[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-mcp-explained-from-prompts-to-production-zh":3,"article-related-mcp-explained-from-prompts-to-production-zh":28,"series-ai-agent-96d8e8c8-1edd-475d-9145-b1e7a1b02b65":85},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":11,"views":25,"created_at":26,"published_at":27,"topic_cluster_id":11},"96d8e8c8-1edd-475d-9145-b1e7a1b02b65","mcp-explained-from-prompts-to-production-zh","MCP 怎麼把提示詞變工作流","\u003Cp>M\u003Ca href=\"\u002Fnews\u002Fopenai-codex-plugin-claude-code-zh\">ode\u003C\u002Fa>l Context Protocol，簡稱 \u003Ca href=\"https:\u002F\u002Fmodelcontextprotocol.io\" target=\"_blank\" rel=\"noopener\">MCP\u003C\u002Fa>，最近很常被拿來聊。原因很簡單，AI 不缺會講話的模型，缺的是能真的做事的接法。\u003Ca href=\"https:\u002F\u002Fwww.zoho.com\u002Fblog\u002Fmcp\u002Ffrom-prompts-to-production-understanding-mcp-and-how-it-works.html\" target=\"_blank\" rel=\"noopener\">Zoho\u003C\u002Fa> 這篇文章就把這件事講得很直白：從 prompt 到 production，中間差的是控制、權限，還有確認流程。\u003C\u002Fp>\u003Cp>講白了，AI 助手要進公司系統，不是會回答就夠。它得知道能讀什麼資料，能動哪些工具，還要知道什麼時候先問一句。這就是 MCP 想處理的問題。\u003C\u002Fp>\u003Cp>如果你做過串接 \u003Ca href=\"https:\u002F\u002Fplatform.openai.com\u002Fdocs\u002Fguides\u002Ffunction-calling\" target=\"_blank\" rel=\"noopener\">API\u003C\u002Fa>、CRM、試算表、信箱，你大概懂那種痛。每個系統都一套規則，最後不是在補洞，就是在補洞的路上。MCP 想把這層變成標準介面。\u003C\u002Fp>\u003Ch2>MCP 到底在做什麼\u003C\u002Fh2>\u003Cp>MCP 是一種協定。它讓 AI app 可以用一致方式，去找外部資料和工具。不是每家廠商自己發明一套接法，然後大家各自維護。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1775050818756-mope.png\" alt=\"MCP 怎麼把提示詞變工作流\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>你可以把它想成 AI 客戶端和伺服器之間的結構化對話。客戶端可能是聊天介面，也可能是 \u003Ca href=\"\u002Fnews\u002Fopenclaw-ai-agent-boom-explained-zh\">agen\u003C\u002Fa>t runner。伺服器則把資料庫、內部 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fsemantic-kernel\" target=\"_blank\" rel=\"noopener\">Semantic Kernel\u003C\u002Fa> 類型的能力，或公司內部 \u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fapi\" target=\"_blank\" rel=\"noopener\">Claude\u003C\u002Fa> 工作流包成可呼叫的服務。\u003C\u002Fp>\u003Cp>Zoho 特別提到 elicitation。這個詞聽起來很硬，其實很實用。意思就是，伺服器可以先跟客戶端要缺的資訊，或要求使用者確認，再往下做。\u003C\u002Fp>\u003Cul>\u003Cli>遇到資訊不完整時，不用瞎猜。\u003C\u002Fli>\u003Cli>遇到敏感動作時，可以先停一下。\u003C\u002Fli>\u003Cli>流程中途有變數時，還能接著跑。\u003C\u002Fli>\u003Cli>客戶端可以收精準輸入，不用靠猜測。\u003C\u002Fli>\u003Cli>權限和動作邊界會更清楚。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這點很重要。Demo 可以靠想像力撐住。Production 不行。真的上線後，助手碰到的是客戶資料、帳單、工單、內部文件。這時候一個誤動作，就不是笑笑而已。\u003C\u002Fp>\u003Ch2>為什麼 elicitation 很實際\u003C\u002Fh2>\u003Cp>Zoho 的寫法我覺得不錯，因為它沒有把 elicitation 包裝成玄學。它就是一個控制點。當 AI 準備寄信給客戶時，系統可以要求確認。當它缺日期區間時，伺服器可以直接問，不用亂補。