Click：用MCP协议为ChatGPT和Claude接入实时研究数据

当AI的"知识边界"成为瓶颈

大语言模型的能力已经令人惊叹，但一个长期存在的痛点始终困扰着专业用户：AI能获取的外部信息，往往局限于内置网页搜索所能触及的范围。而真正有价值的研究上下文——专业平台的数据、社交媒体的实时动态、市场行情、财务信息——却常常被挡在门外。

值得注意的是，当前主流大模型的内置搜索功能（如ChatGPT的Browse功能或Perplexity的实时搜索）本质上依赖的是通用搜索引擎的索引。这类搜索存在几个结构性盲区：所谓"深网"（Deep Web）内容——即需要登录认证、动态生成或位于数据库内部的信息——占据互联网总信息量的90%以上，却无法被常规爬虫索引。这一估算最早来源于2001年BrightPlanet公司发布的开创性白皮书，虽然具体比例随互联网发展有所变化，但学术界普遍认为深网的规模仍远超表层网络。深网的组成可以进一步细分为：动态内容（由数据库查询实时生成的页面）、受限访问内容（需要认证的企业SaaS、付费学术数据库如Elsevier的ScienceDirect）、脚本化内容（依赖JavaScript动态渲染的单页应用，如React/Vue构建的Web应用）、以及非HTML格式内容（PDF、Word文档、多媒体文件等）。搜索引擎虽然在JavaScript渲染方面有所进步（Google自2019年起采用Evergreen Googlebot支持现代JavaScript），但仍无法处理需要用户交互才能触发的内容加载。

这里需要澄清一个常见误解：深网并非通常所说的"暗网"（Dark Web），后者仅是深网的极小子集，需要Tor等特殊软件才能访问。深网的主体实际上是日常使用的正规内容——企业内部数据库、需要登录的SaaS平台、学术期刊的付费全文、政府档案系统、银行账户信息等。搜索引擎爬虫基于HTTP协议逐链接抓取的工作方式，天然无法穿透登录墙、表单查询界面和动态渲染的JavaScript内容。这意味着对于专业研究场景而言，互联网上绝大多数有价值的信息实际上处于AI的"盲区"之中。

此外，许多专业平台（如Bloomberg Terminal、Crunchbase、LinkedIn Sales Navigator）的数据通过API而非网页形式提供，搜索引擎根本无法触及；社交媒体平台近年来大幅收紧了数据访问权限（如X/Twitter限制API调用频率），导致实时社交数据愈发难以获取。

近日在Product Hunt上线的Click，正是瞄准了这一缺口。它以MCP（Model Context Protocol）的形式，为ChatGPT和Claude提供了一套丰富的研究连接器，让AI能够触及内置搜索遗漏的"活"信息。上线后迅速获得132票支持，位列当日产品榜第9名。

MCP协议：AI工具生态的新范式

要理解Click的价值，首先要理解它所依托的技术基础——MCP协议。

什么是MCP（模型上下文协议）

MCP（Model Context Protocol，模型上下文协议）是近来在AI开发者社区快速升温的一项标准。它最早由Anthropic在2024年底正式提出并开源，其设计灵感来源于软件工程中长期存在的"适配器模式"和"中间件"思想。MCP的核心思想是为大模型提供一套统一的接口，让模型能够以标准化的方式连接外部数据源和工具，而无需为每个数据源单独开发定制集成。

从技术架构上看，MCP定义了一套Client-Server架构：AI应用作为MCP Client发起请求，外部工具作为MCP Server提供能力，二者通过标准化的JSON-RPC协议通信。JSON-RPC是一种轻量级的远程过程调用协议，使用JSON格式编码请求和响应。相比于传统的REST API，JSON-RPC更适合工具调用场景——它天然支持方法名和参数的结构化表达，且请求-响应模式与大模型的"决定调用什么工具、传递什么参数、接收什么结果"的工作流高度契合。MCP在JSON-RPC之上还定义了工具描述（Tool Description）、资源发现（Resource Discovery）和提示模板（Prompt Template）等扩展能力，使得AI模型不仅能调用工具，还能"理解"工具的用途和使用约束。

在传输层面，MCP支持两种通信模式：stdio（标准输入输出）和HTTP+SSE（Server-Sent Events）。stdio模式适用于本地运行的MCP Server，AI应用通过子进程的标准输入输出管道与Server通信，延迟极低但仅限本机使用；HTTP+SSE模式则支持远程部署，Server通过SSE推送实时数据更新，适合需要持续数据流的场景（如实时行情监控）。MCP的工具描述采用JSON Schema定义参数类型和约束，这使得大模型能够在不阅读文档的情况下"理解"工具的输入输出格式——本质上是将API文档结构化为机器可读的元数据。

这意味着同一个MCP Server可以同时服务于ChatGPT、Claude、以及其他兼容MCP的AI平台，开发者只需编写一次工具逻辑即可多平台复用。

打个比方，如果说过去每接入一个新的数据源都要"造一座桥"，那么MCP就像是提供了一套标准化的"接口插座"，任何符合协议的工具都可以即插即用。这大大降低了扩展AI能力的门槛。

