开发人员发现，模型上下文协议（Model Context Protocol，MCP）在按需为AI编程智能体提供高度相关的软件工程上下文方面表现出色。

　　MCP是一种将AI助手与外部数据、工具和API连接起来的开放协议。自2024年底由Anthropic首次发布以来，社区已涌现出数千台MCP服务器，覆盖DevOps、云服务等领域。

　　如今，开发人员已将MCP服务器集成到各类应用中，经过实际场景的充分验证，成熟的使用模式正在形成。据Zuplo在2026年初发布的《MCP状态报告》，为AI提供更好的上下文环境是用户采用MCP最主要的价值诉求。报告还发现，63%的MCP用户使用服务器来访问文档或知识库等数据源。

　　在软件开发中，“上下文工程”是指为AI编码智能体提供相关数据与功能，以提升其输出的准确性和相关性。它还涉及优化信息的广度，引导模型高效处理。此类上下文可包括编码风格、内部库、机构知识、生产数据以及来自Slack、Atlassian、Notion或GitHub等平台的外部信息。

　　产品体验平台Pendo的CEO Todd Olson指出：“MCP支持上下文工程，因为它为AI系统连接各类业务工具提供了标准化的方式。关键好处在于，智能体可以根据问题自主判断需要哪些上下文，然后通过相应的MCP服务器实时获取这些信息。”

　　随着AI辅助编码的兴起，MCP正在成为跨多种数据源进行实时、动态搜索与获取的关键通道，在上下文工程中扮演重要角色。基础设施编排平台Spacelift的解决方案架构师Joey Stout评价说，MCP是“氛围编码的救命稻草”。

　　MCP如何提升上下文工程

　　借助MCP，智能体能够获取与手头任务紧密相关的结构化上下文数据。Sonar集团产品经理Edgar Kussberg认为，MCP加速了工程师每天必须进行的“知识狩猎”式工作。

　　Kussberg解释道：“当工程师需要回答问题时，他们不会只凭记忆。他们会浏览代码仓库、仪表板、CI系统、文档和安全报告，按需从各个系统中提取信息。MCP为AI智能体提供了同样的能力。”

　　当前最受欢迎的MCP服务器中，很多专门用于检索上下文以改进智能体编码。例如，Context7的MCP服务器提供最新的文档，Filesystem的MCP服务器可从本地任意目录提取文件，Sentry的MCP服务器可访问生产问题与错误，SonarQube的服务器暴露安全漏洞，Multiplayer的服务器返回用户会话数据。

　　在这些场景中使用MCP的显著优势在于，它避免了在每个提示中嵌入大段代码。代理开发平台WaveMaker的工程主管Venugopal Jidigam表示，相关方法、依赖项或最近更改等编码上下文可以在运行时动态调用。“MCP服务器负责组装并返回有范围的结构化上下文，模型据此进行推理并生成准确响应。”

　　另一个常见的上下文收集案例是检索机构知识。数据与分析平台Incorta的首席机器学习工程师Ebrahim Alareqi说：“智能体不再需要将知识硬编码到模型中，而是通过MCP在运行时检索相关文档或数据。这使智能体保持轻量，同时仍能在需要时访问企业特定上下文。”

　　业内人士还肯定了MCP在为智能体数据检索提供通用标准方面的作用。API平台Merge的联合创始人兼CTO Gil Feig表示：“MCP提供了让上下文工程变得实用的管道。”他补充说，如果没有统一标准，团队往往只能构建脆弱的自定义数据管道，经常出现故障。

　　使用MCP收集上下文的好处

　　AI辅助编码存在一些固有挑战。最突出的是信任问题。根据Sonar《2026年代码状态开发者调查报告》，96%的开发者不信任AI编码智能体的输出。另一个挑战是审查和调试AI生成代码所增加的时间成本。2025年底的Stack Overflow调查发现，近一半的开发者表示对处理“几乎正确但并不完全正确”的AI解决方案感到沮丧。

　　上下文工程——以及为此目的使用MCP——有助于克服这些挑战。通过MCP服务器，工程师可以自动将相关日志或内部数据附加到提示中，大幅改善LLM的处理效果，避免无关输出。

　　最终结果是准确性的提升。数字产品工程公司R Systems的数据与AI副总裁Neeraj Abhyankar指出：“MCP允许系统动态获取模型所需的内容，如API、数据库、文件或领域知识。这使得提示更加精简，减少幻觉，并确保模型在与任务相关的上下文中运行。”

