MCP vs API：为什么传统 API 会让 AI Agent 失效

传统 API 会让 AI Agent 失效。

多年来，开发者一直使用 REST 和 GraphQL 构建 Web 应用。这些工具对人类非常友好，对确定性代码也非常有效。但 AI Agent 不同，它们基于意图和推理进行操作。

如果你把 LLM 当作人类开发者来对待，那就错了。你最终会得到缓慢、昂贵且脆弱的系统。

Model Context Protocol (MCP) 改变了这一点。它是一种用于 AI 连接的开放标准。

集成问题 当你使用传统 API 将 AI 连接到五个不同的工具时，你需要编写 25 个自定义连接器。这是一个 N x M 问题，会产生巨大的技术债。

MCP 解决了这个问题。它创建了一种 N + M 架构。每个工具使用一个 MCP server，每个 Agent 使用一个 MCP client。它充当了 LLM 的通用适配器。

MCP 在 AI 领域优于 REST 的三个原因：

  1. 动态发现 在 REST 中，你必须硬编码端点。如果你更改了端点，就必须更新代码和提示词。MCP 使用动态发现机制。Agent 会询问 server 能做什么，server 会返回工具和能力的列表。Agent 可以即时学习。

  2. Token 效率 传统 API 通常发送庞大的 JSON 负载。在 AI 世界中，Token 是要花钱的。臃肿的数据会导致延迟和上下文退化。当 LLM 看到过多无关的元数据时，会失去注意力。MCP server 返回的数据针对 LLM 的上下文窗口进行了优化。

  3. 有状态会话 REST 是无状态的。AI Agent 需要思维与行动的持续循环。MCP 使用 JSON-RPC 2.0，这允许进行有状态的协商。上下文可以在不同操作之间保持活跃，而无需重新发送庞大的负载。

MCP 主要由三个部分组成：

  • Tools（工具）：模型执行的操作，例如运行 SQL 查询。
  • Resources（资源）：只读数据，如日志文件或文档。
  • Prompts（提示词）：引导模型推理的模板。

MCP 并不会取代你的数据库或现有的 API。它取代的是你为了将这些服务连接到 LLM 而编写的脆弱的胶水代码。

不要再为你的 AI 构建用于将 JSON 字符串化的自定义函数了。开始构建可扩展的架构吧。

来源：https://dev.to/chaudharidevam/mcp-vs-api-why-traditional-apis-are-failing-ai-agents-28m8