为什么人工智能仍然需要提问：MCP 引导革命

当像 GitHub 的工程师这样的开发者面对关键挑战——如何阻止 AI 做出假设？——答案在于一个看似简单的概念：引导（elicitation）。模型上下文协议 (MCP) 引导正在重塑像 GitHub Copilot 这样的 AI 工具与用户的交互方式，它通过在收集到正确信息之前拒绝继续操作。

默认假设的问题

AI 系统存在一个根本性弱点：它们依赖假设。当你让 GitHub Copilot 或任何 AI 驱动的工具执行任务时，它们常常依赖默认参数，这些参数可能完全错过了你的实际需求。这一摩擦点——用户意图与 AI 推断偏离的地方——在开发流程中造成阻碍。MCP 引导通过让 AI 暂停并提前提出澄清性问题，逆转了这一局面。

MCP 引导的实际工作原理

其机制非常巧妙。当集成到 Visual Studio Code 的 GitHub Copilot 等系统中时，MCP 服务器会进行实时检查：我是否拥有所有必需的参数？是否有可以改善结果的可选细节？如果存在空缺，系统会启动引导提示——本质上是在继续之前向用户请求缺失的上下文信息。

以开发者 Chris Reddington (一位在 AI 集成开发中颇具影响力的人物) 遇到的实际例子为例：一个回合制游戏服务器。最初，系统为不同类型的游戏提供了多个重叠的工具。AI 代理会随机选择错误的工具，因为工具名称不够明确。解决方案？整合并澄清：使用基于架构的提示，精确定义每个选项的用途，迫使 AI 在启动游戏前请求具体参数，比如难度等级或玩家名称。

从技术难题到用户清晰体验

Reddington 的开发流程揭示了前进的迭代路径。问题不仅仅是技术上的——它们也是语义上的。工具命名很重要。解析初始请求，识别出真正缺失的部分也很关键。通过优化这些元素，团队不仅解决了工程问题，还改变了用户与 AI 驱动功能的交互方式。

这种优化方法意味着，用户请求井字棋时，不会得到通用的默认值。相反，系统会智能提示：“难度等级？”“你的玩家名称？”“棋盘大小偏好？”每个回答都让体验更个性化，而不是强制用户接受预设选项。

这在游戏之外的重要意义

其影响远远超出休闲应用。每一个 AI 辅助的工作流程——代码生成、数据分析、内容创作——都面临相同的假设问题。MCP 引导解决了一个根本的用户体验差距：用户想要什么与 AI 在缺乏足够上下文时提供的内容之间的距离。

未来的方向

随着 AI 工具在开发环境中的不断普及，集成 MCP 引导提供了一种直观交互设计的模板。它强调一个核心原则：更好的输入带来更好的输出。AI 系统不再假装理解你的意思，而是会提问。用户也不再被错误的默认值所困扰，而是参与塑造结果。这种从假设驱动到信息驱动的转变，代表了技术服务于人类意图的一个重要演变。

AI 交互的未来，不是让更聪明的算法做出更好的猜测，而是创造一种路径，让用户与 AI 透明合作，一次澄清性问题接着一次澄清性问题。