近期，Manus带火的MCP（Model Context Protocol）协议引发了广泛关注。通过MCP，AI工具如Claude能够与专业软件（如Blender）无缝对接，实现自动化操作，例如将2D图片转换为3D模型，甚至在几分钟内搭建互动网页。这种技术不仅极大地提高了工作效率，还为AI在更多领域的应用打开了新的大门。本文将深入探讨MCP的工作原理、实际应用案例以及它对未来AI发展的潜在影响。

一句话提示，Claude自动化打开Blender将2D图片转为3D建模。

整个过程行云流水。

而且还能只用一次提示词，再基于这个场景搭建可以互动的网页。

背后关键还是最近大火的MCP（Model Context Protocol）——复刻Manus的重要诀窍。

将这套协议和Blender打通，即可获得如上效果。

让原本人工几小时才能搞定的建模工作，如今缩短到几分钟，还不用人插手。

该开源项目BlenderMCP，上线短短3天，GitHub标星已达3.8k。

而且它整出来的建模效果可信任，有人亲测表示，让它设计火星地形，Claude可以自己处理错误和问题，并且会告知人类。

怪不得有人看了直呼：人类已经不太需要设计工具了，amazing！

AI+应用工具正在变强大。

值得一提的是，这种方案可以复刻到其他开源专业工具上。

比如有人已经实现了MCP+QGIS（地理版“PS”），用Claude自动化做感应映射。

“Blender/Cursor都可MCP”

简单理解，BlenderMCP就是将Blender连接到Claude，允许Claude直接和Blender交互并控制Blender。

基于BlenderMCP还能完成许多事。

比如创建一个由龙守卫一罐黄金的地牢场景。

提示词：

Create a low poly scene in a dungeon, with a dragon guarding a pot of gold.

这个过程里，指令遵循效果不错。

特意强调了low poly（低多边形），最后搭建的成果里龙和罐子都是圆滚滚的。

还能去搭建逼真的海滩场景。

提示词：

Create a beach vibe using HDRIs, textures, and models like rocks and vegetation from Poly Haven.

这条指令要求利用来自Poly Haven的HDRIs、纹理以及岩石、植被等来建模海滩。

Poly Haven是一个免费开源的3D资源网站，可以看到Claude能够直接自己去下载使用资源。

其余可以尝试的能力还有：

• “把这辆车涂成红色并带有金属质感”
• “创建一个球体并将其置于立方体上方”
• “把灯光设置成摄影棚的效果”
• “将相机对准场景，并使其呈等距视角”

作者在项目页中介绍，BlenderMCP能实现的能力包括创建、修改和删除3D对象；使用、修改材料和颜色；场景检查以及代码执行。

这个系统主要由两部分组成，Blender Addon和MCP Server。

前者是一个Blender插件，可以在Blender中创建一个接受和执行命令的服务器。后者就是用来实现MCP。

具体安装办法，作者已经完全开源到GitHub上。

除了将MCP接入到Blender，网友们还在尝试用它升级各种工具。

甚至是AI编程软件，也会因为使用MCP后变得更加自动化。

有人在Cursor上使用MCP协议同时接入了Slack和GitHub，完成了一次新功能开发。

配置好插件并完成认证后，Cursor通过MCP自动读取了Slack中的需求文档，然后从GitHub中拉取代码，并自动完成新功能的编写和上传。

这套操作利用的是一个名为Composio的机构提供的MCP服务，在Cursor中可以通过链接直接配置。

还有GitHub、谷歌搜索、邮箱、地图……都被Composio做成了MCP服务。

除了Composio，还有MCP爱好者自行建立了MCP社区，提供了海量的开源server和client资源。

比如这个MCP服务，可以检索arXiv中的论文，按照教程配置好之后就可以在Claude客户端里直接找论文了。

有意思的是，大模型也是可以被“MCP服务化”的，比如让服务器通过OpenAI兼容API调用其他模型。

甚至是把DeepSeek-R1接入到Claude当中也不是问题。

MCP为啥真强大？

MCP是一种通信协议，是Anthropic提出的，现在Anthropic把它比喻成AI应用的Type-C接口。

并且Anthropic已经打算牵头把MCP协议推动成行业开放标准。

实现大模型应用与外部数据源和工具之间的无缝集成，帮助AI获得所需的上下文数据，生成质量更高、与任务更相关的回答。

MCP主要解决的是全球应用玩家们都面临着的一个相同的痛点——数据隔离。

它就像AI系统与数据源之间的一座桥梁，允许开发者在数据源和AI工具之间建立双向连接。

MCP采用客户端-服务器架构，多个服务可以连接到任何兼容的客户端。客户端可以是Claude Desktop、IDE或其他AI工具，服务器则充当适配器，暴露数据源。

其优势在于，以后不管是访问本地资源（数据库、文件、服务），还是访问远程资源（如Slack、GitHub API），都能用同一个协议。

而且支持的数据形式非常多样，包括文件内容、数据库记录、API响应、实时系统数据、屏幕截图和图像、日志文件等，几乎覆盖了所有类型。

MCP服务器还内置了安全机制，允许服务器自己控制资源，不用把API密钥交给大模型。

根据服务来源，MCP主要采用通信机制，本地通信时采用标准输入输出，远程通信则通过SSE进行。

这两种通信方式中的消息，都采用了JSON格式进行消息传输，使得MCP通信过程能够标准化，并带来了可扩展性。

看上去MCP能够调用的服务多而复杂，但实际上开发过程非常简单。

发布时官方公告就明示，当时最新的Claude 3.5 Sonnet自己就非常擅长架设MCP服务器，直接完成闭环。

强大的调用能力、方便的开发流程，又背靠Anthropic，并且也获得了开源社区的关注，MCP似乎有望像Anthropic设想的一样，成为一种未来的AI标准。

但真能如此吗？

持观望态度or悲观态度的人，其实也不少。

最近知名开源大模型框架LangChain官方也在X上进行了一次投票。

40.8%的人认为MCP是未来标准，而更多人觉得还得再看看。

包括在LangChain内部，也出现了一些分歧。

CEO觉得，MCP降低了Agent接入工具的门槛。

创始工程师则认为，具体到工程层面，还会产生很多定制化需求，很多情况MCP不能完全发挥作用。

MCP要变成像OpenAI的GPTs那样，才能配得上它的热度，但实际上GPTs似乎也没有多受欢迎。

你觉得呢？MCP会是昙花一现吗？

欢迎评论区留言讨论~

GitHub地址：

https://github.com/ahujasid/blender-mcp?tab=readme-ov-file

参考链接：

[1]https://x.com/bilawalsidhu/status/1900240156826939560

[2]https://x.com/bilawalsidhu/status/1900632591516008599

[3]https://x.com/mattpocockuk/status/1898789901824590328

[4]https://x.com/KaranVaidya6/status/1898439847322525963

[5]https://blog.langchain.dev/mcp-fad-or-fixture/