Armin Ronacher 关于MCP 局限与智能自动化未来方向的解读

大家好, 这里是 CodeAgent

最近，Python Flask 作者 Armin Ronacher 发布了一篇文章，讨论了他对 Model Context Protocol（MCP）的一些怀疑与转向:

他并不否定 MCP 的探索意义，但明确指出：当前基于 MCP 的推理驱动模式，并不适合构建稳定、可控的大规模智能自动化系统。

相反，他更倾向于把 LLM 用作 "代码生成器"，将自动化逻辑沉淀为可执行、可测试、可验证的脚本，再由程序驱动流程闭环。

里面不仅仅是技术细节的讨论，更是对 Agent 工程架构设计的一些思考。

MCP 的理想与现实

MCP 的设计初衷是让模型根据上下文灵活调用工具，实现动态且 "智能" 的任务执行。这看似优雅——模型根据当前状态推理出下一步操作，并调用对应工具。

但实践中遇到的主要难题包括：

• 上下文依赖过重：每次调用都需大量上下文信息，推理开销极大，且上下文快速膨胀，导致模型效率下降；
• 调试和复用困难：MCP 调用序列动态生成，缺乏静态结构，调试复杂且难以复用；
• 结果不稳定且不可预测：基于推理的连续调用存在随机性，难以保证每次执行结果一致。

因此，尽管 MCP 在某些场景下表现良好，但从长远角度来看，它难以支撑大规模、可验证且可维护的智能自动化系统。

代码生成的优势：一个博客转换的案例

Armin Ronacher 用自己博客格式转换的经历，阐释了代码驱动自动化的价值：

他没有直接让模型"一次性"做文本格式转换，而是让模型执行以下步骤：

1. 解析原始 reStructuredText 为抽象语法树（AST）
2. 将该 AST 转换为 Markdown 的 AST
3. 渲染生成 H