雲端方程式 Cloud F1 F1

MCP

MCP 是什麼？3 個 n8n AI Agent 情境完整解析 MCP 協議

· 約 15 分鐘閱讀 · Alex Hsieh

更新於 2026年2月11日

MCP AI Agent 完整指南

📥 工作流 JSON 下載：GitHub 範例庫 ｜ 💬 社群討論：Skool 雲端方程式 Cloud F1

專業導讀

你知道 AI 領域裡面最熱門的三個關鍵字是什麼嗎？LLM 大語言模型、AI Agent、還有最近很火的 MCP — Model Context Protocol。我在影片裡花了 90 秒快速帶大家搞懂這三個概念，但很多人看完還是會問我：「Alex，這三個東西到底什麼關係？」

重點來了 — MCP 就是讓所有 AI 一起說英文的標準協定，就像秦始皇統一度量衡一樣，讓 AI 模型跟應用程式之間有一套統一的溝通語言，不再各說各話。 我在這支影片裡實際 Demo 了三個情境，從最簡單的客戶查詢到結合 Airtable + Airbnb 的多步驟複雜任務，讓你看到 MCP 在 n8n 裡面到底怎麼運作。

你將學到

  • LLM、AI Agent、MCP 三大核心概念的定位與類比
  • n8n AI Agent 傳統方式 vs MCP 方式的完整 Demo 對比
  • MCP 的 List Tool + Execute Tool 兩大核心功能實測
  • 多步驟複雜任務：Airtable 客戶查詢 + Airbnb 住宿搜尋
  • MCP 的優勢與限制（不是十全十美的老實話）

🎯 什麼是 MCP AI Agent？

MCP (Model Context Protocol) 是 AI 之間溝通的語言協定，就像人類之間講中文、英文、日文一樣，AI 跟應用程式之間也需要有一套共同的語言來做溝通交流，MCP 就是那個「大家一起說英文」的標準。

我在影片裡用了幾個很直覺的比喻來幫你理解 LLM、AI Agent 和 MCP 的關係。我覺得這些比喻比任何技術文件都更容易記住。

LLM、AI Agent、MCP 三者的關係

我把這三個概念用類比拆開來看，你馬上就懂了：

概念比喻Alex 的說法實際工具範例
LLM超強的百科全書「集合了人類網路知識裡面的最強大腦，問什麼都可以回」GPT-4o、Claude、Gemini、LLaMA
AI Agent大樓保全 / 電話客服「有特定的任務執行能力，而且可以做出自主判斷，但不是萬能的」n8n AI Agent
MCP大家一起說英文 / Type-C「讓所有參與的 AI 一起說英文而不是各說各話」MCP Server、MCP Client

簡單來說： LLM 是百科全書（只會回答），AI Agent 是保全（會動手做事），MCP 是統一的語言（讓溝通更有效率）。

AI Agent 的三大核心能力

我在影片裡特別拆解了 AI Agent 的三個最重要的能力，用保全的例子來說：

  1. 語言能力：負責語言的理解跟對話。「比如說跟快遞對話的時候確認來意，你要幹嘛，辨認有沒有送錯地址」
  2. 記憶能力：能夠記住過往的資訊。「這個包裹是誰的」，不要每次重來、每次都失憶
  3. 工具使用：執行任務會用到的工具。「你要有那個包裹的登記系統，也會有一個對應大樓住戶的資料」

透過這三個元件的結合，AI Agent 就能夠完成任務，跟人類或其他系統進行互動。

MCP 的核心運作方式

我在 Demo 裡實際展示了 MCP 的兩大功能：

┌──────────────┐                    ┌──────────────┐
│  AI Agent    │  ① List Tool       │  MCP Server  │
│  (MCP Client)│ ───────────────►   │  (Airtable)  │
│              │  「你有哪些工具？」   │              │
│              │                    │  回傳：       │
│              │  ② Execute Tool    │  List Records │
│              │ ───────────────►   │  Search       │
│              │  「執行 List Records」│  Create      │
└──────────────┘                    └──────────────┘
  1. List Tool：先列出有哪些可以使用的工具。AI Agent 會先問 MCP Server「我有哪些能力？有哪些工具可以用？」
  2. Execute Tool：選定使用哪個工具並執行。根據 LLM 的語意理解，選擇合適的工具來執行任務

