前面幾天我們學習了 Claude Code CLI 的基本操作、Context 與 Prompt 撰寫技巧。不過，如果 AI 只能讀取目前專案中的檔案，它能完成的事情仍然有限。當我們希望 AI 可以進一步連接資料庫、GitHub、API 或其他外部工具時，就需要認識一個非常重要的技術：MCP（Model Context Protocol）。

MCP 全名是 Model Context Protocol，可以把它想像成一種「讓 AI 與外部工具溝通的標準介面」。傳統上，如果想讓 AI 使用某個服務，開發者可能需要針對不同工具製作不同的整合方式。MCP 則提供一套標準化的方法，讓 AI 應用程式可以透過 MCP Server 取得外部工具或資料的能力。

簡單來說，Claude 本身負責理解使用者的需求，而 MCP Server 則負責提供特定能力。例如，一個 GitHub MCP Server 可以讓 AI 存取 Repository、Issue 或 Pull Request；資料庫相關的 MCP Server 則可以提供查詢資料的能力。Claude Code CLI 透過這些 MCP 工具，就能從單純「讀程式碼、寫程式碼」，進一步延伸到「操作外部服務」。

MCP 的基本架構可以簡單理解成三個角色：AI 應用程式、MCP Server、外部工具或資料來源。使用者提出需求後，Claude Code 先理解任務，再判斷是否需要使用 MCP 提供的工具。當需要取得外部資料或執行特定操作時，就可以透過 MCP Server 與對應的服務進行溝通，最後將結果帶回 AI 的工作流程中。

這也讓 AI Agent 的能力出現很大的變化。以前我們可能需要自己查 GitHub、複製資料、切換不同工具，再把資訊交給 AI；有了 MCP 之後，AI 可以在權限允許的情況下，直接透過工具取得需要的資訊，減少人工搬運資料的工作。

不過，能力越多也代表需要更加重視安全性。MCP Server 可能涉及檔案、資料庫、GitHub 或其他敏感資源，因此在使用時應該確認 Server 的來源、權限範圍，以及 AI 可以執行哪些操作，避免給予不必要的存取權限。

因此，MCP 可以視為 AI 世界中的「標準化工具連接方式」。**Claude Code CLI 負責思考與執行，MCP 則負責幫 AI 接上更多外部世界。**當 AI 不只是會寫程式，還能與各種工具與資料來源協作時，AI Agent 才真正開始展現更完整的工作能力。