為什麼人工智慧仍然需要提問：MCP 引導革命

當像 GitHub 的工程師這樣的開發者面臨一個關鍵挑戰——如何阻止 AI 做出假設？——答案在於一個看似簡單的概念：引出（elicitation）。模型上下文協議 (MCP) 引出正重塑像 GitHub Copilot 這樣的 AI 工具與用戶的互動方式，通過拒絕在收集到正確資訊之前繼續操作。

預設假設的問題

AI 系統有一個根本弱點：它們依賴假設運作。當你要求 GitHub Copilot 或任何 AI 驅動的工具執行任務時，它常常依賴預設參數，可能完全錯過你真正想要的內容。這個摩擦點——用戶意圖與 AI 推斷偏離的地方——在開發流程中造成阻礙。MCP 引出通過讓 AI 暫停並提前提出澄清問題來扭轉這個局面。

MCP 引出實際運作方式

其機制非常巧妙。當整合到像 Visual Studio Code 的 GitHub Copilot 這樣的系統中時，MCP 伺服器會進行即時檢查：我是否擁有所有必要的參數？是否有可以改善結果的可選細節？如果存在缺口，系統就會啟動引出提示——本質上是在繼續之前向用戶詢問缺失的上下文。

舉一個實際例子，AI 整合開發中的知名人物 Chris Reddington (一位在 AI 整合開發領域具有代表性的人物) 遇到的情況：一個回合制遊戲伺服器。最初，系統提供多個重疊的工具來處理不同的遊戲類型。AI 代理會隨機選擇錯誤的工具，因為工具名稱不夠明確。解決方案？整合並澄清：使用架構驅動的提示，明確定義每個選項的用途，迫使 AI 在啟動遊戲前請求特定參數，如難度等級或玩家名稱。

從技術困難到用戶清晰度

Reddington 的開發直播揭示了前進的迭代路徑。困難不僅是技術上的——它們也是語義上的。工具命名很重要。解析初始請求以識別真正缺失的部分也很重要。通過優化這些元素，團隊不僅解決了一個工程問題；他們還改變了用戶與 AI 驅動功能的互動方式。

這種改進的方法意味著，請求井字遊戲的用戶不會得到通用預設值。相反，系統會智能提示：“難度等級？”“你的玩家名稱？”“棋盤大小偏好？”每個回答都讓體驗更個性化，而不是強迫用戶接受預設選項。

這在遊戲之外的重要意義

其影響遠超休閒應用。每一個 AI 輔助的工作流程——程式碼生成、資料分析、內容創作——都面臨相同的假設問題。MCP 引出解決了一個根本的用戶體驗差距：用戶想要的與 AI 提供的之間缺乏充分的上下文。

未來之路

隨著 AI 工具在開發環境中持續擴展，MCP 引出的整合提供了一個直觀互動設計的範例。它承認一個核心原則：更好的輸入帶來更好的輸出。不是讓 AI 系統假裝理解你的意思，而是讓它們提問。不是讓用戶因預設錯誤而感到沮喪，而是讓用戶參與塑造結果。這種從假設驅動轉向資訊驅動的轉變，代表著技術服務於人類意圖的有意義的演進。

AI 互動的未來不在於更聰明的算法做出更好的猜測，而在於創造用戶與 AI 透明合作的途徑，一次澄清問題一個步驟。