我在影片裡特別強調：「通常就是這兩招。」

Alex 的實戰觀察

我自己實測下來，MCP 有非常明確的優勢，但也有需要注意的地方。我在影片最後有特別提到：「不是十全十美，但藉由這一次的 Demo，其實可以看到一些可能性，是非常厲害的。」

觀察 1：MCP 會比傳統方式慢一步

在 Demo 過程中我有特別指出：「你會發現 MCP 花的時間會比較多，因為 AI Agent 它要先做確認工具的流程。」這是因為 MCP 在執行任務前，會先問 MCP Server 有哪些工具可用，然後再根據 LLM 的語意理解來選擇合適的工具。

多了這一層溝通，執行時間自然會稍長一些。但換來的是什麼？是模組溝通的標準化。

觀察 2：模組數量大幅減少

這個差異在 Demo 裡非常明顯。傳統 AI Agent 的 Airtable 工具要掛 List、Get、Create 等五、六個方法在調用，但 MCP 方式只需要 List Tool + Execute Tool 這兩個模組。

我在影片裡的原話是：「都是長那兩個模組，比我們最一開始的有好多個模組、五六個方法在調用，好很多。」

觀察 3：語意理解偶爾會翻車

我在 Demo 裡也誠實展示了 MCP 的失敗案例。第一次問「請給我狀態是潛在機會的客戶」時，MCP 版本沒辦法正確獲取結果。「肯定是剛剛在語意理解的時候有問題的，前一個是有問題的。」重新執行一次之後才成功。

這說明 LLM 的語意理解並不是 100% 穩定的。我的建議是：系統級的 Prompt 用英文寫，因為「它會比較好對焦，就是它不會像中文一樣有時候會怪怪的。」

觀察 4：MCP 強在溝通，不是記憶

我在影片裡特別澄清：「MCP 不是讓記憶變強，而是讓不同的工具講同一種語言，溝通更有效率，所需的記憶體就比較少。」

MCP 的 Buff 是加在 Tool 這一層，不是加在大腦或記憶體上。

🔧 3 個 n8n AI Agent 實戰 Demo

我在影片裡用同一個 Airtable 客戶資料庫，分三個情境 Demo 了 AI Agent 有 MCP 和沒有 MCP 的差異。

情境 1：基本客戶名單查詢

Airtable 資料： 準備好一批模擬客戶資料，包括客戶名字、地址、聯絡方式、電話、狀態和信箱。

傳統 AI Agent（沒有 MCP）

工作流配置：

  1. Chat Model：OpenAI 的 GPT-4o 作為語言模型
  2. Memory：5 筆的短期記憶
  3. Airtable 工具：List、Get、Create 等多個 CRUD 工具
  4. System Prompt：用英文寫，告訴 Agent 用 Airtable 來得到客戶資料，給定 Base ID 和 Table ID

Demo 結果： 輸入「請給我客戶名單」，AI Agent 透過內建的指令集和 API 工具去跟 Airtable 溝通，成功列出 5 筆客戶資料。「其實滿神奇的，我們其實沒有寫什麼程式，這真的是出嘴巴，出嘴巴就動起來了。」

MCP 方式（有 MCP）

同樣的 System Prompt，但工具改用 MCP 的 List Tool + Execute Tool。

Demo 過程：

  1. AI Agent 先問 Airtable MCP Server：「你有哪些工具？」
  2. Server 回傳 List Records、Search Records 等所有方法
  3. 把這些方法告訴 ChatGPT：「我有這些方法，然後你要幹嘛」
  4. LLM 選擇 List Records 方法執行
  5. 成功取得同樣的 5 筆客戶資料

