MCP 是什麼？讓 AI Agent 直接取用你的資料：運作原理、應用情境與安全守則
MCP（Model Context Protocol）是一套讓 AI Agent 以標準化方式連接外部資料與工具的開放標準：資料服務提供一個 MCP 伺服器，Claude Code、Cursor 等支援 MCP 的 AI 工具連上並完成授權後，就能在執行任務時自行決定要查什麼、讀什麼，減少人工把資料一段段複製貼上，也減少替每個工具各寫一套整合的工作。例如把會議筆記服務 AIMochi 接上 AI 工具後，你只要說「依照上週客戶會議的結論寫需求文件」，Agent 就會自己搜尋筆記、讀取內容、整理成文件。
為什麼 AI Agent 需要「直接取用」資料
AI 模型再聰明，若沒有接上外部資料來源，也只能依訓練所得與當次提供的內容回答。實際工作中，真正有價值的資訊散落在各個系統：會議紀錄、客戶訪談、專案文件、程式碼庫。過去的做法是人工把資料複製到對話框，這有三個問題：
- 費時：每次都要先找、再複製、再貼上，資料一多就做不下去。
- 不完整：人會漏貼，AI 只能根據片段回答。
- 不即時：貼進去的是當下的副本，來源更新後 AI 不會知道。
Agent 和聊天機器人最大的差別，是它會自己規劃步驟、呼叫工具、根據結果決定下一步。只要給它「取用資料的工具」，它就能自己判斷需要哪些資料、什麼時候去拿。這種工具呼叫並不是 MCP 才有，各家模型的 function calling 也做得到；MCP 的價值在於把「工具怎麼描述、怎麼連線、怎麼授權」標準化，讓同一個資料服務能被許多 AI 工具重用。
MCP 怎麼運作
MCP 由 Anthropic 在 2024 年 11 月公開發布，之後 OpenAI、Google 陸續在 API 或 SDK 中加入支援，Cursor、Visual Studio Code 等開發工具也採用 MCP。2025 年 12 月，Anthropic 將 MCP 捐贈給 Linux Foundation 旗下的 Agentic AI Foundation（AAIF），技術方向由 MCP 專案的維護者依公開治理機制推進。它的架構可以用三個角色理解：
- Host（主應用）：管理模型互動與 MCP 用戶端的 AI 應用程式，例如 Claude Code、Cursor。
- Client（用戶端）：Host 內負責和某一個 MCP 伺服器溝通的元件。
- Server（伺服器）：透過 MCP 向用戶端提供工具、資料或提示範本的程式，可以在本機或遠端執行，例如 AIMochi 的
https://api.aimochi.ai/mcp。
伺服器可以提供三種核心能力（不一定全部都提供）：Tools（工具）是可執行的函式，通常由模型選擇呼叫，例如搜尋筆記；Resources（資源）是由應用程式讀取、提供為上下文的資料；Prompts（提示範本）是供使用者選用、可帶入參數的提示或工作流程範本。目前規格定義兩種標準傳輸方式：stdio 透過標準輸入／輸出和本機子程序通訊，Streamable HTTP 透過 HTTP 和本機或遠端服務通訊（舊版的 HTTP+SSE 傳輸已棄用）。需要存取受保護資料的遠端伺服器會要求授權：MCP 的 HTTP 授權規格以 OAuth 2.1 為基礎，部分服務另外提供個人存取權杖，使用前要確認你的 AI 工具支援哪一種。
實際執行時，Host 透過 Client 取得伺服器的工具定義，把可用的工具提供給模型；模型判斷需要時提出工具呼叫，Host 依權限與核准設定決定是否執行，再由 Client 呼叫伺服器，把結果交回模型，模型根據結果繼續推理或呼叫下一個工具。
MCP、API、RAG、複製貼上有什麼不同
| 做法 | 誰決定要拿哪些資料 | 資料新鮮度 | 整合方式 |
|---|---|---|---|
| 手動複製貼上 | 人 | 貼上當下的副本 | 不需寫程式，但每次都要人工搬運 |
| 直接串 API | 程式流程，或透過 function calling 由 Agent 決定 | 取決於來源與快取 | 需處理介面、授權與資料格式，可重用 SDK 或共用整合 |
| RAG（檢索增強生成） | 檢索流程，或由 Agent 決定何時檢索 | 取決於資料來源、索引或快取更新 | 需串接檢索與生成流程，可使用既有知識庫或檢索服務 |
| MCP | Agent 在任務中自行判斷（Host 可設核准） | 可在呼叫時取資料；實際新鮮度取決於後端 | 做一個伺服器，相容的 AI 工具設定並授權後即可重用 |
