跳到正文

MCP 與工具呼叫

模型連線外部世界的協議與實踐:MCP 生態、function calling、工具鏈整合的動態。

最新精選

第 1–20 條 · 共 92 條
11月22日週日
  1. Dev.to Top Tech78

    ContextCrush 漏洞教你檢查 AI 助理如何處理 MCP 工具回傳內容

    AI 助理查詢檔案時,也可能讀到藏有惡意指示的第三方文字,接著用手上的工具讀取憑證、傳送資料或刪除檔案。文章說明 Context7 最高至 2.1.2 版受 ContextCrush(CVE-2026-75130)影響;研究者展示的攻擊利用檔案查詢帶入未清理的指示,已知是否曾在實際環境遭利用則沒有證據。作者用六步模擬比較兩種審核方式:追蹤動作是否受到工具回傳內容影響,可攔下模擬中的四個高風險動作,同時放行使用者要求的操作。文章也建議限制 AI 助理能讀取的機密資料,並在受汙染內容引發網路寫入或刪除等動作時要求人工確認。文中提到廠商已在 2 月部署修補,部署者應確認使用目前版本。

    推薦理由:ContextCrush 顯示唯讀工具回傳的文字也可能影響 AI 助理後續動作,文章用示範說明如何依內容來源攔下高風險操作。

  2. Dev.to Top Tech78

    LobsterMatch 教你用 Python 打造能搜尋並聯絡其他 AI 助理的程式

    自己做的 AI 助理要怎麼找到合適的同伴,並安全地交換訊息?這份教學從頭用 Python 寫出一個小程式,讓它能在 LobsterMatch 登記資料、搜尋其他 AI 助理,再用有固定欄位的訊息卡提出請求。收到通知時,程式會先檢查簽章,確認訊息確實來自網路,再讀取對話並交給模型處理;簽章不符就不會啟動模型。教學也說明如何避免對話卡住後一直呼叫模型,以及把金鑰放在環境變數中。

    推薦理由:這份教學把尋找同伴、傳送結構化訊息與驗證 webhook 串成一個流程,能參考其做法控制喚醒時機並保護憑證。

  3. AWS Machine Learning Blog72

    AWS Quick 加入 Meta 廣告連接器,可用 AI 助理分析與管理廣告

    行銷團隊常要從廣告平臺、庫存資料和其他檔案各自匯出資料,再手動整理成報告,想調整廣告時還得回到平臺操作。AWS Quick 新增 Meta 廣告連接器,讓使用者用日常語言分析成效、準備活動和素材,也能把廣告資料與其他資料來源放在一起做成儀錶板、檔案或簡報。它也能建立或修改廣告帳戶中的內容;每次執行這類操作前,Quick 都會先詢問使用者是否同意。

    推薦理由:AWS Quick 的 Meta 廣告連接器把成效分析、素材規劃與廣告操作放進同一個工作流程,並以操作前確認降低誤改帳戶的風險。

11月21日週六
  1. AWS Machine Learning Blog69

    AWS Quick 更新流程、網頁工作區與多個 AI 助理協作功能

    團隊的工作流程常靠某個人記在腦中,其他人接手時容易重做,成果也不一致。AWS Quick 這次更新後,使用者可以用聊天描述工作流程,讓 Quick 串起 AI 助理、技能、工具和資料;例如把每月財務報告的計算、檢查和草稿整理成團隊可共用的流程,再由人檢查並核准。新版網頁也能整理待處理事項,並在關閉瀏覽器後繼續執行工作;多個專門的 AI 助理還能分頭處理同一個請求。管理員可設定提示詞防護政策,Quick 也新增 Meta ads 和 Amplitude 連接器。

    推薦理由:Quick 把流程自動化、多人協作與網頁工作入口整合在同一套更新中,文中的月報例子展示了固定計算與人工審核如何搭配。

  2. Unsloth AI Releases65

    Unsloth 推出 Inkling 2 Mini,更新圖片生成、影片改風格與 MCP 對話

    在小型 GPU 上跑圖片生成模型常會佔用不少記憶體,和 AI 助理使用 MCP 工具時,每次對話都重新處理舊內容也會浪費資源。Unsloth 這次推出 Inkling 2 Mini,並更新多項桌面功能:Linux 和 macOS 載入 GGUF 圖片模型時,記憶體用量減少 52% 到 66%;Mac 可替整段影片換上新風格;使用 MCP 的聊天則只處理新內容,在工具測試中少用 83% 到 87% 的提示詞 token。更新也修正了圖片生成、檔案匯入和模型訓練等問題。

