我们用错了MCP:它的真正价值只有一个

MCP真正的价值在于按需认证与权限隔离,而非为LLM提供能力本身。
一位开发者提出反直觉观点:大多数人误用了MCP(模型上下文协议),其核心价值仅在于封装认证、实现按需授权,而非提供能力本身。CLI常驻凭证会将账户权限长期暴露给所有可访问的agent,构成安全隐患;相比之下,MCP允许针对单次运行授予限定操作集,形成可控的权限作用域。至于给LLM提供工具能力,直接用清晰指令加可调用程序接口即可——LLM本就极擅长遵循指令,无需额外协议层包裹。作者以自己无MCP的桌面自动化项目为证,建议开发者在引入MCP前先明确:需要解决的是认证问题,还是仅仅跟风。
MCP 真正的价值:认证,而非别的
围绕模型上下文协议(MCP, Model Context Protocol)的讨论越来越热,但一位 YouTube 开发者抛出了一个颇具争议的观点:我们大多数人其实用错了 MCP。他的核心主张很直接——你使用 MCP 的唯一理由应该是它封装了认证(auth),仅此而已。
这个判断听起来简单,却点出了当前 AI 工具生态里一个被普遍忽视的问题:很多人把 MCP 当成了给 LLM 提供能力的"万能插座",却忽略了它真正不可替代的部分其实是权限边界的控制。

CLI 登录模式的隐患
作者用 Cloudflare 的 Wrangler CLI 举了个反面例子。当你在命令行工具里登录账号后,凭证就常驻在本地环境中。问题随之而来:任何能访问这个 CLI 的 agent,都能借此对你的 Cloudflare 账户执行操作。
这是一种相当危险的授权模型。你并没有为某次具体的 agent 运行单独授权,而是把整个账户的操作能力暴露给了任何能触及该环境的程序。对于越来越自动化、越来越"放养"的 AI agent 来说,这种大范围、长期有效的凭证无异于一张空白支票。

这种风险在安全领域被称为"凭证蔓延"(Credential Sprawl)——长期有效的访问令牌散落在各个环境中,难以追踪和撤销。传统的最小权限原则(Principle of Least Privilege)要求每次操作只获得完成该操作所必需的最低权限,且权限应在操作结束后立即失效。CLI 常驻凭证恰恰违背了这一原则:它相当于给 agent 颁发了一张"无限期通行证",而非"单次访客证"。在 AI agent 场景下,这个问题被进一步放大——agent 可能被提示注入(Prompt Injection)攻击操控,恶意指令可能借助合法凭证执行破坏性操作,而系统无法区分这是用户授权行为还是攻击行为。
MCP 的独特之处:按需授权 + 明确动作集
相比之下,MCP 的授权方式更精细。作者指出,你可以针对某一次具体运行启用某个 MCP,这样 agent 获得的是一组被限定的操作(a set of actions)以及对应的认证。
换句话说,MCP 把"你能做什么"和"你被授权做什么"打包在一起,形成了一个可控的作用域。这才是它相对于裸 CLI 或自制脚本真正的优势所在——不是能力本身,而是对能力的约束与隔离。
MCP(Model Context Protocol)是由 Anthropic 于 2024 年末提出并开源的标准协议,旨在统一 LLM 与外部工具、数据源之间的交互方式。其设计借鉴了 OAuth 2.0 的授权思路:服务提供方(MCP Server)声明自己能提供哪些工具(Tools)和资源(Resources),客户端在发起具体任务时按需请求访问,而非预先获取全部权限。这种"动态能力发现 + 作用域受限"的模式,使得同一个 agent 在不同任务中可以获得不同的权限集合,从而实现细粒度的权限管理。这也是为什么作者强调 MCP 的核心价值在于认证边界,而非工具能力本身——协议层真正做到了将"能调用什么"与"被授权调用什么"在架构层面显式分离。
能力提供:MCP 并不比自制方案更优
这里是作者观点中最反直觉、也最值得深思的部分。他明确表示:单就提供能力而言,MCP 并没有任何天然优于你自己写的工具的地方。
理由在于,现代 LLM 极其擅长遵循指令。如果你直接告诉模型"这里有五件你能做的事",它完全可以照做,根本不需要把这些动作包裹进一层 MCP 协议里。协议层在能力表达上并没有带来额外魔力,反而增加了复杂度。

一个真实案例:直接驱动程序的 agent
作者以自己的项目(听起来像是一个名为 Alakargi 的工具)为例说明这一点。该系统有一个 client,client 直接告诉模型"这里是所有你能做的事",然后模型就直接调用底层程序运行。
这个程序能做的事非常"底层":获取屏幕图像、发送按键、执行鼠标操作。作者描述道,他可以让模型直接控制鼠标——"移动、双击",模型自己就知道怎么用。于是它一路操作下去,直接开始使用界面,整个过程没有 MCP 介入。

这个案例有力地支撑了作者的核心论点:当你只是想让 LLM 使用某些能力时,一套清晰的指令和一个可调用的程序就足够了,MCP 在这种场景下是多余的。
对开发者的启示
这番观点为正在构建 AI agent 的开发者提供了一个实用的决策框架:
- 需要跨账户、跨服务的权限隔离与按需授权? 用 MCP,它的认证模型正是为此而生。
- 只是想给模型暴露一组内部动作? 直接写清指令、提供程序接口即可,不必强行套用 MCP。
当然,这只是单一来源的个人观点,带有明显的实践立场。MCP 生态仍在快速演进,标准化带来的工具复用、互操作性等价值也不应被完全忽视。但作者提出的问题切中要害:在引入任何协议层之前,先想清楚它到底解决了什么问题——是认证,还是仅仅因为"大家都在用"。
对于那些盲目把一切能力都塞进 MCP 的团队来说,这是一记值得听的提醒。
相关推荐

花旗14000名工程师用Devin,技术外包账单砍掉30%
花旗集团14000名工程师使用AI编程智能体Devin,一年内将技术供应商账单削减30%,产品发布提速30-40%。但30%仅限单一成本项,摩根大通同期表示AI收益尚未体现在财报中,揭示企业AI落地的真实分化。

AI写代码,程序员要失业?Devin自主编程真相
Devin等自主AI编程代理正改变软件开发:从Copilot辅助编码到全自动工程代理,程序员角色从写代码转向系统设计与监督。本文分析AI编程对就业、代码安全、初级开发者培养的影响,以及效率悖论下程序员需求的真实走向。

AGENTS.md 实战指南:让编程 Agent 真正好用
AGENTS.md 和 CLAUDE.md 能显著提升编程 Agent 表现,但研究发现用错反而让成本上升 20%。本文详解该写什么、该删什么、200 行与 32KB 的硬边界、Monorepo 嵌套规则及安全提醒。