AI编码|团队新基础设施?MCP协议在AI辅助编程中的质量保障作用

开发者们正在发现，模型上下文协议（Model Context Protocol，MCP）在为AI编码代理提供高度相关的软件工程上下文方面表现出色，能够在运行时按需提供这些上下文。

不可否认，业界对模型上下文协议（MCP）——这个用于连接AI助手与外部数据、工具和API的开放协议——充满热情。自Anthropic在2024年底首次推出MCP以来，已有数千个MCP服务器涌现，覆盖DevOps、云计算等多个领域。

随着开发者将MCP服务器集成到应用程序中并经过实际验证，使用模式逐渐清晰。例如，根据Zuplo在2026年初发布的《MCP现状报告》，为AI提供更好的上下文是使用MCP最常被提及的主要价值。该报告还发现，63%的MCP用户采用MCP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编码代理提供相关数据和能力，以提高其输出的准确性和相关性。它还包括优化信息广度以指导高效处理。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等平台的外部数据。

"MCP支持上下文工程，因为它为AI系统连接各种业务工具创建了标准方式，"产品体验平台Pendo的CEO Todd Olson表示。"关键优势在于，代理会根据问题确定所需上下文，然后使用适当的MCP服务器实时获取该信息。"

随着AI辅助编码的兴起，MCP正成为跨各种来源进行实时动态搜索和检索的门户，在上下文工程工作中发挥重要作用。基础设施编排平台Spacelift的解决方案架构师Joey Stout将其称为"氛围编码的救星"。

MCP如何增强上下文工程

通过MCP，代理可以获取与当前任务上下文相关的结构化数据。Sonar的集团产品经理Edgar Kussberg表示，MCP加速了工程师日常必须执行的知识搜索工作。

"当工程师需要回答问题时，他们不会仅依赖记忆，"Kussberg说。"他们会导航代码仓库、仪表板、CI系统、文档和安全报告，根据需要从每个系统中提取信息。MCP赋予了AI代理同样的能力。"

许多最受欢迎的MCP服务器通过检索上下文信息来改进代理编码。例如，来自Context7的MCP服务器提供最新文档，而来自Filesystem的服务器则从本地机器上的任何目录中提取数据。Sentry的MCP服务器访问生产问题和错误，SonarQube的服务器暴露安全问题，Multiplayer的服务器返回用户会话数据。

在这些情况下使用MCP的好处在于，它避免了在每个提示中放入大量代码块的需求。WaveMaker（一个代理开发平台）的代理平台工程负责人Venugopal Jidigam表示："像相关方法、依赖项或最近变更这样的编码上下文可以在运行时调用。'MCP服务器组装并返回有作用域的、结构化的上下文，模型随后使用这些上下文进行推理并准确响应。'"

另一个常见的上下文收集示例是检索机构知识。"代理不会将这些知识硬编码到模型中，而是使用MCP在运行时检索相关文档或数据，"数据和分析平台提供商Incorta的首席机器学习工程师Ebrahim Alareqi说。"这使代理保持轻量级，同时在需要时仍能访问企业特定上下文。"

其他人赞扬MCP为代理数据检索带来了通用标准。"MCP提供了使上下文工程变得实用的基础架构，"API平台提供商Merge的联合创始人兼CTO Gil Feig表示。没有标准，团队最终会构建脆弱的自定义数据管道，这些管道经常中断，他补充道。

使用MCP收集上下文的优势

AI辅助编码面临一些挑战。最突出的是信任问题。根据Sonar 2026年的《代码开发者调查报告》，绝大多数开发者不相信AI编码代理的输出——这一比例高达96%。第二个挑战是审查和调试AI生成代码所花费的时间增加。2025年底的StackOverflow调查显示，近一半的开发者报告称对"几乎正确，但不完全正确"的AI解决方案感到沮丧。

上下文工程以及为此目的使用MCP，可以帮助克服其中许多挑战。使用MCP服务器，工程师可以自动将相关日志或内部数据附加到他们的提示中，显著优化LLM处理，避免不相关的输出。

最终结果是准确性提高。"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，"数字产品工程公司R Systems的数据和AI副总裁Neeraj Abhyankar说。"这使提示更加精简，减少幻觉，并确保模型在任务相关上下文中运行。"

另一个巨大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实现与底层模型更高效的交互。"MCP工具可以通过确保你使用正确的东西为你节省数千个token，"Spacelift的Stout说。

Stout特别强调了GitHub MCP服务器。"它现在可以直接从GitHub访问特定文件，执行GitHub搜索以及你期望在引用GitHub时的所有功能，"他说。"MCP使从GitHub检索数据变得好了一百万倍。"