差異觀察： MCP 花的時間比較多，因為多了確認工具的流程，但結果完全一致。

情境 2：條件篩選查詢

查詢： 「請給我潛在機會的客戶名單」

預期結果： Airtable 裡有 2 筆潛在機會客戶 — 宏達電子貿易行和盛達國際股份。

傳統 AI Agent： 直接成功，回傳 2 筆正確資料。

MCP 方式： 第一次執行失敗，「沒辦法獲取狀態是潛在機會的客戶」。可能是 ChatGPT 那個語言模型沒有理解語意。重新執行一次後成功取得宏達電子貿易行和盛達國際這兩筆資料。

我在這裡學到的教訓是：MCP + LLM 的組合在中文語意理解上偶爾會出錯，建議多測試幾次，或者用英文下指令會更穩定。

情境 3：多步驟複雜任務（Airtable + Airbnb）

這是整支影片最精彩的 Demo。任務拆解：

  1. 第一步：找出狀態是「潛在機會」的客戶
  2. 第二步：根據客戶地址，用 Airbnb 搜尋住宿
  3. 第三步：整合兩個工具的結果，組合出實用的回覆

指令：「請給我客戶清單，其中狀態是潛在機會的。根據狀態是潛在機會的客戶名單，利用客戶地址幫我訂這個禮拜的住宿。」

Demo 過程：

  1. AI Agent 啟動 MCP 協定，先列出 Airtable 的工具
  2. 選擇對應工具執行，取得 2 筆客戶：一個在臺中、一個在曼谷
  3. 接著自動去問 Airbnb 的 MCP Server 有哪些方法
  4. 用 Search 方法分別搜尋臺中和曼谷的住宿
  5. 最終結果：臺中 3 筆住宿、曼谷 3 筆住宿

我的觀察：「從查資料、篩選條件、整合 API、組合語意輸出，全部一氣呵成，不需要手動切系統或者是對接 API。但是它也有壞處，他沒有這麼快，而且他其實會有一些錯誤跟誤差，不是十全十美。」

我覺得這個 Demo 最震撼的地方是，AI Agent 不用你介入就直接用 Airbnb 找起來了。它會自動去做地點比對跟住宿的查詢。「看到這裡是不是覺得有點猛？」

📊 MCP vs 傳統 AI Agent 實測比較

根據我在影片裡 Demo 的實際結果，整理出這份比較：

比較項目傳統 AI Agent（API 工具）AI Agent + MCP
工具數量5-6 個方法（List/Get/Create…）2 個模組（List Tool + Execute Tool）
設定方式每個工具各自定義 APIMCP Server 統一提供
執行速度較快（直接調用）較慢（多確認工具的流程）
擴展性要改 Prompt、加工具節點註冊新 MCP Server 即可
語意驅動需要明確指定工具Agent 自動選擇適當工具
跨工具整合需要手動串接一氣呵成自動串接
穩定性較高偶爾語意理解失敗
System Prompt需指定 Base ID、Table ID同樣需要，但工具描述更簡潔

我的選擇建議

根據 Demo 經驗，我的建議是：

  • 簡單固定流程 → 用傳統 n8n 原生節點就好，效能更好、更穩定
  • 需要動態選擇多個工具 → 用 MCP，特別是工具數量超過 3 個的場景
  • 跨服務複雜任務 → MCP 的優勢最明顯，像 Airtable + Airbnb 這種多步驟整合

🧠 三大 AI 核心概念快速記憶

我在影片最後用了很多比喻幫大家記住，我就是「一直碎碎念，唸到你會為止」：

LLM — 百科全書

「你可以把 LLM 想成一個超強的百科全書，基本上集合了人類網路知識裡面的最強大腦。」主流 LLM 包括 OpenAI 的 ChatGPT（4o、o1 等）、Google 的 Gemini、Anthropic 的 Claude、Meta 的 LLaMA。

重點：LLM 不是法師，不能夠通靈跟觀落陰。 你問什麼、怎麼問，會影響回答是不是精準，所以正確的問問題是很重要的能力，一定要給它背景知識。

AI Agent — 大樓保全

「AI Agent 就是會動手做事的智慧助理，幫你查資料、建資料、甚至刪除或更新資料。」它是一個任務導向的智能助手，透過語言能力 + 記憶能力 + 工具使用三個元件來完成任務。