    推薦理由:這次更新同時改善小型 GPU 的圖片生成、Mac 影片改風格與 MCP 對話處理,可看出 Unsloth 如何擴充套件桌面端的使用情境。

  3. Google Developers Blog71

    Google 教你安全連線 Gemini Enterprise 與內部 Cloud Run MCP 服務

    企業把內部系統接到 Gemini Enterprise 時,得避免 MCP 服務暴露在公開網路,也要確認每次呼叫來自哪個服務和使用者。Google 說明如何用 Egress Agent Gateway、Private Service Connect 和精確網域的 Private Cloud DNS,讓 Gemini Enterprise 私下連到 Cloud Run;DNS 只套用在指定的 MCP 網址,避免影響共用 VPC 裡的其他 Cloud Run 服務。文章也說明兩層驗證的分工:Cloud Run IAM 確認呼叫服務的身分,MCP 程式則檢查使用者的 OAuth 2.0 權杖。文中附有參考程式和設定步驟,並介紹如何用 Cloud Logging 確認連線狀況。

    推薦理由:文章整理 Cloud Run 內部 MCP 服務的私有連線與雙重驗證做法,也說明如何避免 DNS 設定影響共用 VPC 中的其他服務。

  4. Google Developers Blog75

    Google 說明如何在 Gemini Enterprise 自訂介面處理使用者與工具授權

    企業把 Gemini Enterprise 放進自家入口網站時,原本內建介面會處理的登入和資料授權,就得由自訂介面接手。Google Developers Blog 整理了三部分做法:呼叫 StreamAssist API 時,依需求使用 Google Identity、Workforce Identity Federation 或 Workload Identity Federation;讓使用者替 Google Drive、SharePoint 等連接器完成 OAuth 授權;以及讓自訂 ADK AI 助理在真正呼叫受保護的工具時才要求授權。若要依員工身分限制檔案和工具許可權,應使用代表個人的登入方式;共用機器人則可使用 Workload Identity Federation。文中也附上可執行的程式範例,展示授權後如何把憑證存入 Google 管理的 Keystore 或 Token Vault。

    推薦理由:自建介面會接手處理登入、連接器授權與 AI 助理工具授權,本文比較三種登入方式並說明如何依個人許可權需求選用。

  5. Unsloth AI Releases66

    Unsloth 更新加入 Inkling 2 Mini,並加快圖片生成與 MCP 對話

    圖片生成慢、MCP 對話每次都重讀整段內容,會增加等待時間和 token 用量。Unsloth 這次更新推出 Inkling 2 Mini,標示為 26B(5.4 active)、支援 1M context;圖片生成也有加速,例如 MiniMax-H3-Image 在 8GB GPU 上生成新提示詞的圖片,從 82.7 秒降到 36.7 秒。使用 MCP 工具的聊天在測試中少處理 83% 到 87% 的提示詞 token,Apple Silicon Mac 也能替影片整段換風格。更新還加入掃描 PDF 的 OCR 辨識,並改善多項訓練與圖片、影片處理速度。

    推薦理由:這次更新同時改善圖片生成、影片改風格與 MCP 對話,並列出速度和用量變化,可看出 Unsloth 正在擴大桌面工具的使用範圍。

11月20日週五
  1. Lobste.rs (Engineering Discussion)61

    Mastering Emacs 作者推出 DreamCoder,讓 AI 程式開發工作更好管理

    同時讓多個 AI 助理寫程式時,很難看出哪些工作還在跑、哪些卡住等人處理。Mastering Emacs 作者花了 15 個月打造 DreamCoder,讓它在瀏覽器中用可調整的視窗管理聊天、終端機和工作區;每個工作區都有小地圖,能看出各個視窗是否正在工作或遇到阻礙。DreamCoder 也支援 MCP、背景執行的子助理和本機模型,作者希望把它做成方便人與 AI 一起工作的程式開發環境。

    推薦理由:DreamCoder 把多個 AI 助理、終端機與工作區放進可調整的視窗介面,適合瞭解作者如何改善並行工作的觀察方式。

  2. AWS Machine Learning Blog74

    Amazon Bedrock AgentCore 讓 AI 助理透過 AWS 帳單購買 Marketplace 產品

    AI 助理要使用付費搜尋或其他線上服務,開發者過去得先處理付款方式和 API 金鑰。Amazon Bedrock AgentCore payments 現在可讓 AI 助理透過 AWS 帳單,按次購買 AWS Marketplace 上支援 x402 的軟體、API、資料和內容;開發者也能設定每次工作可花的金額和核準賣家。文中示範的研究助理會先搜尋並挑選工具,收到價格報價後確認預算,再付款取得搜尋結果;交易會記錄在 AWS CloudTrail 和 AWS Cost Explorer。