\u003C\u002Fp>\u003Cp>這種設計比把所有東西塞進一段超長 prompt 更穩。prompt 很方便，但一旦流程有多個步驟、幾個工具、還有審批需求，就很容易變脆。你今天加一個欄位，明天改一個格式，整串就開始抖。\u003C\u002Fp>\u003Cp>企業要的不是會即興發揮的助手。企業要的是能問問題、能等確認、能照流程走的系統。這也是 MCP 比傳統 function calling 更像「工作流底座」的地方。\u003C\u002Fp>\u003Cblockquote>“The important thing is not the machine’s ability to think, but its ability to do what you want it to do.” — \u003Ca href=\"https:\u002F\u002Fwww.brainyquote.com\u002Fquotes\u002Fsteve_jobs_416859\" target=\"_blank\" rel=\"noopener\">Steve Jobs\u003C\u002Fa>\u003C\u002Fblockquote>\u003Cp>這句話放在這裡很貼。AI 不是只要會講。它要能在正確的邊界內做事。MCP 的價值，就是把「會講」和「能做」中間那段接起來。\u003C\u002Fp>\u003Cp>對內部工具團隊來說，這也少掉很多臨時接線。少一點客製 glue code，少一點散掉的權限邏輯。對使用者來說，助手先問再做，這其實比較像正常人，不像亂按按鈕的腳本。\u003C\u002Fp>\u003Ch2>和舊式整合方式比，差在哪\u003C\u002Fh2>\u003Cp>如果把時間拉回 \u003Ca href=\"\u002Fnews\u002Fclaude-code-skills-top-20-ranking-2026-zh\">202\u003C\u002Fa>3、2024，你會看到很多 AI 整合都很土炮。不是自寫 plugin，就是每家服務各接各的 \u003Ca href=\"https:\u002F\u002Fplatform.openai.com\u002Fdocs\u002Fguides\u002Ffunction-calling\" target=\"_blank\" rel=\"noopener\">function calling\u003C\u002Fa>。能動是能動，但維護成本很高。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1775050841678-8p4j.png\" alt=\"MCP 怎麼把提示詞變工作流\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>MCP 想做的是標準化這一層。客戶端不用學每一個系統的怪脾氣。只要對 MCP server 講話，就能拿到資料、呼叫工具，或要求下一步確認。\u003C\u002Fp>\u003Cp>你可以這樣看：\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>自寫 API 串接：\u003C\u002Fstrong> 快，但每個系統都要重做一次。\u003C\u002Fli>\u003Cli>\u003Cstrong>Function calling：\u003C\u002Fstrong> 好用，但常綁在單一產品裡。\u003C\u002Fli>\u003Cli>\u003Cstrong>MCP：\u003C\u002Fstrong> 把工具和資料來源放進共通協定。\u003C\u002Fli>\u003Cli>\u003Cstrong>Elicitation：\u003C\u002Fstrong> 讓系統先補資料，再繼續執行。\u003C\u002Fli>\u003Cli>\u003Cstrong>權限設計：\u003C\u002Fstrong> 比把權杖全丟進 prompt 裡安全。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這種差異在企業很有感。因為真正麻煩的不是模型會不會回答，而是它能不能安全地碰資料。誰能讀，誰能改，誰要先確認，這些都比回答速度更重要。\u003C\u002Fp>\u003Cp>如果你看 \u003Ca href=\"https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fsemantic-kernel\" target=\"_blank\" rel=\"noopener\">Microsoft Semantic Kernel\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Flangchain-ai\u002Flangchain\" target=\"_blank\" rel=\"noopener\">LangChain\u003C\u002Fa>、還有各家 agent 框架，就會發現大家都在解同一題。只是 MCP 想把這題變成協定層，而不是每個團隊自己發明一套。\u003C\u002Fp>\u003Ch2>資料、權限、審批，才是上線重點\u003C\u002Fh2>\u003Cp>很多人聊 AI，愛先聊模型參數。說真的，到了 production，那不是第一順位。第一順位是資料怎麼拿，權限怎麼控，動作怎麼審批。這三件事沒做好，模型再強也只是會闖禍的嘴砲機器。\u003C\u002Fp>\u003Cp>Zoho 這篇文章把 MCP 的價值放在流程裡，而不是把它講成炫技工具。這點我同意。因為企業最怕的不是慢一點，而是錯一步。尤其是客服、銷售、財務、法務這些部門，錯一步就很麻煩。\u003C\u002Fp>\u003Cp>你可以把 MCP 想成一種「先問再做」的規則。這和很多人心中那種全自動 agent 很不一樣。全自動聽起來很爽，但真上線時，通常會先被資安和法遵打回票。