MCP 正在改写 API 集成的规则
作为开发者，我们一直在寻找构建更高效、可扩展、智能应用的方法。多年来，RESTful API 一直是我们连接服务的首选。下面是一些你可以把 AI 智能体和 MCP 集成进现有 API 基础设施的方式，让它更聪明、更高效、更容易维护。
引言：你的 API 的智能演进
2023 年 3 月，OpenAI 宣布通过使用格式正确的 OpenAPI 规范文件，并在同一文件中写上细致、详细的说明，更容易集成到 ChatGPT。这一宣布在开发者社区获得了很多关注。商业影响是开发者和文档作者一起在一份巨大的规范文件上工作，为 ChatGPT 提供必要上下文，以理解使用哪个 API，以及如何使用。
只过了很短一段时间，AI 智能体结合 Model Context Protocol（MCP） 正在拆分这项工作：MCP 可以包含上下文和感知，你的 API 团队可以专注于 API 本身。这些也不只是增量改进；智能体 AI 与 MCP 的组合代表了我们如何连接并与数据和服务交互的根本转变。
转向使用 AI 智能体和 MCP 有潜力成为像 2005 年引入 REST API 一样大的变化。想象一个世界，集成更动态、更具上下文感知，并且需要更少的手工编码。这不是遥远的未来——它已经在发生。这是我们提高生产力、增强应用智能，并最终为我们的用户、客户和顾客提供更好体验的机会。
让我们用一个例子：想象你的团队希望 AI 在 Square 处理电商工作流中的动态定价调整。如果你能对市场变化或库存获得更快的响应时间，就可以减少在代码中构建几十或几百条动态定价规则的需要。作为开发者，你的生产力上升，你要维护的代码更少。你可以用更接近口语的方式写那些规则，AI 智能体可以通过 MCP 和你的 API 处理其余部分。
从静态端点到智能交互
当前图景：传统 API 的限制
我们当前的许多系统严重依赖传统 API，如 RESTful API，它们被设计为用静态端点对特定请求回应特定结果。虽然这些 API 为我们服务得很好（而且肯定不会很快消失），它们有限制：
- RESTful API 的静态性质使它们更僵硬，对业务变化的适应性更差，并需要围绕版本控制的硬规则来提供兼容性。
- 它们常常需要大量手工努力来定义端点、处理数据转换和管理复杂工作流。这可能导致更慢的开发周期和更高的维护开销。
AI 的机会在于利用智能体，结合 MCP，创建更具适应性的集成。 这些智能体可以理解上下文、发现相关服务，并以比静态 API 调用更动态的方式协商交互。静态 API 仍在使用，但 AI 智能体可以比修改你调用 API、解析和验证响应、处理错误的代码更容易地导航它们。
开发影响：提高生产力，增强用户体验
AI 智能体和 MCP 的这种双重集成，可以对你的开发流程和你构建的应用产生显著的积极影响：
- 开发者生产力： 通过自动化许多集成任务并减少大量手工编码的需要，AI 智能体解放我们的时间，让我们专注于核心应用逻辑和创新。（还有测试。还有安全。还有文档。还有……）
- 客户满意度： 智能集成可以带来更个性化、更灵敏的用户体验。智能体可以促进实时数据分析和上下文感知的交互，让我们的应用更聪明、更易用。
- 可扩展性： 随着应用增长，管理多个 API 的复杂性可能变得压倒性。使用多个 AI 智能体可以通过动态适应底层服务和工作流的变化来帮助管理这种复杂性。
商业影响：推动效率和成本节省
从业务一侧，AI 智能体和 MCP 的集成可以带来显著的成本节省和效率提升。下面是你可以期待看到改进的一些关键领域：
示例 ROI 计算（每位开发者）：
传统 API 开发：
- 添加功能的平均时间：2 周
- 开发者成本：每小时 150 美元
- 假设每周 40 小时：2 周 × 每周 40 小时 × 每小时 150 美元 = 12,000 美元
启用 AI 智能体：
- 添加功能的平均时间：2 天
- 开发者成本：每小时 150 美元
- 假设每天 8 小时：2 天 × 每天 8 小时 × 每小时 150 美元 = 2,400 美元
50 个功能的年度节省：（12,000 美元 − 2,400 美元）× 50 = 每位开发者 480,000 美元
这说明通过采用 AI 智能体，每位开发者有显著的时间和成本节省潜力。
集成 AI 和 MCP：在图景中导航
集成 AI 智能体，尤其是通过 MCP 这样的平台，需要仔细考虑。
- 风险管理：MCP 虽然有前景，但是较新的技术。你的团队需要彻底评估潜在的安全关切，并在深度集成进关键系统之前理解平台的成熟度。