在 n8n 裡面，AI Agent 的工作方式是藉由語言模型（Chat Model）、記憶（Memory）、還有工具（Tool）來執行所有的任務。

MCP — 大家一起說英文

「MCP 就像一個翻譯官，就像我們那個聯合國的翻譯官，你提供一個統一的語言協定，來讓 LLM 跟各種外界的工具做溝通。」

也可以想成 Type-C 的通訊協定 — 統一的介面，所有設備都能插。

軍事比喻：「不同國家的特種部隊一起出任務的時候，MCP 就是那個通用語言。AI Agent 是士兵，負責執行任務；MCP 是 Buff（輔助加成），讓士兵之間用英文溝通理解跟協作。」

重點整理

  1. LLM 是百科全書：具備語言理解跟生成能力的語言模型，問什麼都能回答
  2. AI Agent 是保全：具備任務執行跟決策能力的智能代理人，透過語言 + 記憶 + 工具三元件運作
  3. MCP 是統一的英文：串接 AI 模型跟應用程式的標準通訊協定，提升整體整合跟運作的效率
  4. MCP 只用兩招：List Tool（列出可用工具）+ Execute Tool（執行選定工具），比傳統 5-6 個工具方法簡潔很多
  5. MCP 會比較慢：因為多了確認工具的流程，但帶來的是模組溝通標準化和上下文任務彈性
  6. MCP 不是十全十美：偶爾會有語意理解錯誤，不是每次都 100% 成功
  7. System Prompt 用英文：中文有時候會怪怪的，英文比較好對焦
  8. 三者搭配是 AI 潮流：LLM + AI Agent + MCP，速度非常快，趕緊學起來

常見問題 FAQ

MCP 跟傳統 API 工具到底差在哪裡？

傳統 AI Agent 是透過定義好的 API 和記憶模組來完成指令，每個工具你都要個別設定。MCP 的差異在於，AI Agent 會先透過 List Tool 問 MCP Server「你有哪些方法」，然後再根據語意理解自動選擇 Execute Tool 執行。 我在 Demo 裡比較了兩種方式，傳統方式需要掛 5-6 個 Airtable 工具（List、Get、Create 等），MCP 方式只需要 List Tool + Execute Tool 兩個模組。最大的差異是，MCP 有一個統一的介面，「我們不用去修改它的 API，我們可以直接去調用這個方法，它已經幫你寫好了」。

MCP 的語意理解真的穩定嗎？

不是 100% 穩定，我在 Demo 裡就遇到了。 查詢「請給我潛在機會的客戶名單」時，MCP 版本第一次沒辦法正確獲取結果，「可能是什麼原因，肯定是剛剛在語意理解的時候有問題的」。重新執行一次之後才成功。我的建議是：System Prompt 用英文寫，因為「它會比較好對焦」；另外下指令時盡量明確，不要模糊。中文會差一點，英文會比較好。

MCP 適合什麼樣的任務場景？

MCP 最適合需要跨多個工具、動態選擇的複雜任務。 像我在影片裡 Demo 的第三個情境：先從 Airtable 找潛在客戶 → 提取地址 → 用 Airbnb 搜尋住宿，全部一氣呵成。但如果你的流程很固定，就是 A → B → C，傳統方式其實更直覺、效能也更好。「AI Agent 不管有沒有用 MCP，其實都可以完成任務」，差別在於 MCP 帶來模組溝通標準化跟上下文任務彈性。

LLM 跟 AI Agent 到底什麼關係？我一直搞混

LLM 只是 AI Agent 的其中一個元件。 我在影片裡用保全的比喻解釋：AI Agent 需要三個能力 — 語言能力（LLM 提供）、記憶能力（Memory 模組）、工具使用（Tool 模組）。「AI Agent 除了使用 ChatGPT 的模型作為大腦，還要多記憶能力跟外部的工具。」所以 LLM 是大腦，AI Agent 是整個人，MCP 是讓它溝通更高效的語言能力。在 n8n 裡面，Chat Model 就是 LLM、Memory 就是記憶、Tool 就是工具，三個加在一起就是 AI Agent。