\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>讀取資料：\u003C\u002Fstrong> 只開放必要欄位。\u003C\u002Fli>\u003Cli>\u003Cstrong>寫入動作：\u003C\u002Fstrong> 要有明確授權。\u003C\u002Fli>\u003Cli>\u003Cstrong>高風險操作：\u003C\u002Fstrong> 先確認再送出。\u003C\u002Fli>\u003Cli>\u003Cstrong>流程記錄：\u003C\u002Fstrong> 要能追蹤誰叫了什麼。\u003C\u002Fli>\u003Cli>\u003Cstrong>跨系統任務：\u003C\u002Fstrong> 要能保持上下文。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這也是為什麼我覺得 MCP 比單純的 prompt engineering 更像正經工程。prompt 讓模型聰明一點。MCP 讓系統可控一點。兩者不是同一件事。\u003C\u002Fp>\u003Cp>如果你在做 SaaS，這裡還有產品面。支援 MCP，代表你的軟體更容易被 agent 接進去。這不是行銷話術。這是你少寫很多整合文件，客戶也少問很多奇怪問題。\u003C\u002Fp>\u003Ch2>這波到底在跟誰比\u003C\u002Fh2>\u003Cp>要理解 MCP 的位置，最好拿幾個方案比一下。不是每個方案都在解同一題，但差異很清楚。你會看到，大家都想把 AI 接進真實資料流，只是做法不同。\u003C\u002Fp>\u003Cp>第一個對照是傳統 plugin。plugin 方便，卻常常綁在單一平台。第二個對照是 function calling。它很實用，但通常是單一模型服務裡的設計。第三個對照是各種 agent 框架，它們能把流程串起來，但協定層還是分散。\u003C\u002Fp>\u003Cp>MCP 的重點，是把「怎麼連」這件事標準化。這樣一來，客戶端和伺服器可以各自演進，不用每次都重寫整條鏈。\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Plugin：\u003C\u002Fstrong> 入口簡單，但平台綁得深。\u003C\u002Fli>\u003Cli>\u003Cstrong>Function calling：\u003C\u002Fstrong> 方便，但常是單家雲的語法。\u003C\u002Fli>\u003Cli>\u003Cstrong>Agent framework：\u003C\u002Fstrong> 彈性高，但工程複雜度也高。\u003C\u002Fli>\u003Cli>\u003Cstrong>MCP：\u003C\u002Fstrong> 把工具、資料、確認流程放進共通層。\u003C\u002Fli>\u003Cli>\u003Cstrong>企業導入成本：\u003C\u002Fstrong> MCP 理論上更容易複用。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>不過也別太浪漫。MCP 不是魔法。它還是要看生態夠不夠大。沒有足夠多的 server、client、和工具支援，標準再漂亮也只是一份文件。\u003C\u002Fp>\u003Cp>所以真正的觀察點，不是它講得多好聽。是有多少公司真的把它接進 CRM、工單、文件系統、內部資料庫。那才是檢驗點。\u003C\u002Fp>\u003Ch2>背景脈絡：為什麼現在大家都在補這一層\u003C\u002Fh2>\u003Cp>這一兩年，LLM 變強得很快。可是企業一上車，就卡在整合。模型可以生成答案，但不能自己知道公司資料在哪。模型可以寫信，但不能自己判斷這封信能不能寄。\u003C\u002Fp>\u003Cp>所以產業開始往「工具層」和「協定層」補。你會看到 \u003Ca href=\"https:\u002F\u002Fopenai.com\u002Findex\u002Ffunction-calling-and-other-api-updates\u002F\" target=\"_blank\" rel=\"noopener\">OpenAI\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fdocs.anthropic.com\u002Fen\u002Fdocs\u002Fbuild-with-claude\u002Ftool-use\" target=\"_blank\" rel=\"noopener\">Anthropic\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fdocs.aws.amazon.com\u002Fbedrock\u002Flatest\u002Fuserguide\u002Fagents.html\" target=\"_blank\" rel=\"noopener\">AWS Bedrock Agents\u003C\u002Fa> 這些方向都在往外接工具走，只是各自的路徑不同。\u003C\u002Fp>\u003Cp>MCP 的位置，就像大家終於開始承認：模型本身不是全部。真正麻煩的是模型外面的世界。資料來源很多，權限很多，流程很多，還有一堆不能亂動的東西。\u003C\u002Fp>\u003Cp>從這個角度看，MCP 不是在跟模型比誰更聰明。它是在補模型和企業系統之間那段很髒、很細、但又很必要的工程。\u003C\u002Fp>\u003Ch2>結尾：我怎麼看 MCP 下一步\u003C\u002Fh2>\u003Cp>我覺得 MCP 會先在內部工具、客服、銷售營運這些場景落地。原因很簡單，這些地方最需要讀資料、要確認、再執行。流程清楚，ROI 也比較好算。