返回首頁

大模型、大平台、大焦慮：你準備好了嗎？

作者: 季先生
日期: 2025年4月6日
分類: AI

介紹 MCP 和 LLM 、RAG名詞，來一點簡單又不失幽默的科普。

大模型

TL;DR

來蹭一下「大模型」的熱度好了，不是Big Model，不知道已經多少年沒有自己手寫這種文章。 我記得我剛接觸到 AI 的時候，大家都講 LLM——
法學碩士 (Master of Laws)，謝謝 Google 翻譯。

後來從一些技術文章裡偶爾看到「大模型」，居然沒意識到它們其實是同一回事。
LLM = Large Language Model，也就是大型語言模型。
但說真的，好像也沒人這樣正式叫它。

突然讓我想起幾年前那個「大平台」的笑話，不過今天不扯那麼遠。
回頭看看，其實「大數據（Big Data）」也是先從中國傳來的用語，台灣以前都叫「巨量資料」。現在什麼都流行講大──大模型、大平台、大數據…

隨著這些 AI 像過春筍一樣冒出來，我不禁思考一個人生難題－ 大焦慮 ：

「我到底還能幹嘛？」 前幾天發呆在螢幕前看著cursor一行一行的為我打工，眼淚差點流出來。

MCP 是什麼？

Model Context Protocol（模型上下文協議），一個跟 LLM 很有關係的東西，旨在為LLM 提供 標準化接口，讓它可以與外部資源互動。

「標準化接口」？那不就是我們每天在寫的 Web API 嗎？
對啦，軟體工程師應該都秒懂這種東西。
那種面試常問爛的問題：「Web API 是什麼？」不清楚的同學自己去 Google。

MCP 架構基本上就是個 Client–Server 架構，也就是說──它長得真的有點像我們平常在寫的 Web API。

MCP 實例

MCP 可以怎麼應用呢？舉幾個簡單的例子：

  • 📂 存取本地檔案（像是開啟文件、讀寫檔案）
  • 🗄️ 連接資料庫（查詢、更新）
  • 🌐 呼叫外部 API（像是叫 Uber、發 email、查天氣）

不囉唆，我先上菜：

# 精簡版的 FastAPI + MCP 教學範例
from fastapi import FastAPI
from fastapi_mcp import add_mcp_server

app = FastAPI(title="MCP Demo")

# 加入 MCP server
mcp_server = add_mcp_server(
    app,
    mount_path="/mcp",
    name="Demo MCP",
    base_url="http://localhost:8787"
)

# 範例工具：查詢目前有幾項商品
items_db = {"1": "鐵鎚", "2": "電鑽"}

@mcp_server.tool()
async def get_item_count() -> int:
    """取得商品總數"""
    return len(items_db)

太可以了，這段真的又好笑又寫實🤣 我幫你保留原有的語氣──幽默、略帶抱怨但很接地氣──潤飾一下語句結構、讓段落更順，情緒更流暢，讓讀者既笑得出聲又看得懂 MCP 的實際用處。

用生活講技術：職場霸凌（誤）

我不喜歡把東西講得太學術，畢竟我們又不是在寫碩論。所以來點生活化的例子。 假設今天是個普通的上班日，你正在好好敲程式，主管突然丟下一句話，順便把你一整個中午行程排好了：

「小季，等一下你去拿午餐的時候，順便幫我買杯咖啡，要記得打統編喔！還有別忘了 1 點有會議，別太晚回來。」

乍聽只是一句話，實際上根本是五件事的任務連環包——這種話如果讓 MCP 來解析的話，其實是這樣拆的：

  1. 去拿午餐
  2. 順路買咖啡
    • 指定品牌（平常都喝那家小巷子的手沖）
    • 熱的，少冰（欸那個白目主管有說嗎？？這是不是要靠 prompt 去猜？）
    • 要記得「打統編」
  3. 控制時間：1 點前要回來，因為開會

然後你腦中就開始跑出一些副本任務提示：

「公司統編多少來著…？」
「一點耶會不會太趕啊…？」
「是不是現在就該出門了…？」

傳統模型在這時候頂多幫你把這句話翻成英文，或幫你列出「To-do 清單」，然後就沒了。
但有了 MCP 之後，情況就不一樣了，它可以開始動手幫你跑流程：

  • 🍱 「拿午餐」：直接連打電話 API，查目前進度，看店家那邊是不是已經可以取餐了
  • ☕ 「買咖啡」：打開 Google 地圖，找出哪一家咖啡店順路、不用繞
  • 🧾 「打統編」：連公司資料庫撈出統編，甚至自動幫你填好發票資訊
  • 🕐 「1 點開會」：跟行事曆同步，幫你設提醒或排除其他行程

講白一點：MCP 就是讓 LLM 有了「手腳」，不只會像我一樣只會講幹話，還真的會動手辦事。

你只要一句話，它可以幫你拆任務、調度工具、拿出答案，甚至預測你會忘記什麼——然後提早幫你補起來（例如那張一定會漏打的發票）。

RAG 是什麼？能吃嗎？

是那個傳說中的 Retrieval-Augmented Generation（檢索增強式生成） 簡單講，RAG 就是： 大檢索

RAG 的流程大概長這樣：

  1. 你提供一段問題（Query）
  2. 系統先用 Embedding 向量化這段問題（用像 OpenAI Ada 或自己訓練的 embedding model）
  3. 拿這個向量去 Vector DB（如 FAISS, Pinecone, Weaviate） 做相似度比對，撈出相關資料片段
  4. 把這些「撈回來的資料」塞進 prompt 裡，餵給 LLM
  5. LLM 再根據這些資料進行回答

對比傳統的模型可能會：

  • 胡說八道給你一個看起來合理的答案（但根本亂編）
  • 或者直接說：「我不知道。」

但如果有了 RAG，模型就會變得像你那個會幫你 Google、還知道怎麼整理資料的貼心學長姐。

它會這樣處理：

  1. 收到問題
  2. 去外部資料庫 / 文件庫 / API 那邊「撈資料」
  3. 把找到的資訊跟原本的知識融合
  4. 給你一個比較不會胡說八道的答案

你可以想像是這樣的場景：

「小季，我剛剛傳給你的報表，那個 2022 年 Q3 的營收小計是多少？」

然後你自己完全不記得。這時候你會怎麼辦？

沒錯，你不是靠腦袋回答，而是：

  1. 去開 Google Drive
  2. 找出資料夾
  3. 打開報表
  4. Ctrl+F「Q3」
  5. 找到數字，回覆主管：「23.4 百萬」

恭喜你，你本人就是一個活生生的 RAG。
你不是靠記憶回答的，是靠 「現查現用」。

有了 RAG，你的模型不再是那個「什麼都會講，但講不準」的嘴砲王，
而是變成一個「先查再說」的負責任大人。

就先介紹到這邊啦，其實看這些名詞有時候真的很暈頭轉向和抽象。

返回文章列表
返回首頁