前言

如果說 MCP 是一種讓 AI 工具之間能「說同一種語言」的標準，那麼要真正理解它，不能只看協議層。
在 Stdio 與 StreamHTTP 的底下，MCP 有一個極具巧思的架構設計，讓「AI 模型、伺服端、客戶端」能以模組化方式協作——就像網際網路時代的瀏覽器與網站、伺服器的分工邏輯一樣。

今天，我們要拆解這三個角色：Model（模型端）、Server（伺服端）、Client（客戶端），
看看它們如何共同構成 MCP 的生態骨架。

Client：AI 的「前端使用者介面」

在 MCP 世界裡，Client 是最貼近使用者的一層。
它負責與人互動、接收輸入、呈現輸出——但真正的邏輯與工具操作，往往在背後的 Server 完成。

以 ChatGPT 為例，當你在對話中輸入一個指令（例如「幫我分析這個 JSON」），
ChatGPT 作為 MCP Client，會根據上下文判斷這是否屬於某個外部工具能處理的任務。
若是，它就會透過 MCP 協定呼叫一個對應的 Server，將需求轉譯成 JSON-RPC 格式的請求，再等待回傳結果。

Client 的職責不只是「傳遞」資料，更重要的是「上下文封裝與轉譯」——
讓模型能理解人類語意，並轉化成 MCP Server 可以執行的結構化任務。
它是整個架構中「人與 AI 工具之間」的橋樑。

Server：AI 的「工具執行引擎」

如果把 Client 比喻成前端，那 MCP 的 Server 就是後端。
它是實際執行邏輯、處理資料、回傳結果的那一層。

MCP Server 通常是一個可以獨立運作的應用程式——
它可以是 Python、Node.js、Rust 任意語言撰寫，只要遵循 MCP 的通訊協定（Stdio 或 StreamHTTP）即可。

Server 負責定義「有哪些可呼叫的工具（tools）」與「這些工具能處理什麼任務」。
每個工具都像是一個微服務，例如：

• analyze_code：接收一段程式碼，回傳語法診斷結果

• translate_text：將輸入內容翻譯成指定語言

• search_doc：在本地資料庫中搜尋技術文件

這些工具都會在 Server 的設定檔（如 manifest.json 或 config.json）中註冊，
讓 MCP Client 能自動發現（discover）並呼叫它們。

從設計哲學來看，MCP Server 代表了**AI 工具化（Toolization）**的概念。
每一個 MCP Server 都是可以被任意模型使用的「通用模組」，
而模型不再需要內建所有功能，只要學會如何呼叫這些 MCP Server，就能動態擴展能力。

Model：AI 的「智慧中樞」

在 MCP 架構中，Model 是整個流程的智慧核心。
它負責理解語意、決策策略，並判斷什麼任務該交由哪個 MCP Server 處理。

例如，當使用者說：「幫我根據這段 PDF 內容生成會議摘要」，
模型的任務不是直接處理 PDF，而是推理出要：

1. 呼叫文件分析工具（pdf_reader）取得文本；

2. 呼叫摘要工具（summarizer）生成報告；

3. 回傳結果給使用者。

在這個過程中，模型就像是指揮者，而 MCP Server 是樂團的樂手。
它們共同依靠協定保持節奏一致。

而這正是 MCP 最革命性的地方：模型不再只是「生成內容」，而是能「調用外部工具、執行任務、整合上下文」的智能中樞。

Context Provider：隱藏的第四角色

除了這三個主要角色，MCP 還有一個經常被忽略的成員：Context Provider。
它負責提供背景資料（context）給模型，例如：

• 目前使用者開啟的檔案
• 系統環境變數
• 工作目錄內容
• 專案設定或歷史紀錄

舉例來說，VS Code 的 MCP Client 可以自動將目前專案目錄與開啟檔案的內容傳給模型，
讓 AI 在回答時能理解「我現在在哪個專案、這段程式屬於哪個模組」，從而提供更準確的建議。

這樣的設計讓 MCP 超越了單純的 API 互動，
變成一個能真正「理解工作上下文」的智慧框架。

三層架構的協作流程

1. 使用者在 Client 輸入指令：ChatGPT 或 VS Code AI Assistant 接收輸入。
2. Model 理解意圖並規劃任務：決定要呼叫哪個 MCP Server 的哪個 tool。
3. Client 發送請求給 Server（Stdio / StreamHTTP）：封裝成 JSON-RPC 請求傳輸。
4. Server 執行任務並回傳結果：例如回傳翻譯文字、程式分析結果、報表摘要。
5. Client 呈現結果並更新上下文：使用者得到回饋，模型持續學習上下文。

這是一個閉環的智慧互動過程。
MCP 不僅讓 AI 能「執行命令」，更讓它能「理解工作流程」，
而這正是傳統 Plugin 或 API 所做不到的。

為什麼這樣的架構重要？

MCP 的三層架構帶來三個關鍵影響：

1. 模組化與可擴展性：不同開發者能各自開發 MCP Server，形成生態系。
2. 語意與執行分離：模型專注於理解與決策，Server 專注於執行與資料。
3. 上下文一致性：Context Provider 確保模型始終知道自己「在哪裡、在做什麼」。

結語

MCP 的世界不只是讓模型變聰明，而是讓整個應用環境都能聰明地協作。
Client 是門面、Model 是大腦、Server 是手腳，而 Context 則是記憶與感知。

這樣的分工讓 AI 不再像單一應用，而更像是一個「智慧網絡」。
當越來越多開發者開始撰寫自己的 MCP Server，
MCP 將成為 AI 世界的下一個「HTTP」——
連接一切智慧的骨幹，開啟真正的多智能體時代。

下一篇我們會開始進入到實作，敬請期待唷~