    推薦理由:這項更新把 AWS Marketplace 的付費流程接進 AI 助理工作流程,文章也示範如何用支出上限、核准賣家與交易紀錄管理採購。

  3. AWS Machine Learning Blog78

    Amazon Bedrock AgentCore harness 加入 Strands 預設設定與生命週期檢查

    AI 助理接到長任務時,光有模型還不夠,還得管理上下文、使用工具,也要避免未經核准就執行退款等重要操作。AWS 更新 Amazon Bedrock AgentCore harness,加入任務規劃、網頁擷取、檔案讀寫和工作委派等內建工具,也會整理較早的對話內容,減少上下文用量。開發者還能在執行前後設定生命週期檢查,例如用 Lambda 檢查退款金額,超過 $500 就擋下操作,並讓 AI 助理通知顧客案件已升級處理。這些檢查也會套用到受委派的工作;模型、提示詞和工具許可權仍可自行設定。

    推薦理由:文章說明 AgentCore 如何用生命週期檢查攔下超出核准額度的退款,並讓相同規則套用到 AI 助理委派的工作。

  4. aihot68

    Google 在 Gemini API 預覽 Tool Retrieval,按需要載入工具資料

    AI 助理接上很多工具時,每次都帶上完整設定資料,會增加輸入 token,也讓挑選工具更不容易。Google 在 Gemini API 的 Interactions API 推出預覽版 Tool Retrieval,讓模型先看到工具名稱和說明,需要某項工具時再載入完整設定,並在同一次請求中接著呼叫。它也支援遠端 MCP 伺服器;若由應用程式自行搜尋工具,每次搜尋則會多一次往返。功能不另收費,但 token 仍按所用模型的標準費率計算。

    推薦理由:原文說明延後載入工具引數的做法與計費方式,能幫助開發者評估大型工具庫的 token 開銷。

  5. Google AI Official Blog63

    Google 在 Gemini API 推出 Tool Retrieval,按需求載入工具設定

    AI 助理連線很多工具時,每次都送上所有工具的完整設定,會增加輸入 token,也可能讓工具選擇變得不準。Google 在 Gemini Interactions API 預覽推出 Tool Retrieval,讓模型先看到工具名稱和說明,等需要某項工具時才載入完整設定,並在同一次請求中完成搜尋與呼叫。開發者可以把常用工具先載入,其他工具延後載入;也能讓 Gemini 在伺服器端搜尋,或由自己的程式查詢工具清單。這項功能沒有額外費用,但載入的設定仍會按一般輸入 token 計費;官方表示,Gemini 3.6 及之後的模型都可使用。

    推薦理由:工具很多時,每次把完整設定都送進提示詞會增加 token 用量並拖慢選擇;Tool Retrieval 改為需要時才載入,適合瞭解大型工具庫的取用方式。

  6. The New Stack76

    AAIF 技術長談 AI 助理工具為何還會持續變動

    不同 AI 助理要一起工作時,常會遇到工具格式不合、工作紀錄接不上,還可能被綁在同一家模型廠商。AAIF 技術長 Manik Surtani 受訪時談到,Anthropic 的 Agent Skills、OpenAI 的 Open Responses、Hugging Face 的 OpenEnv 和 OpenSandbox 加入 AAIF,讓這些專案能在中立治理下發展。Agent Skills 可讓不同支援格式的 AI 助理共用任務指示;Open Responses 則提供應用程式和語言模型交換請求與結果的共同規格。Surtani 認為,AI 助理的工具與工作方式還在變,團隊可用標準介面或代理程式降低對單一模型廠商的依賴,也應設法讓工作背景能在不同 AI 助理之間接續。

    推薦理由:AAIF 負責人談到代理工具加入中立治理後的變化,也說明記憶移轉與模型相容仍是開發團隊需要面對的問題。

  7. Google Developers Blog72

    Google 示範如何用 Tunix 和 Gemma 4 訓練多輪 AI 助理

    AI 助理玩棋盤遊戲時,如果只能一次猜一格,常會打很多次才找到目標。Google 示範用 Tunix 在 Cloud TPU 上訓練 Gemma 4,讓它每次出手後讀取棋盤回饋,再決定下一步。示範中的 Plane Strike 是 6x6 棋盤遊戲,AI 助理要找出藏起來的 8 格飛機。訓練 100 步後,在保留的棋盤測試中,勝率從 9.4% 提升到 95%,平均出手次數也從 22.44 次降到約 16 次。

