Claude 4的发布与亮点 - Claude 4在编码方面显著提升，能够避免目标偏离效应、过激响应倾向或奖励机制滥用，提高了专业软件工程的可维护性和可靠性 [5] - 新模型解锁了更具智能体性质、更长时间的任务，例如可以无人值守地运行许多小时完成大型代码重构 [7] - 在非编码用例中，Claude 4能够完成复杂的工作流，如将视频转换成PowerPoint，通过多步骤处理实现自动化 [7] - 模型采用成本优化策略，可以根据问题难度决定投入多少计算资源，例如使用Sonnet作为子智能体处理特定任务 [9] AI模型的未来架构演进 - 未来AI架构可能向模块化与专业化方向发展，类似人脑的模块化处理方式，由高层智能体统筹安排专门化的子智能体 [10] - 通过机制可解释性研究，发现模型内部存在专门负责特定功能的权重块，如共情响应、工具使用或图像分析 [10] - 未来可能发展出更复杂的架构，不再是均匀的Transformer主体模型，而是包含专门模块的混合架构 [10] Anthropic的模型开发策略 - 公司保持简单的模型区分策略，根据成本、性能的帕累托前沿来区分模型，未来可能增加更多模型但仍保持同一前沿标准 [12] - 在编程等关键应用领域，公司选择直接与用户建立关系，推出Claude Code产品以加速学习和改进 [13] - 编程能力被视为三重重要领域：受欢迎的客户应用场景、有价值的数据集、以及训练未来模型的重要工具 [14] AI弱监督学习实现自我改进 - 采用Constitutional AI方法，通过自然语言原则让模型自我批评和修改回应，帮助模型更好地嵌入原则 [21] - 在无法直接衡量正确性的领域，使用偏好模型汇总专家反馈，通过强化学习代表人类判断 [22] - 强调经验主义方法，通过与现实世界合作获取验证，如与生物医药公司合作缩短研究报告时间 [23] AI安全的多维挑战 - 安全研究关注从日常问题到严重危害的连续谱系，如从语言使用到生物安全风险 [26] - 采用Responsible Scaling Policy(RSP)确保随着模型智能化提升，部署时做好相应安全防范措施 [28] - 重点关注生物安全领域，因为制造生物危害所需资源相对较少，潜在风险更大 [29] 模型标准化协议与生态共建 - 推出Model Context Protocol(MCP)，建立标准化方式获取更多信息和上下文进入模型，促进全生态系统集成 [35] - MCP作为一种民主化力量，允许任何服务提供商与模型进行标准化集成，无论规模大小 [37] - 支持远程MCP使非开发者也能受益，如Google Docs等服务可以通过MCP与Claude AI集成 [38]

MCP协议概述 - MCP是一个开放协议，标准化了应用程序向LLM提供上下文的方式，类似于AI应用的USB-C端口[1] - 该协议旨在让LLM成为代理并与世界互动，通过标准化API实现模型与数据源/工具的连接[2] - 核心设计为JSON-RPC协议，带有预定义方法/端点，专为LLM交互场景优化[6] 行业竞争格局 - IBM推出正交标准ACP（代理通信协议），谷歌发布Agent2Agent（A2A），形成与MCP的竞争[2] - ACP和A2A聚焦于"代理的代理"场景，但大部分功能可通过MCP原样或扩展实现[31] - IBM承认ACP非必需，其本质是推广代理构建工具BeeAI的商业策略[32] 技术实现问题 - 主要传输协议包括stdio和两种HTTP变体（HTTP+SSE/Streamable HTTP），设计存在严重缺陷[8][10] - HTTP传输方案复杂度过高：需管理跨服务器状态、存在4种SSE开启方式和3种响应路径[23] - 文档质量低下，缺乏实现指导，主要厂商投入数十亿美元训练模型却忽视工程实践[3][13] 协议设计缺陷 - HTTP+SSE模式强制全双工通信，需客户端建立SSE会话后通过独立端点提交写入操作[17] - Streamable HTTP引入安全隐患：会话劫持/重放攻击风险，授权机制与传输方式绑定[24][25] - 状态管理漏洞显著，服务器需维护会话状态直至显式终止，扩大DoS攻击面[26] 改进建议 - 应弃用现有HTTP方案，采用WebSocket实现与stdio对等的双向通信[11][28] - 需针对常见用例优化而非特殊场景，减少极端情况处理负担[30] - 行业应建立统一标准，避免IBM/谷歌等厂商通过碎片化协议争夺生态控制权[31][32] 实施现状 - Anthropic主导MCP标准化，认为LLM将承担大部分编码工作，故重视开发者体验[5] - 当前实现集中在Python/JavaScript，缺乏Rust/Go等适合生产环境的语言支持[15] - 实际部署依赖Docker容器，暴露依赖管理混乱问题，典型如Hugging Face的依赖地狱[14]

图片来源： a16z Z Highlights Agent正在兼具合作者、消费者的身份，我们预计基础开发工具会发生变化。 prompt语可以像源代码一样对待，仪表板可以变得像对话一样，文档既是为人 类写的，也是为机器编写的。MCP（模型上下文协议）和IDE（AI本土集成开发环境）指向开发循环本身的更深层次重构：我们不仅仅在编写代码，更在 为一个Agent完全参与软件循环的世界设计工具。 接下来，我们将探讨九种前瞻性的开发者模式，尽管它们仍处于早期阶段，但它们扎根于实际的痛点，并展露出未来可能出现的趋势。这些模式包括重新 思考AI生成代码的版本控制，基于大语言模型（LLM）的用户界面和文档等。 让我们深入了解每个模式，并通过开发者社区的示例和见解进行分析。 开发者们已经不再将AI仅仅视为工具，而是开始将其视为构建软件的新基础。我们曾经理所当然接受的许多核心概念——版本控制、模板、文档，甚至用 户的概念——由Agent驱动的workflow面前，它正在被重新思考。 AI本土Git：重新思考AI Agent的版本控制 现在，AI Agent越来越多地编写或修改应用程序代码的大部分内容，开发者关心的事情开始发生变化。 ...

