我用了三天配好的AI工具,被一个不用MCP的项目一句话气到了

去年年底，我折腾了一个MCP服务器，前前后后花了三天。

调通的那一刻，我觉得自己挺厉害的。

然后我看到有人在讨论OpenClaw。有人问他们为什么没有用MCP，得到的回答只有一句话：

「CLA能做的，MCP做不到；MCP能做的，CLA也能做。」

我盯着这句话看了很久。

那三天，突然不值钱了。

MCP是什么，以及它为什么让人又爱又恨

MCP（Model Context Protocol）是Anthropic推出的一套工具调用协议。

简单说，就是给AI装插件。你写一个server，定义好工具的输入输出，AI就能通过这个接口调用各种能力——搜索、查数据库、发邮件、操作文件，等等。

理念很美好。

社区也确实热闹了一阵。

但用过的人，大多都有这种体验：

一开始兴冲冲，写server，配schema，调试JSON。搞定之后发现，这个工具只在当前客户端能用。换一个环境，全得重来。任务稍微超出预设范围，AI就卡壳，什么都做不了。

X上有工程师吐槽，说为了让AI帮他查一下内部Wiki，他写了整整一个下午的MCP server，最后发现如果直接让AI开浏览器去找，十分钟就完事了。

评论区一片共鸣。

这种共鸣背后，是一个真正的问题：

MCP的设计逻辑，是不是从一开始就走偏了？

01 工具的本质是限制，不是赋能

听起来有点反直觉，但仔细想想不难理解。

每一个工具，都是对能力的一次具体化。

你设计了一个”搜索工具”，AI就只会在这个工具里搜索。

你设计了一个”发邮件工具”，AI就只能按你预设的格式发邮件。

工具的边界，就是AI能力的边界。

而人类能预设的工具，永远跟不上真实任务的复杂性。

现实里的任务不是这样的。

现实里的任务是：帮我把这份报告里的数据，整理成表格，发给对应的人，然后在日历上帮我定一个讨论会议。

这个任务要穿越多少个工具的边界？

如果每一个步骤都要有人预先写好对应的MCP server，那AI所谓的”自主能力”，不过是人类脚本的另一种包装而已。

一位做AI基础设施的工程师说过一句话，我觉得很到位：

「我们花了大量时间告诉AI能做什么，却忘了问AI想怎么做。」

02 CLA给的不是工具，是一双手

CLA模式（Claude Computer Use，也是OpenClaw采用的核心架构）的逻辑，和MCP截然不同。

它不给AI装插件。

它给AI一个可以直接操作的环境——浏览器、终端、文件系统、GUI界面。

AI看到屏幕，移动鼠标，点击按钮，输入文字。

就像一个真正的人坐在电脑前工作一样。

没有预设接口，没有schema定义，没有server配置。

任务来了，AI自己想办法。

这个差异，听起来只是技术路线的不同，但背后的含义完全不一样。

MCP的世界里，AI的能力上限，是所有已经写好的工具的总和。

CLA的世界里，AI的能力上限，是AI自身的理解能力和规划能力。

哪个天花板更高，不用多说。

有人做过一个测试：同样的任务，让MCP方案和CLA方案各跑一次。MCP需要提前准备7个工具，CLA需要准备的是：什么都不用准备。

03 真正的AI原生，不需要插件市场

OpenClaw是一个很有意思的例子。

它能调浏览器、操作文件、发飞书消息、管理代码仓库、运行终端命令——能力覆盖面不比任何一个MCP生态差。

但它的核心架构里，几乎没有MCP的痕迹。

用的是什么？

CLA模式 + 原生tool-use的组合。

AI直接感知环境，直接规划行动，直接执行。

工具不是插件，而是AI的延伸。

这就是”AI原生”的真正含义——不是给AI一套人类设计好的工具体系，而是让AI在真实环境里直接解决问题。

一个用过这套架构的开发者说：「第一次看到AI自己打开浏览器查到我要的信息时，我突然理解了为什么MCP感觉越用越别扭。那不是AI在工作，那是AI在执行我写好的脚本。」

不是MCP不好，是它的前提假设过时了

我无意全盘否定MCP。

在某些场景下，它依然有价值——比如需要严格接口管理的企业环境，比如对安全边界要求极高的系统。

但有一个前提假设，正在快速失效：

AI需要人类预先定义好工具，才能行动。

当AI有了直接感知和操作环境的能力，这个假设就站不住脚了。

工具调用，会慢慢从”必要条件”退化成”可选选项”。

有些任务，你给AI一双手，比给AI一箱工具，更有用。

▽

有句话我一直记着：「技术的最高境界，不是功能越来越多，而是越来越少的东西，能做越来越多的事。」

MCP走的是加法。

CLA走的是减法。

历史一次次证明，减法更难，也更持久。

点个推荐，与朋友们共勉。