    推薦理由:Plane Strike 的訓練過程呈現多輪工具呼叫如何配合環境回饋逐步修正策略,也提供勝率與出手次數的變化作為參考。

11月19日週四
  1. LangChain Blog71

    LangSmith 推出 Tool Gateway,集中管理 AI 助理的工具許可權

    AI 助理開始在背景定時工作或回應事件時,團隊需要知道它能用哪些工具、代表誰操作,也要留下每次呼叫的紀錄。LangSmith 推出公測中的 Tool Gateway,讓 AI 助理透過同一個網址連線核准的工具,並可依使用者或助理身分套用憑證。管理者能限制工具使用、要求敏感操作先經人工確認,也能在 LangSmith 檢視工具、使用身分、結果和耗時等紀錄。這讓團隊更容易控管工具存取,並在需要時查明 AI 助理做過哪些操作。

    推薦理由:Tool Gateway 把工具許可權、使用者或助理身分與呼叫紀錄集中管理,呈現團隊如何讓背景執行的 AI 助理更容易接受管控與稽核。

  2. Dev.to Top Tech76

    agentbadge.xyz 用 WebMCP 在網站提供 16 項 AI 助理工具

    AI 助理要使用網站時,常得猜著讀網頁,或另外串接 API。agentbadge.xyz 改用 WebMCP,讓網頁列出可呼叫的工具;工具會依所在頁面分組,AI 助理只會看到該頁適用的選項。網站提供 16 項工具,可查詢資料,也能送出問題,但送出後只會拿到編號,得等真人在幾小時到幾天內回覆。問題和答案預設不會公開;只有提問者同意、真人完成回覆且內容未被標記為垃圾訊息時,才會加入公開問答區,之後也能撤回。作者在正式網站測試時找到並修正兩個問題,包括回覆更新後仍顯示舊狀態。

    推薦理由:文章以實際網站展示 WebMCP 如何讓 AI 助理在不同頁面取得合適工具,也記錄真人回覆與使用者同意如何納入流程。

  3. Pydantic AI Releases73

    Pydantic AI 發布 v2.71.0,新增 AI 助理工具管理功能

    AI 助理執行較長的工作時,可能會遇到工具太多、不知道能用多少資源,或還沒檢查完成就結束的問題。Pydantic AI v2.71.0 新增多種管理功能,例如設定規則允許、詢問或拒絕工具呼叫與 Shell 指令,也能回報剩餘預算,並在修改內容還沒驗證時要求 AI 助理先執行檢查。這次更新也加入 ToolBridge,讓工具清單維持固定,再透過搜尋和呼叫使用工具,方便管理大型或經常變動的工具集合。

    推薦理由:這次更新補上工具許可權、執行預算與完成檢查等能力,呈現 AI 助理在長時間執行任務時可用的管理方式。

  4. Dev.to Top Tech76

    Stopover 作者分享打造 Claude 和 ChatGPT 都能使用的遠端 MCP 伺服器心得

    行程搜尋有時要花很久,AI 工具也可能等不到結果;不同服務對等待時間和登入方式的要求也不一樣。Stopover 作者把旅遊規劃器接上遠端 MCP 伺服器,分享如何讓 Claude 和 ChatGPT 使用:搜尋還沒完成時,先回報工作仍在進行,再讓使用者檢視結果;ChatGPT 的行程卡片則要先完成指定的連線步驟。文章也談到帳戶功能的 OAuth 登入、限制免費搜尋成本,以及依不同服務調整工具說明,讓整個工具更能穩定運作。

    推薦理由:Stopover 的實作經驗呈現 Claude 與 ChatGPT 在等待時間、卡片顯示和登入方式上的差異,能幫助開發者規劃遠端 MCP 工具。

  5. Databricks Blog68

    Databricks 推出 Unity Gateway Insights,找出 AI 助理浪費 token 的地方

    團隊想降低 AI 成本時,除了調整預算,也可以檢查 AI 助理每次工作的紀錄。Databricks 推出 Unity Gateway Insights,會分析工作紀錄和公司的業務資料,找出 MCP 工具反覆出錯、簡單工作用了昂貴模型,以及值得整理成共用技能的重複流程。每個發現都能連到相關工作紀錄,也會依浪費的 token 成本排序;團隊還能加入自己的問題,檢視哪些流程值得改善。Databricks 表示,他們曾從 7 個 MCP 小錯誤中估計出每年 $1.2M 的浪費。

    推薦理由:Databricks 說明 Insights 如何從 AI 助理的工作紀錄找出重複錯誤與模型使用浪費,並把可節省的 token 成本連結到實際工作流程。