最近在用Claude的時候，常常遇到一個問題 —— 上下文限制。對話到一定長度之後，Claude 就會忘記之前的脈絡，或者無法同時處理太多任務，導致需要一直複製貼上、重複說明，效率大打折扣，也會消耗大量token。

Zen MCP

今天想介紹 Zen MCP 這個框架，解決了不少痛點。它的核心思路是：

把一個大問題，分配給多個 AI 去處理。

這樣每個 Agent 各自專注在一個子任務，最終再整合結果，避免一個模型背太多上下文。

舉例來說：

• Claude Code 負責程式分析和生成。
• 呼叫 Gemini API，進行搜尋或摘要，發揮gemini長上下文的優勢。
• 呼叫 OpenAI GPT API，更專注於邏輯性問題。

透過 Zen MCP，這些模型之間可以協同運作，就像一個小型團隊，各司其職，不需要讓單一模型承擔所有負荷。

Claude 作為主導者

在 Zen MCP 裡，Claude 不只是主導者 (Orchestrator)。它會：

• 根據使用者需求，自動選擇最適合的 AI 模型來處理不同子任務。

• 在單個對話中自由切換多個工具和模型，例如：

  • 問程式問題時，直接丟給 Claude Code。
  • 要查知識，就呼叫 Gemini API。
  • 邏輯問題，就交給 GPT API。

這種方式讓對話體驗更流暢，不用再手動分工，系統會自動判斷最適合的代理。

為什麼有幫助？

• 突破上下文限制：不用一個模型塞滿所有背景資料。
• 靈活性：不同任務用最合適的模型來跑。
• 自動化：Claude 作為主導者，能智慧分配任務，讓人感覺像是在跟一個「懂分工的團隊」合作。

明天實作

今天先談概念，明天我會實際測試 Claude Code + Zen MCP 的：

• 嘗試分流請求，觀察是否能有效減少上下文遺失。
• 示範在單一對話中，如何自動切換多個工具和模型。

小結：
Claude Code 很強，但上下文有限制。Zen MCP 提供了一種 多代理協作 的思路，更進一步讓 Claude 成為主導者，自動幫我們挑選 Gemini 或 GPT，並在單一對話裡靈活切換工具。這樣 AI 工具不再是單打獨鬥，而是像一個協作團隊。明天就來實作試試看！