- 为连续性和版本控制做计划：和任何演进中的技术一样，你需要策略来确保集成的连续性，并管理 AI 智能体和 MCP 本身的版本。
分阶段方法：一种实用的集成策略
逐步方法可以帮助降低风险，并在你通过 MCP 集成 AI 智能体时通过反馈有效学习：
阶段 1：评估（初步探索）
- 查看你现有的 API 使用，并识别集成可能性
- 考虑 ROI：从小想法开始，随时间扩大你的集成努力
- 为采用 AI 智能体和 MCP 建立初步的业务/技术计划
阶段 2：A/B 测试和试点项目
- 选择一个低风险、高价值的服务，通过 MCP 做初步的 AI 智能体集成
- 实现集成，然后针对传统 API 方法做彻底的 A/B 测试和比较
- 衡量结果，收集基准/性能数据，并和团队谈论你的发现
阶段 3：扩展和优化
- 一次走一步：根据结果，承担更大、更复杂的集成想法
- 继续随时间优化你的集成过程
- 使用来自开发团队和最终用户的反馈来细化你的过程
衡量成功：量化影响
给业务读者：要理解通过 MCP 集成 AI 智能体的好处，下面是你可以跟踪的一些关键绩效指标（KPI）：
- 开发速度
- 错误率
- 客户满意度
建立你的案例研究并分享你的学习
记录你团队的旅程并分享经验，对你的团队和更广泛的开发者社区都有价值。下面是你应该分享的几件事，以帮助展示项目的影响：
- 前后指标：集成 AI 智能体和 MCP 之后，你在开发时间、错误率上看到了什么样的改进？
- 团队反馈：这里会有学习曲线，类似于我们集成 API 时都经历过的；收集关于集成工作流进展如何、什么可以改进的反馈
- 客户/最终用户影响：突出用户参与、满意度或其他用户/客户指标中的任何积极变化
- 经验教训：也许最重要；什么有效，什么无效，你如何为下一阶段的集成改变过程
我们从这里去哪里？
理解你现有的集成，并识别用 AI 智能体和 MCP 改进的潜在领域，是你的起点。关于集成 AI 智能体有很多要学，MCP 仍然是新技术。
找到 AI 能帮忙的那些机会，并勾勒一个逐步把 AI 和 MCP 采纳进项目的计划，是开始的最好方式。
记住，这个集成图景仍在演进。对新想法保持开放，并随着技术成熟调整你的方法。构建更聪明的应用是一段旅程，路上会有分岔。
延伸阅读：
- 什么是 AI 智能体
- AI agents — what they are, and how they’ll change the way we work
- What are AI Agents and Why do They Matter?
一句话常见问题
问：MCP 如何帮助 API？
答：从 Angie Jones 的这篇文章开始。MCP 提供关于你的 API 的上下文，给 AI 智能体更多关于你的 API 端点和响应能力的上下文和感知。这可以帮助智能体理解请求的意图，并动态调用（或「call」）底层 API 端点、处理数据转换并返回响应。不必再手动编写代码、响应验证器、错误处理器等等！
问：作为开发者，我可以采取哪些初步步骤来探索 AI 智能体和 MCP？
答：从研究基本概念开始，并使用其他现有的 MCP 服务器。我们建议从 goose 开始，集成一台现有的 MCP 服务器。我们有一份不断增长的教程列表，帮助你找到 GitHub、PostgreSQL、Google Maps 等技术。一旦你对使用 MCP 感到自在，就可以开始为自己的 API 构建自己的 MCP 服务器。
问：AI 和 MCP 的安全呢？
答：AI 智能体可以通过交互中更好的上下文感知来增强安全，但 MCP 仍然相对新，需要仔细的安全评估。你的业务和开发团队应该彻底调查 MCP 的能力，以确保你在构建适当的访问控制并管理数据隐私。
问：完整迁移通常要多久？
答：太动态了，给不出一个固定答案。集成和迁移可能差异很大，取决于你现有 API 使用和现有集成的范围。从小处开始，构建一些试点项目来试试，这些可能只需要几天或几周。
问：开发者在这条 AI/MCP 旅程上可能遇到哪些潜在问题？
答：任何技术都有学习曲线。当你考虑到 MCP 仍然相对新且在演进时，这可能更复杂。更大的社区需要围绕测试和调试 MCP 的策略，以及考虑安全和数据隐私。这意味着你今天学到的东西，即使短短几个月后也需要重新评估。
问：MCP 对企业级 AI 集成有多成熟、多适合生产？
答：你的方法可能取决于你是在构建自己的 MCP 服务器，还是在集成中使用第三方 MCP 服务器。开发者应该评估 MCP 的全部好处，并考虑围绕安全和数据隐私正在做的工作。最初聚焦于一个小的试点项目或非关键系统，以评估它是否适合你的具体需求。关注 MCP 的开发路线图和社区反馈。