MCP 有六大元件是什麼意思？

MCP 的完整架構確實有六大元件，但在 n8n 裡面最常用的就是 Tool。 我在影片裡有提到 MCP 的六大元件包括 Tool、Prompt、Resource、Transport 等，其中 Transport 是在溝通的時候做加密。不過對於 n8n 使用者來說，你只需要搞懂 List Tool 和 Execute Tool 就夠了。「下一支影片我們會 Deep Dive 這個 MCP 的核心設計，包含 Tool、Prompt、Resource、Transport 這些關鍵的元件。」

我可以拿到 Demo 裡的 n8n 工作流嗎？

可以！我在影片裡有提供免費的 JSON 模板。 「MCP 示範的 AI Agent 免費模板提供給大家，下載連結在下面，只要下載 JSON 檔匯入就可以使用囉。」你可以在 GitHub 範例模板 找到完整的工作流檔案，直接匯入你的 n8n 就能開始測試。

🎯 下一步行動

🎓 想更有系統地學會這些技巧？ 到 AI 職場工作術（雲端方程式 Cloud F1 旗艦課程） 看看完整的實作路徑。

如果你看完這篇，想要動手試試 MCP，我建議的路徑是：

  1. 看影片 Demo：先看我的 YouTube 教學影片，跟著 Demo 走一遍會更有感覺
  2. 下載模板：到 GitHub 下載 JSON 模板匯入 n8n
  3. 先做簡單查詢：像我 Demo 的情境 1，用「請給我客戶名單」測試基本功能
  4. 再做複雜任務：嘗試像情境 3 一樣串接多個 MCP Server
  5. 遇到問題來交流：到 Skool 社群 跟其他學員討論

🚀 想學更多 n8n 自動化技巧？ 加入我們的 Skool 社群，和其他自動化愛好者一起學習交流！

🔗 相關資源

🚀 想學更多 n8n 自動化技巧？ 加入我們的 Skool 社群，和其他自動化愛好者一起學習交流！

✍️ 關於作者：Alex 是一位專注於 n8n 自動化和 AI 應用的技術教育者，透過 YouTube 頻道和 Skool 社群幫助超過數千位學員掌握自動化技能。

想把這篇學到的用進日常工作？

「AI 職場工作術」課程把這類實戰經驗整理成一步步的教學，帶你系統化練出跟 AI 協作的產能。

看 AI 職場工作術課程 →

本文作者：Alex Hsieh，SRE / DevOps 背景出身，現為企業 AI 導入顧問，也是「AI 相談室」課程講師。專注把 AI 自動化真正落地到企業日常流程，而不是停留在 Demo。

目錄
  1. 專業導讀
  2. 你將學到
  3. 🎯 什麼是 MCP AI Agent？
  4. LLM、AI Agent、MCP 三者的關係
  5. AI Agent 的三大核心能力
  6. MCP 的核心運作方式
  7. Alex 的實戰觀察
  8. 觀察 1：MCP 會比傳統方式慢一步
  9. 觀察 2：模組數量大幅減少
  10. 觀察 3：語意理解偶爾會翻車
  11. 觀察 4：MCP 強在溝通，不是記憶
  12. 🔧 3 個 n8n AI Agent 實戰 Demo
  13. 情境 1：基本客戶名單查詢
  14. 情境 2：條件篩選查詢
  15. 情境 3：多步驟複雜任務（Airtable + Airbnb）
  16. 📊 MCP vs 傳統 AI Agent 實測比較
  17. 我的選擇建議
  18. 🧠 三大 AI 核心概念快速記憶
  19. LLM — 百科全書
  20. AI Agent — 大樓保全
  21. MCP — 大家一起說英文
  22. 重點整理
  23. 常見問題 FAQ
  24. MCP 跟傳統 API 工具到底差在哪裡？
  25. MCP 的語意理解真的穩定嗎？
  26. MCP 適合什麼樣的任務場景？
  27. LLM 跟 AI Agent 到底什麼關係？我一直搞混
  28. MCP 有六大元件是什麼意思？
  29. 我可以拿到 Demo 裡的 n8n 工作流嗎？
  30. 🎯 下一步行動
  31. 🔗 相關資源

相關文章