的描述与调度协议。换句话说,MCP 服务器本身通常就是一个普通后端服务,它接收来自 AI 应用的标准化请求,翻译成具体的 API 调用,再把结果按标准格式返回。因此判断一个 MCP 服务器是否「绕过」了 API,只需要看它内部是否最终发起了对外部服务的网络请求,答案几乎总是肯定的。

对开发者的实际启示

如果你的 AI 应用需要接入多个外部服务,MCP 提供的标准化工具发现机制能省去大量适配代码。但这不意味着 API 知识变得无关紧要——恰恰相反,MCP 服务器内部的实现质量,直接取决于对底层 API 的理解深度。写 MCP 服务器的人,仍然需要精通对应的 API。

另一个值得留意的点是:MCP 的标准化收益,建立在服务方愿意提供 MCP 服务器的基础上。对于尚未提供 MCP 封装的 API,开发者仍需自行处理原始调用。API 和 MCP 在可预见的范围内是分层共存的关系,而非替代关系。

把两者理解为竞争,会让人误判技术选型的方向;把它们理解为不同层次的基础设施,才能看清 AI 工具集成正在发生的真实变化。

#API#MCP#Model Context Protocol#AI 应用开发#MCP 服务器#API 集成#AI 工具调用
分享:

相关推荐