从Function Calling到MCP的演进

在MCP标准化之前，OpenAI的Function Calling和ChatGPT Plugins是最主流的AI工具扩展方案。Function Calling允许模型在对话中识别需要调用外部函数的时机，并生成结构化的调用参数，但它是平台特定的——为OpenAI写的Function定义无法直接用于Claude。

ChatGPT Plugins则在2023年短暂上线后因使用率低迷而被下架。Plugins于2023年3月发布时曾被OpenAI CEO Sam Altman比作"AI的App Store时刻"，但仅在约8个月后就被悄然下架。其失败的原因是多方面的：除了开发者需要为每个Plugin维护独立的manifest文件和OAuth认证流程导致开发成本过高之外，用户发现很难在对话中精确触发正确的Plugin，Plugin之间无法协同工作，且大多数Plugin提供的功能用简单的网页搜索就能替代。更深层的问题在于，Plugins采用的是"拉取"模式——需要用户主动选择启用哪个Plugin，而非模型根据任务需求自动发现和调用合适的工具。

MCP吸取了这些教训，采用更轻量的服务发现机制和统一的认证抽象层，通过标准化的工具描述让模型能够自主判断何时需要什么工具，让"工具市场"的供给侧（开发者）和需求侧（用户）都能以更低成本参与生态。这也是为什么MCP在短时间内获得了广泛的社区支持和快速增长的工具生态。

Click 如何利用MCP协议

Click 本质上是一个MCP服务器，它将多种研究连接器打包在一起。根据官方描述，Click 提供来自以下几类平台的实时上下文：

• 专业与社交平台：获取行业动态、社交舆情等一手信息
• 市场与电商平台：抓取商品、价格、供需等市场数据
• 金融数据：接入财务与市场行情信息
• 以及更多其他来源

用户只需花约1分钟在ChatGPT或Claude中完成MCP安装，就能在对话中直接调用这些外部上下文。

Click解决了什么真实问题

内置网页搜索固然方便，但存在几个明显局限：搜索结果往往偏向公开的、被广泛索引的内容；对于需要登录、需要专业订阅或结构化查询的数据源，内置搜索通常无能为力；实时性也常常不够理想。

对于做投资研究的分析师、做市场调研的产品经理、或是需要追踪社交动态的营销人员而言，这些"被遗漏"的上下文恰恰是决策的关键。Click 试图把这些原本分散、难以获取的信息，整合进AI对话的工作流之中。

从"通用问答"到"专业AI研究工具"

这背后反映出AI应用的一个演进趋势：从通用的问答助手，向垂直、深度的研究工具进化。当模型本身的推理能力已经足够强大时，决定其实用价值上限的，往往是它能接触到的信息质量与广度。Click 所做的，正是在"信息接入"这一层做文章。

在AI增强研究领域，已有多种路径的竞争者：Perplexity以搜索增强生成（RAG）为核心，专注于公开信息的实时检索与引用；Elicit和Consensus聚焦学术论文的AI辅助分析；而在金融研究领域，Bloomberg正在将AI深度集成进Terminal产品。

RAG（Retrieval-Augmented Generation，检索增强生成）是当前AI应用中最主流的知识增强方案，值得在此展开解释。其基本流程是：当用户提出问题时，系统首先通过检索模块从外部知识库中找到相关文档片段，然后将这些片段作为上下文注入到大模型的提示词中，让模型基于检索到的信息生成回答。RAG的优势在于可以让模型获取训练截止日期之后的新信息，并减少"幻觉"。但RAG也面临多个技术挑战：检索质量直接决定生成质量（"垃圾进、垃圾出"）；长上下文中的信息可能被模型忽略（即"迷失在中间"问题，研究表明模型对上下文窗口中间位置的信息关注度最低）；当检索结果与模型内部参数化知识冲突时，模型的行为难以预测。2024年的多项研究表明，即使明确指示模型优先使用检索到的信息，模型仍会在约15-25%的冲突场景中依赖自身的参数化知识生成回答。Click作为上下文供应商，本质上服务于RAG范式的"检索"环节，其数据质量直接影响最终输出的可靠性。

Click的差异化在于它选择了MCP这一"协议层"切入点，不自建前端体验，而是作为"管道"嵌入用户已有的AI工作流。这种策略类似于API经济中的"中间件"定位——不直接面向终端用户的最终需求，而是成为连接数据源与AI平台的粘合剂。这一定位在软件行业有成熟的商业先例：Twilio通过提供通信API中间件，让开发者无需直接对接电信运营商即可在应用中集成短信和语音功能；Stripe作为支付中间件，抽象了与各大银行和支付网络的复杂集成；Plaid则专注于金融数据的中间件连接。这些成功案例的共同特征是在数据提供方和消费方之间建立了标准化的抽象层，并通过网络效应（更多开发者使用→更多数据源接入→吸引更多开发者）构建壁垒。Click的MCP定位遵循了类似的逻辑，但能否复制这种成功取决于MCP协议本身的普及程度和Click能否建立数据源的独占优势。

