爆火的 MCP 引发 AI 圈“核爆”，大厂 CTO 也慌了？

自 ChatGPT 发布以来，围绕大模型展开的竞赛从未停歇。从最初的卷参数到卷落地应用，大家的关注点逐渐趋向务实。然而，高昂的算力成本、碎片化的 AI 应用生态，始终是扎在企业喉咙里的一根“鱼刺”——企业投入了大量资源，却发现实际收益与预期相差甚远，难以走出“ROI 困境”。

2025 年，随着 MCP（Model Context Protocol，模型上下文协议）和 A2A（Agent2Agent，智能体交互协议）的兴起，大模型应用开发迎来了新的转折点。MCP 协议通过标准化接口打破数据孤岛，让大模型精准调用外部资源，数据能够在不同系统和平台之间自由流动；A2A 协议则进一步推动了 Agent 之间的无缝交互，让不同的 Agent 进行协作与交流，形成有机整体。

从 MCP 到 A2A，不难看出，“开放”已经成为大模型应用生态新的关键词。这种开放性不仅体现在技术层面的互联互通，更体现在理念层面的协同合作。从更宏观的角度来看，这一转变也反映了技术发展的普遍规律：从技术的狂热到理性的应用落地，从孤立的技术创新到生态系统的协同进化。

过去，大模型的价值被过度聚焦于“参数规模”和“单点能力”，如今，MCP 和 A2A 不仅解决了 AI 应用间的互联互通问题，也重新洗牌大模型生态的竞争格局，大模型应用开发不再是传统的“单兵作战”模式，而是彼此紧密关联。这也意味着，企业 CTO 们需要重新审视 AI 的价值——不再单纯地追求模型规模，盲目 All in，而是通过一个能链接多元 AI 能力的平台，真正将 AI 能力有机嵌入现有业务流程和生产系统，并通过协同和标准化的方式提升整体效率，用最少的算力解决最关键的问题，让大模型落地走出“ROI 困境”。

算力浪费与场景错配，正浪费企业千万预算

在过去很长一段时间，大模型应用落地难以走出高投入、低产出的瓶颈。这一现象折射出 AI 产业发展的深层次矛盾：其一，算力浪费现象严重，有数据显示，企业级通用算力中心的利用率仅在 10%-15% 之间，大量的算力资源处于闲置状态；其二，场景错配，模型性能与实际业务场景需求并不匹配。

一个典型的现象就是“用大炮打蚊子”，一些企业过度依赖通用大模型能力，将其应用于轻量级任务场景中。此外，由于业务场景存在特殊性，也有不少企业深陷两难困境：若采用大模型，就要承受高昂的算力成本和较长的推理时间；若退而求其次采用小模型，又难以满足业务需求。在那些需要专业领域知识的业务场景中，这一矛盾表现得尤为突出。

以招聘行业的人岗匹配场景为例，企业既需要模型具备深度推理能力，来理解简历与职位描述之间的复杂关联，又对响应速度有一定的要求。尤其是在高并发的用户需求下，通用大模型过长的推理时间严重影响用户体验。

为了更好地平衡性能与效率，模型蒸馏技术近几年逐渐成为行业关注焦点， 随着今年年初 DeepSeek-R1 的推出，该技术的应用价值愈发凸显。尤其是在处理复杂推理任务方面，模型蒸馏技术能捕捉 DeepSeek-R1 的“思维链”模式，使轻量化学生模型能够继承其推理能力，而非仅仅模仿输出结果。

以智联招聘为例，其采用 6000 多亿参数的 DeepSeek-R1 作为教师模型，将处理人岗匹配任务时的思维链和决策逻辑沉淀下来，通过百度智能云千帆模型开发平台对教师模型做蒸馏，迁移到百亿参数的 ERNIE Speed 模型（即学生模型）。不仅达到媲美教师模型的效果（DeepSeek-R1 的推理链路结果准确率达 85%，学生模型准确率达到 81% 以上），还将推理速度提升到业务可接受的水平，相较 DeepSeek-R1 满血版，速度更是快了 1 倍，而成本仅为原来的三成。