使用MCP还增强了企业范围内的自主性和可扩展性。"团队可以停止依赖部分视图或轶事证据，而是基于共同理解进行操作，"Pendo的Olson说。这大大减少了通常涉及的工具连接、报告构建或循环团队成员的摩擦，他补充道。

总体而言，专家们表示，MCP在上下文工程中的好处众多。标准化MCP可以提供更聚焦的提示，生成更明确和相关的上下文，降低LLM幻觉的可能性，并优化代理的操作内容。这反过来可以减少验证和调试所需的手动审查，从而在这个过程中收回一些开发者时间。

这些好处共同旨在解决AI生成代码和代理工作流中固有的许多核心问题。"MCP将AI开发从脆弱的提示调优转变为可重复的工程，"WaveMaker的Jidigam说。"结果是一致的行为、最小的数据暴露，以及可以扩展的AI系统。"

是否采用MCP

专家们一致认为，MCP可以超越检索增强生成（RAG），以更优化的方式提供更及时、更相关的内容。"传统的知识库和RAG管道依赖于预索引的快照，"Sonar的Kussberg说。"在快速变化的环境中，这些内容很快就会过时。"

出于这个原因和其他原因，MCP为开发者解锁了各种可能性。尽管如此，该协议并非适用于所有用例的银弹。在某些场景中，它面临着与其他代理协议的竞争，而在其他场景中，它甚至与简单的CLI或直接API访问相抗衡。

MCP服务器组合的膨胀也可能大幅增加LLM输入，需要警惕的优化技术来避免达到token限制。这些策略包括有意设计工具、渐进式披露、自动发现和其他新兴技术。

此外，还存在与MCP相关的安全问题。MCP协议本身的安全模型已经相当成熟，但实施者有责任强制执行正确的权限。"当正确实施时，MCP允许你强制执行基于策略的访问控制，"Merge的Feig说。这应该防止初级工程师访问他们无权访问的日志，即使代理拥有更广泛的权限，他补充道。

为了增强在企业开发环境中使用MCP的信心，许多专家建议使用MCP注册表，其中包含经过审查、受治理且批准内部使用的MCP服务器。其他工具和实践，包括代理技能、代码模式以及新兴的确定性AI规范，也承诺在为代理建立上下文方面发挥重要作用。

除了MCP本身，Stout建议使用Claude Code的工具搜索功能，该功能可以在不使用token窗口的情况下搜索工具。他还强调了Sisyphus，一个与OpenCode兼容的代理，用于将模型与不同任务匹配，以及Plannotator，一个用于Claude Code和OpenCode的插件，可用于规划项目，这两者都可以帮助优化。

上下文为王

MCP开发的步伐正在加速。Bloomberry对1,400个MCP服务器的分析显示，在2025年8月至2026年2月的六个月内，数量增长了232%。有趣的是，读操作比写操作多出两倍，表明这些服务器正在执行大量的数据检索。

展望未来，上下文工程预计将作为软件学科继续巩固自身地位，而MCP将拥有将API转变为代理推理引擎的力量。正如Jidigam所说，"类似MCP的抽象将成为标准基础设施，就像REST在早期时代所做的那样。"

其他人同样充满信心。"在上下文工程中，MCP成为代理用于访问上下文、工具和操作的控制平面，"Incorta的Alareqi补充道。"随着软件变得越来越由代理驱动，它将成为基础。"

核心要点是：MCP已经在上下文工程中扮演重要角色，并将继续如此。作为AI系统与数据之间的标准接口，MCP是运行时动态跨平台上下文检索的主要载体，允许工程师获取文档、API参考、策略、可用操作等。

然而，这并不意味着上下文工程已经达到了顶峰。展望未来，Kussberg表示，上下文工程将从获取信息演变为协调信息，在此过程中结合多个MCP。他说，这将需要在强制执行标准、评估风险和更频繁地验证变更方面增加纪律性。

因此，开始使用MCP进行上下文工程，并密切关注你的MCP服务器如何影响LLM token使用和塑造工作流程。上下文与非上下文之间的区别很重要。因为，正如人们所说，上下文为王。

AI测试｜如何构建一个工程师真正会听取意见的AI代码审查工具

AI时代下，软件测试岗位正在消失吗？——全球科技公司的QA转型、裁撤与重构

大厂技术密集更新：OpenAI、Anthropic、微软等AI智能体与云原生工具重塑开发测试流程

规模化AI部署：工程团队面临的真实挑战

破解AI代码智能体测试幻觉：SpecBench基准与“奖励作弊”防控指南