\u003C\u002Fp>\u003Cp>如果你在做產品，現在就可以問一個很實際的問題：你的 AI 功能，是不是還在靠一堆客製 connector 撐著？如果是，MCP 值得你認真看。不是因為它很潮，是因為它可能讓你少掉一半維護地獄。\u003C\u002Fp>\u003Cp>接下來我會盯兩件事。第一，\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmodelcontextprotocol\" target=\"_blank\" rel=\"noopener\">MCP GitHub\u003C\u002Fa> 生態會不會繼續長。第二，主流 client 和 SaaS 會不會把它當標配。這兩件事如果都往前走，AI 工作流就會更像正規軟體，而不是一堆 demo 拼起來的幻覺。\u003C\u002Fp>\u003Cp>你如果現在就在做 agent 或企業 AI，我的建議很直接：先挑一個低風險流程試 MCP。像查資料、整理摘要、發草稿信，這種最適合。先把標準跑順，再來談更大的動作。\u003C\u002Fp>","MCP 讓 AI 能用標準介面讀資料、叫工具、要確認。Zoho 用 elicitation 拆解它怎麼把助手帶進正式工作流程。","www.zoho.com","https:\u002F\u002Fwww.zoho.com\u002Fblog\u002Fmcp\u002Ffrom-prompts-to-production-understanding-mcp-and-how-it-works.html",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1775050818756-mope.png","ai-agent","zh","7a09007d-820f-43b3-8607-8ad1bfcb94c8",[17,18,19,20,21,22,23,24],"MCP","Model Context Protocol","AI 工作流","AI agent","企業 AI","elicitation","function calling","API 整合",7,"2026-04-01T09:24:39.321274+00:00","2026-04-01T09:24:39.231+00:00",{"tags":29,"relatedLang":44,"relatedPosts":48},[30,32,34,36,37,39,40,42],{"name":21,"slug":31},"企業-ai",{"name":18,"slug":33},"model-context-protocol",{"name":17,"slug":35},"mcp",{"name":22,"slug":22},{"name":19,"slug":38},"ai-工作流",{"name":20,"slug":13},{"name":24,"slug":41},"api-整合",{"name":23,"slug":43},"function-calling",{"id":15,"slug":45,"title":46,"language":47},"mcp-explained-from-prompts-to-production-en","MCP Explained: From Prompts to Production","en",[49,55,61,67,73,79],{"id":50,"slug":51,"title":52,"cover_image":53,"image_url":53,"created_at":54,"category":13},"ef96a410-24bd-4e35-8536-439f21f820e6","claude-code-dynamic-workflow-ai-harness-zh","Claude Code 動態工作流：AI 自寫 Harness","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1781035378200-qkm9.png","2026-06-09T20:02:21.942031+00:00",{"id":56,"slug":57,"title":58,"cover_image":59,"image_url":59,"created_at":60,"category":13},"9fb91fbe-64cd-4732-aba7-5b20daacf962","agent-orchestration-enterprise-ai-layer-zh","企業 AI 缺的是編排層","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780984981291-rodj.png","2026-06-09T06:02:30.929215+00:00",{"id":62,"slug":63,"title":64,"cover_image":65,"image_url":65,"created_at":66,"category":13},"2e389faa-a4ab-4f7a-b6da-c2ba69d5f14b","ai-agents-use-blockchain-trust-layer-zh","AI 代理用區塊鏈當信任層","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780980509390-6s0i.png","2026-06-09T04:48:01.259033+00:00",{"id":68,"slug":69,"title":70,"cover_image":71,"image_url":71,"created_at":72,"category":13},"1c433948-634b-47e4-a119-dd567203a712","8-rag-patterns-demos-into-prod-zh","8 