三者處在不同層次，可以搭配使用：API 是程式介面，RAG 是檢索資料輔助生成的方法，MCP 則標準化工具與上下文的交換。MCP 伺服器可以呼叫 API、查資料庫，或用 RAG 實作搜尋。它解決的是「重工」——實作一個 MCP 伺服器，就能讓支援相容版本、傳輸方式與授權機制的 AI 工具重用，不必替每個工具重寫整合；各工具仍需各自設定與授權。
實例：讓 Agent 直接讀你的會議筆記
會議筆記是很適合交給 Agent 的資料：量大、分散、又常常是後續工作的依據。以 AIMochi 為例，流程是：
- 在 LINE 把會議錄音傳給 AIMochi，取得逐字稿與摘要（支援超過 99 種語言、最多區分 10 位講者，1 小時錄音約 10 分鐘完成）。
- 在 AI 工具中連上 AIMochi 的 MCP 伺服器，取得三個唯讀工具：
list_notes（列出筆記）、search_notes（關鍵字搜尋）、get_note（讀取指定筆記）。 - 直接對 Agent 下任務，它會自己呼叫工具找資料。
例如在 Claude Code 輸入「找出這個月所有和金流串接有關的會議，列出還沒解決的問題」，Agent 會先用 search_notes 搜尋相關筆記，再用 get_note 逐一讀取，最後整理出清單。整個過程你不需要打開任何一份筆記。設定方式請見AIMochi MCP 設定教學。
四種常見應用情境
- 產品經理：從多場客戶訪談與需求會議中彙整需求，直接產出規格文件或待辦清單。
- 工程師：實作前讓 Agent 讀取相關的技術討論紀錄，確認當初對介面、邊界條件的決定，邊讀邊寫程式。
- 業務與客服：準備會議前，讓 Agent 整理和這位客戶過去所有對話的重點與承諾事項。
- 研究與內容工作者：跨多份訪談逐字稿找出反覆出現的主題與代表性引述，作為報告或文章素材。
授權給 Agent 前的五條安全守則
- 最小權限：只開放任務需要的能力。只需要查資料的情境，優先選擇唯讀的 MCP 伺服器；AIMochi 的 MCP 就只能讀取，不能修改或刪除筆記。唯讀能降低被修改或刪除的風險，但仍要注意可讀範圍與資料外洩。
- 權杖當密碼管：個人存取權杖可以讀到你授權範圍內的所有資料。不要貼進聊天、截圖或提交到 git；在服務支援下，為不同的 AI 應用分別建立可撤銷的權杖，不用就撤銷。
- 留意提示注入（prompt injection）：外部文件、工具描述與回傳內容都可能夾帶看似指令的文字，例如會議中有人唸了一段要求。不要把它們當成可信的命令；對寫入檔案、執行指令、讀取敏感資料或對外傳送等操作保留審核，並檢查參數與傳送目的地，不要全部自動核准。
- 知道資料會流向哪裡：被選入模型上下文的資料，會交由你使用的模型處理；是否離開公司環境，取決於 AI 工具、模型與 MCP 伺服器的部署與設定。機密會議請先確認公司對 AI 工具的使用規範。
- 只裝信任的伺服器：MCP 伺服器能提供任意工具，來路不明的伺服器可能讀取或傳送不該傳的資料。使用官方或來源可信的伺服器，並定期檢查已連線的清單。安裝本機伺服器等同執行一支程式，應檢查來源與啟動指令，並限制它的檔案與網路權限。
如果會議資料依規定不能離開公司環境，可以參考 AIMochi 的企業地端版，在企業內部完成語音轉錄與摘要；後續若再交給 Agent 使用，資料流向仍需另外確認。
常見問題
Q：MCP 和一般 API 差在哪？
API 是給程式呼叫的介面，介面、授權與資料格式依各服務而不同；MCP 是 AI 工具與資料服務之間的標準協定，資料提供者做一個 MCP 伺服器，支援相容版本與授權方式的 AI 工具就能連上，由 Agent 在任務中決定何時呼叫。兩者也常搭配：MCP 伺服器內部往往就是呼叫既有的 API。
Q：Agent 透過 MCP 會不會改掉我的資料？
取決於伺服器提供哪些工具。有些伺服器提供寫入或刪除功能，有些只提供讀取。AIMochi 的 MCP 只有 list_notes、search_notes、get_note 三個唯讀工具，無法修改或刪除筆記。
Q：使用 MCP 要付費嗎？
MCP 是開放標準，使用協定本身不需支付授權費；AI 模型、MCP 服務與運算仍可能另外收費，依各服務而定。AIMochi 的 MCP 免費版就能使用，每月另有 3,000 點免費點數可以轉錄錄音、累積筆記。
結論
MCP 以標準化的方式，讓 AI Agent 取用已授權的外部資料與工具，減少人工搬運資料與客製整合的工作。對團隊來說，最先值得接上的，往往是量大、分散、又決定後續工作的資料，例如會議紀錄。加入 AIMochi 官方帳號，先把會議錄音變成筆記，再依MCP 設定教學接上 Claude Code 或 Cursor；更多 AI 工具與 Agent 相關文章，見AI 工具主題與AI 筆記是什麼？。