本文转载自「深思圈」 未来，对于开发者来说，AI 不再是工具，而是构建软件的全新基础。 基于 AI Agent 驱动下，版本控 制、模板、文档，甚至用户概念正在被重新定义。 近日，a16z 发文提出了 9 个未来开发者趋势，虽然还处于早期阶段，但都是基于真实的痛点，非常具 备前瞻性。这些趋势包括重新思考 AI 生成代码的版本控制，到大语言模型驱动的用户界面和文档。 TLDR： Founder Park 正在搭建「 AI 产品市集」社群，邀请从业者、开发人员和创业者，扫码加群： AI Agent 编写或修改大量代码，开发者更关注代码输出是否符合预期，而不是具体的代码行。这 就导致「真相的上移」，prompt 和测试组合成为新的「真相」，进而促使意图驱动的版本控制出 现，未来可能将 prompt + 测试包作为可版本化的单元来跟踪。 传统仪表板是静态的，展示固定的指标，用固定的方式。但 AI 驱动的仪表板可以根据用户当前 的任务、角色、甚至过去的行为模式来重新配置。 文档正在逐步演变为交互式知识系统，这些系统具备语义搜索能力，可以作为编码 Agent 的上下 文来源。未来的文档可能会有三个层次：人类阅读层（有故事 ...

行业动态 - 4月国内各大科技公司加速布局智能体与MCP服务，阿里云百炼、蚂蚁百宝箱、字节扣子空间、360纳米AI、百度等相继推出相关功能 [1] - 百度在4月25日AI开发者大会上展示千帆、心响等多款产品接入MCP的案例，百度优选成为国内首个支持电商交易的MCP服务 [13] - 蚂蚁数科4月29日发布智能体开发平台Agentar，内测国内首个金融MCP服务广场 [1] 技术应用 - MCP服务显著提升智能体效率：字节扣子空间接入墨迹天气等MCP后，H5生成任务耗时从22分钟缩短至4分钟 [9] - 金融领域应用突破：盈米基金4月8日推出业内首个财富管理MCP Server，已上线阿里云百炼平台 [22] - 跨平台协作案例：必优科技ChatPPT MCP服务同时上线百炼和千帆平台，盈米基金且慢MCP正在推进多平台接入 [21] 产品实测 - 阿里云百炼MCP服务接入厂商从4月10日的高德地图扩展到4月29日的盈米基金、广发证券等31个云部署和63个本地部署服务 [3][19] - 百度APP接入MCP后，咖啡厅查询功能从显示帖子升级为调用百度地图显示具体位置和距离 [15] - 360纳米AI提供"免安装"MCP服务，无需注册即可直接调用，降低使用门槛 [23] 商业模式 - MCP可能改变流量入口格局，传统平台广告等商业模式面临挑战 [26] - 行业专家建议采取开放生态策略，认为AI时代需要重新思考服务形态和商业闭环 [27][28] - 部分厂商通过MCP实现导流，但注册流程影响用户体验，存在商业价值与便捷性的矛盾 [23] 技术安全 - 4月24日行业推出首个智能体可信互连技术ASL，启动开源计划以解决MCP协作安全问题 [28] - 安全专家指出MCP潜在风险包括伪造工具窃取数据、跨平台风险识别缺失、身份鉴权不明等问题 [29] - 盈米基金采用企业级加密协议和多层级访问控制保障金融MCP安全 [29]

作者 | Tim Anderson 译者 | 平川 策划 | Tina 本文最初发布于 DEV CLAS 。 Docker 推出了自己的 MCP（模型上下文协议）目录和用于管理 MCP 工具的 MCP Toolkit。 MCP Catalog 是 Docker Hub 的一部分，该公司声称其有 100 多台初始服务器，可以访问来自 Elastic、Salesforce Heroku、New Relic、Stripe、 Pulumi、Grafana Labs、Kong 和 Neo4j 等供应商的第三方工具。未来，他们计划让企业发布自定义的 MCP 服务器，而 Docker 承诺将提供 "全面的企 业控制"。 MCP 的目的是为 AI 代理提供一个标准化的 API，用于控制这些服务器提供的服务，从而扩展 AI 代表用户执行任务的能力。如果您正在寻找一份友好的 入门指南，可以看一下我们为您准备的 MCP 实践指南。 MCP 由 Anthropic 公司于 2024 年 11 月推出，是 "一个连接 AI 助手与数据所在系统的新标准"。该协议被包括 OpenAI、微软和谷歌在内的许多公司迅 速采用；供应商们争先恐后地 ...