種 RAG 模式把 Demo 變上線","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780971552397-h12o.png","2026-06-09T02:18:36.130013+00:00",{"id":74,"slug":75,"title":76,"cover_image":77,"image_url":77,"created_at":78,"category":13},"7d860405-aca6-486b-8de0-1c5193a3b06d","fine-tuning-beats-rag-style-not-facts-zh","當目標是文風不是事實時，微調比 RAG 更有效","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780924689232-5elu.png","2026-06-08T13:17:25.235242+00:00",{"id":80,"slug":81,"title":82,"cover_image":83,"image_url":83,"created_at":84,"category":13},"3d1e5ef7-8f31-4e57-b286-306825d7f38e","openclaw-small-business-ai-staff-zh","OpenClaw把AI變成夜班員工","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780904888882-6w0v.png","2026-06-08T07:47:27.229503+00:00",[86,91,96,101,106,111,116,121,126,127],{"id":87,"slug":88,"title":89,"created_at":90},"4ae1e197-1d3d-4233-8733-eafe9cb6438b","claude-now-uses-your-pc-to-finish-tasks-zh","Claude 開始幫你操作電腦","2026-03-26T07:20:48.457387+00:00",{"id":92,"slug":93,"title":94,"created_at":95},"5bede67f-e21c-413d-9ab8-54a3c3d26227","googles-2026-ai-agent-report-decoded-zh","Google 2026 AI Agent 報告解讀","2026-03-26T11:15:22.651956+00:00",{"id":97,"slug":98,"title":99,"created_at":100},"2987d097-563f-46c7-b76f-b558d8ef7c2b","kimi-k25-review-stronger-still-not-legend-zh","Kimi K2.5 評測：更強，但還不是神作","2026-03-27T07:15:55.277513+00:00",{"id":102,"slug":103,"title":104,"created_at":105},"95c9053b-e3f4-4cb5-aace-5c54f4c9e044","claude-code-controls-mac-desktop-zh","Claude Code 也能操控 Mac 了","2026-03-28T03:01:58.58121+00:00",{"id":107,"slug":108,"title":109,"created_at":110},"dc58e153-e3a8-4c06-9b96-1aa64eabbf5f","cloudflare-100x-faster-ai-agent-sandbox-zh","Cloudflare 的 AI 沙箱跑超快","2026-03-28T03:09:44.142236+00:00",{"id":112,"slug":113,"title":114,"created_at":115},"1c8afc56-253f-47a2-979f-1065ff072f2a","openai-backs-isara-agent-swarm-bet-zh","OpenAI 挺 Isara 的 agent swarm …","2026-03-28T03:15:27.513155+00:00",{"id":117,"slug":118,"title":119,"created_at":120},"7379b422-576e-45df-ad5a-d57a0d9dd467","openai-plan-automated-ai-researcher-zh","OpenAI 想做自動化 AI 研究員","2026-03-28T03:17:42.090548+00:00",{"id":122,"slug":123,"title":124,"created_at":125},"48c9889e-86df-450b-a356-e4a4b7c83c5b","harness-engineering-ai-agent-reliability-2026-zh","駕馭工程：從「馬具」到「作業系統」，AI Agent 可靠性的終極密碼","2026-03-31T06:42:53.556721+00:00",{"id":4,"slug":5,"title":6,"created_at":26},{"id":128,"slug":129,"title":130,"created_at":131},"f2ca7720-b471-4ce5-9336-2a9ac2a876fd","amazon-bedrock-agents-multi-agent-workflows-zh","Amazon Bedrock Agents 進入多代理工作流","2026-04-01T09:30:29.945429+00:00"]