产品定位与潜在挑战

Click 的定位相当聚焦——它不试图重造一个AI助手，而是作为增强层嵌入已有的ChatGPT和Claude工作流。这种"寄生于成熟平台"的策略，让它得以借助现有MCP生态快速获得用户，也降低了用户的学习成本。1分钟安装的低门槛，是其在产品页面反复强调的卖点。

不过，这类MCP工具也面临一些值得关注的问题：

• 数据来源的透明度与合规性：从各类专业平台和社交平台抓取数据，涉及数据授权与合规边界，用户需要关注其数据来源是否合法合规。这并非假设性风险——2022年，数据聚合公司hiQ Labs与LinkedIn的长期法律纠纷以最高法院裁定告终，明确了公开数据的抓取边界仍存在法律灰区。欧盟GDPR和美国各州陆续出台的数据隐私法案对"数据中介"（Data Broker）的定义越来越宽泛。此外，各大社交平台在2023-2024年间密集更新了服务条款，明确禁止未授权的自动化数据采集，部分平台甚至将AI训练数据采集单列为需要额外授权的用途。
• 信息准确性：外部连接器提供的上下文最终仍需模型加工，如何保证信息不被误读或产生新的幻觉，是长期挑战。这涉及RAG技术中的经典难题——当检索到的外部文档与模型内部知识产生冲突时，模型该如何取舍？当多个数据源提供相互矛盾的信息时，又该如何处理？当前学术界对此的研究方向包括"可信度加权"（给不同来源的信息分配可信度分数）和"冲突检测与标注"（让模型主动向用户报告信息冲突），但这些方案尚未成熟到可以完全自动化的程度。值得注意的是，幻觉的产生根源在于大模型的工作机制——它本质上是在做条件概率预测（给定前文，预测下一个最可能的token），而非从可验证的知识库中检索事实。这意味着即便引入了高质量的外部上下文，模型在整合和推理这些信息时仍可能引入偏差。
• 对平台的依赖：作为MCP工具，Click 的命运与ChatGPT、Claude等宿主平台的协议支持紧密绑定。如果这些平台调整MCP的支持策略、收紧第三方接入权限，或推出官方竞品工具，Click的生存空间可能骤然收窄——这在科技行业中被称为"平台风险"（Platform Risk），是所有依附于大平台的第三方开发者都需面对的战略性问题。这一风险在科技行业有诸多前车之鉴：2012年Twitter收紧API政策，导致大批第三方Twitter客户端（如Tweetbot、Twitterrific）的商业模式几乎在一夜之间崩塌；Facebook在2018年剑桥分析丑闻后大幅限制Graph API的数据访问权限，使得依赖Facebook数据的数千家营销科技公司被迫转型或倒闭。在AI领域，这一风险尤为显著——OpenAI和Anthropic都在快速迭代自己的工具调用机制和官方集成，任何一次协议变更都可能让第三方MCP工具面临兼容性断裂。这也是为什么Click这类产品需要同时支持多个AI平台，以分散单一平台依赖的风险。

结语：AI能力的下一个战场在"上下文"

Click 的出现是一个缩影，它印证了一个正在形成的共识：随着基础模型能力趋于同质化，AI应用的竞争焦点正从"模型多聪明"转向"模型能接触到什么"。谁能为AI提供更丰富、更实时、更专业的上下文，谁就能在具体场景中创造更大价值。

所谓"模型能力同质化"，并非空穴来风。在主流基准测试（如MMLU、HumanEval、GSM8K）上，GPT-4、Claude 3.5 Sonnet、Gemini 1.5 Pro等顶级模型的得分差距已缩小到个位数百分点以内，开源模型（如Meta的Llama 3、Mistral）也在快速追赶。具体来看，MMLU（Massive Multitask Language Understanding）覆盖57个学科领域的多选题，测试模型的广谱知识；HumanEval评估代码生成能力，由164个编程问题组成；GSM8K则是包含8500道小学数学应用题的推理测试。截至2025年初，顶级模型在MMLU上的得分均在87-90%区间，差距不足3个百分点。不过需要注意的是，基准测试的"饱和"并不完全等同于模型能力的同质化——在复杂推理、长上下文理解、多步骤任务规划等维度上，不同模型仍表现出显著差异。此外，基准测试本身也面临"数据污染"问题——测试题目可能已经出现在模型的训练数据中，导致得分虚高。

这种现象在技术史上并不罕见——类似于PC时代Intel与AMD处理器性能差距缩小后，竞争焦点转向了操作系统和软件生态；智能手机时代芯片性能趋同后，竞争焦点转向了相机算法和应用生态。在AI领域，当模型推理能力不再是瓶颈时，"上下文质量"和"工具生态"自然成为新的差异化维度。

MCP作为连接这一切的标准协议，正在催生一批像Click这样的"上下文供应商"。这一趋势背后的深层逻辑是：当顶级模型的推理能力差距日益缩小时，应用层的差异化价值必须来自其他维度。而"独占数据"或"独特的信息接入能力"恰恰是最难以被竞争对手快速复制的护城河。

对于重度依赖AI进行研究工作的专业用户来说，这类工具值得保持关注——它们或许正在悄然重塑我们与AI协作的方式。