　　另一个显著优势是更好的上下文窗口管理。使用MCP进行上下文工程，可以更高效地与基础模型交互。Spacelift的Stout说：“只要确保获取了正确的内容，MCP工具就能帮你节省数千个Token。”

　　Stout特别强调了GitHub MCP服务器：“它可以直接从GitHub访问特定文件，执行GitHub搜索，以及所有引用GitHub时需要的完整功能。MCP让从GitHub检索信息变得好了一百万倍。”

　　使用MCP还能增强企业内部的自主性和可扩展性。Pendo的Olson说：“团队不再依赖片面的观点或传闻证据，而是基于共同的理解开展工作。”他指出，这大大减少了拼接工具、构建报告或反复沟通队友所带来的摩擦。

　　总体而言，专家认为MCP在上下文工程中的好处是多方面的。标准化MCP提供了更聚焦的提示，从而产生更明确、更相关的上下文，降低LLM幻觉的可能性，并优化智能体的行为模式。这些反过来又能减少验证和调试所需的手动审查，为开发人员赢回宝贵时间。

　　这些好处共同旨在解决AI生成代码和智能体工作流中固有的许多核心问题。WaveMaker的Jidigam总结道：“MCP将AI开发从脆弱的快速工程转变为可重复的软件工程。结果是行为一致、数据暴露最小化，且AI系统能够规模化扩展。”

　　使用MCP，还是不使用MCP？

　　专家们一致认为，MCP在某些方面超越了传统的检索增强生成（RAG），能以更优化的方式提供更及时、更相关的内容。Sonar的Kussberg指出：“传统的知识库和RAG管道依赖于预索引的快照。在快速变化的环境中，这些快照很快就会过时。”

　　正因如此，MCP为开发者解锁了丰富的可能性。但该协议并非灵药。在某些场景下，它可能与竞争性的智能体协议相抗衡，甚至不如简单的CLI或直接API访问。

　　MCP服务器的快速增加也可能大幅增加LLM的输入量，需要采用谨慎的优化技术（如工具设计分层、渐进式披露、自动发现等）来避免达到Token限制。

　　此外还有安全问题。MCP协议自身的安全模型已相对成熟，但实施者有责任执行正确的权限控制。Merge的Feig说：“如果以正确的方式实施，MCP可以让你强制执行基于策略的访问控制。”这意味着，即使智能体拥有较宽的权限，系统也能防止初级工程师访问其无权查看的日志。

　　为了在企业开发环境中更放心地使用MCP，许多专家建议引入MCP注册表，其中包含经过审查、受管理的MCP服务器，并批准用于内部使用。其他工具与实践——包括智能体技能（Agent Skills）、代码模式以及确定性AI的新兴规范——也将在为智能体建立上下文方面发挥作用。

　　除了MCP本身，Stout还建议使用Claude Code的工具搜索功能，该功能可以在不消耗Token窗口的情况下搜索工具。他还提到了Sisyphus（一个与OpenCode兼容、用于为不同任务匹配模型的智能体）以及Plannotator（一个用于Claude Code和OpenCode的项目规划插件），这两者都有助于优化上下文工程。

　　上下文为王

　　MCP的发展正在加速。Bloomberry对1400台MCP服务器的分析显示，从2025年8月到2026年2月，六个月内增长了232%。有趣的是，读取操作比写入操作多出两倍，这表明大量服务器主要用于数据检索。

　　展望未来，上下文工程将继续巩固其作为一门软件工程学科的地位，而MCP有望将API转化为智能体推理的引擎。正如Jidigam所说：“类似MCP的抽象将成为标准基础设施，就像REST在早期时代一样。”

　　其他人也同样乐观。Incorta的Alareqi补充道：“在上下文工程中，MCP正成为智能体用来访问上下文、工具和操作的控制平面。随着软件越来越由智能体驱动，这将是基础性的。”

　　核心结论是：MCP已经在上下文工程中发挥重要作用，并将持续如此。作为AI系统与数据之间的标准化接口，MCP是运行时动态跨平台上下文检索的主要载体，使工程师能够获取文档、API参考、策略、可用操作等所需信息。

　　然而，这并不意味着上下文工程已经到达终点。Kussberg展望道，上下文工程将从获取信息演变为协调信息——即整合多个MCP的结果。这将需要更强的纪律来执行标准、评估风险并更频繁地验证变更。

　　因此，请开始将MCP用于上下文工程，并密切关注你的MCP服务器如何影响LLM的Token使用和工作流塑造。上下文与非上下文的区别至关重要。因为，正如人们所说：上下文为王。