最近，AI 搜索独角兽 Perplexity 的联合创始人兼 CTO Denis Yarats 在一次技术讨论中说出这句话时，很多开发者都感到意外。

因为就在一年多前，MCP 还被许多人视为：“AI 时代的 HTTP”。从 IDE Agent 到企业自动化工具，大量 AI 产品都在围绕 MCP 构建工具生态。一时间，几乎所有 AI 开发工具都在做同一件事：把自己的能力包装成 MCP Server。

但到了 2026 年，一个微妙的变化正在发生。

当很多团队还在拼命构建 MCP 插件生态时，一些真正运行在生产环境里的 AI 系统，却在悄悄回到更“原始”的接口：API 与 CLI。

这看起来像是技术倒退。但如果从系统架构的角度来看，这其实是一条非常典型的工程演化路径：抽象层帮助生态爆发，而规模化系统最终会回归原生接口。

一、先讲清楚：MCP 当初解决的，是生态扩展问题

要理解今天的变化，必须回到 MCP 诞生的背景。

在 MCP 出现之前，大模型调用外部工具是个典型的复杂度爆炸问题：

• 市场上有 N 个模型平台
• 有 M 个工具系统如果每个工具都要分别对接每个模型，复杂度就是：N × M。

一个企业想让 AI 调用 GitHub、Notion、Slack、内部数据库、CRM，就要为不同模型维护多套 SDK 和适配层，成本极高。

MCP 的思路非常简洁：工具只实现一次 MCP Server，任何支持 MCP 的客户端都能直接调用。

复杂度瞬间从：N × M变成N + M。

这也是 MCP 能迅速流行的根本原因。开发者写一个 MCP Server，AI 就能查库、调 API、读文档、操作内部服务，生态扩张速度极快。

从生态角度，这是一次极其成功的抽象。MCP 的价值，是让 AI 快速连接世界。

但当系统真正进入规模化生产，工程团队开始面对另一组更现实的问题。

二、规模上来后，MCP 协议层的成本开始显现

MCP 设计本身没有错，但任何通用协议，在大规模生产里都会有成本。

主要体现在三点：

1. 上下文膨胀：工具越多，模型越 “胖”

MCP 靠 Schema 描述工具：功能、参数、输入输出结构。当 Agent 加载大量 MCP 工具，这些描述会被塞进模型上下文。

工具一多，这部分信息会快速膨胀，而在今天的大模型体系里：上下文 = 钱 + 速度。

带来的结果很直接：

• 更高的 token 成本
• 更复杂的 prompt
• 更长的推理时间在高吞吐系统里，这些成本会被指数级放大。

2. 企业级治理：开发爽，运维难

很多 MCP Server 基于 stdio、JSON-RPC，开发阶段非常灵活。但企业级系统真正需要的是：

• 多租户隔离
• 细粒度权限控制
• 完整审计日志
• 限流、熔断、降级
• 高并发调度

这些能力在传统 API + API Gateway 体系里已经极度成熟。所以核心业务接口，企业依然更愿意交给 API。

3. 模型能力变了：不再需要那么厚的协议层

MCP 诞生时，一个重要前提是：模型需要结构化信息才能理解工具。

但过去一年，大模型在几方面进步极快：

• 代码理解
• API 文档解析
• 函数调用
• 自动脚本生成

很多模型已经能直接读懂：

• 函数签名
• OpenAPI 文档
• GitHub README

复杂协议层，不再是唯一解。

三、真实生产环境：Agent 根本不是 “乱调用工具”

外界对 Agent 常有一个误解：AI 会像万能助手一样，随意调用几百个工具。

真实工业级系统里，调用链非常克制、清晰。

最简单的 AI 搜索：用户问题 → LLM 意图识别 → 调用内部 Search API → 返回结果 → LLM 生成回答

更复杂的自动化任务：用户请求 → LLM 任务规划 → Capability Router → 内部 API → CLI 数据处理 → MCP 第三方工具 → LLM 汇总

你会发现：不同接口，承担完全不同的职责。

四、Agent 架构真正的核心：不是 MCP，是「Capability」 层

大量一线团队在实践中达成共识：Agent 架构里最关键的一层，不是 MCP，而是 Capability / Skill Layer。

这一层只做一件事：把复杂工具，抽象成稳定能力。

例如：SearchKnowledge、GenerateReport、ProcessDataset、SendNotification。

Agent 不需要知道底层是啥工具。Capability 内部自己决定：

• 走内部 API
• 跑 CLI 脚本
• 调 MCP 工具

巨大优势：模型只需要理解少量 “能力”，不用理解一堆 “工具”。上下文压力大幅下降，系统更稳定、更可控。

五、AI Agent 正在形成四层架构

一个典型的 Agent 系统架构大致如下：

在真实生产系统中，AI Agent 很少直接调用工具，而是通过 Capability 层统一调度 API、CLI 与 MCP 三种执行方式。

1. 核心 API 层

负责：核心数据、用户系统、搜索索引

特点：延迟敏感、权限严格、高并发

2. Capability 层

负责：抽象系统能力、隐藏底层工具复杂度、控制 Agent 调度

3. CLI 执行层

主要处理：数据处理、自动化任务、临时脚本

4. MCP 生态层

负责接入：第三方 SaaS、外部工具、长尾能力

最后

当 AI 系统真正进入大规模生产环境时，工程团队最终必须面对两个最现实的指标：

• 延迟
• 每一次调用的成本

在这些维度上，最原始的接口往往仍然最直接、最可靠。

这也是为什么，一些顶级 AI 系统正在重新拥抱：API 与 CLI。

如果用一句话总结今天的变化：

MCP 让 AI 能连接世界。而 API 与 CLI 才让 AI 能真正运行世界。

    学习资源推荐

如果你想更深入地学习大模型，以下是一些非常有价值的学习资源，这些资源将帮助你从不同角度学习大模型，提升你的实践能力。

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！​

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示

​因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

因篇幅有限，仅展示部分资料，需要点击文章最下方名片即可前往获取

四、AI大模型商业化落地方案

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。