当前，企业在技术路线上通常会采用两种方式实现模型蒸馏：一是完全自建从基础设施、GPU 到训练框架的完整技术体系，二是采用千帆模型开发平台或其他厂商提供的平台化解决方案。智联招聘 AI 应用专家姚思佳表示，智联招聘内部拥有一套训练框架，之所以最终通过千帆模型开发平台实现模型蒸馏，主要有三点考量：

• 第一，千帆模型开发平台在模型蒸馏领域提供了业内领先的完整支持，整个技术链条都围绕着蒸馏场景进行了深度优化；

• 第二，与自行购买和维护硬件相比，千帆模型开发平台在成本控制方面也具有明显优势，在资源分配上也更加灵活；

• 第三，百度专业的解决方案团队能深入业务场景，能快速理解招聘领域对‘精准匹配’与‘高并发响应’的核心诉求，与企业共同探讨解决方案。

据姚思佳介绍，下一步，智联招聘还将继续扮演 AI+ 招聘场景的拓荒者角色，利用千帆平台的基于强化学习的微调技术（RFT）进一步提升模型性能。“一方面探索教师模型是否可以拥有进一步的提升空间，另一方面，看其是否可以通过更好的奖励机制，优化已经蒸馏过的学生模型，提升模型准确率。”据悉，千帆是国内首个把 RFT、GRPO 等领先强化学习方法产品化的平台。通过将这些前沿强化学习方法转化为可落地的解决方案，千帆为更多像智联招聘这样的企业，在模型性能优化上提供了更多可能性。

不过模型蒸馏技术优化的终归只是单一模型性能，在一些复杂业务场景下，还需要将多样化的 AI 能力与场景进行精准匹配。

以智能手机为例，在通话助手这类意图识别场景中，通常采用轻量级模型，快速识别出用户的问题；在天气查询、新闻资讯获取这类通识问答场景中，通常采用中量级模型，快速给出用户准确且具有一定信息量的回答；在数据分析、逻辑推理这类需要深度思考的场景中，通常采用重量级模型。

这也意味着，一台智能手机需要在不同用户需求场景下，灵活调用多款大模型。对手机厂商而言，一面是较高的模型选择成本，一面是不同模型的接口协议等复杂调用流程。

针对这些行业痛点，千帆模型开发平台对模型路由接口做了产品化，与直接使用原厂模型相比，其提供了 定制开发、开盒即用的 API 调用产品能力，能够帮助企业节省工程化工作量和开发时间，降低成本。此外，千帆模型开发平台还能支持大规模用户的灵活调用，面对高频、高并发调用需求，也能做到又快又稳定。

在模型层面，模型蒸馏、多模型调用等技术能力正帮助越来越多的企业优化资源分配，让 AI 能力精准匹配业务场景的同时，还能降低成本。在应用层面，时下备受业界关注的 MCP、A2A 则进一步打下 AI 试错成本，帮助企业优化应用协作范式的同时，也改变了传统 Agent 开发中“重复造轮子”的低效模式。

从模型到应用的一套“组合拳”，才是助力大模型落地走出“ROI 困境”的满分答卷。

从封闭到开放，AI 试错成本一降再降

从 2023 年起，AI 应用落地的关键词就已经逐渐变成 Agent，到了 2024 年，几乎所有企业都在探讨 Agent 的应用与发展。但实际上，彼时的 Agent 缺乏真正的规划能力，更多是基于工作流的角度，将大模型与基础应用进行连接，通过专家视角的规则来拼接或流程化组件。

随着近期 MCP 和 A2A 两大协议兴起，2025 年也成为真正的“Agent 元年”。尤其是 MCP，其对 AI 领域带来的影响不亚于当年互联网的 TCP/IP 协议。

必优科技 CEO 周泽安在接受 InfoQ 采访时表示，MCP 为 AI 领域带来的核心价值体现在三个维度：

• 第一，MCP 实现了大模型工具调用的标准化。 在过去，每家企业都有自己的 Function Call 实现，彼此间的差异巨大。MCP 通过建立统一的接入标准，使得客户端与服务端之间的应用调度方案实现了真正的标准化。此外，通过 MCP，不仅可以在支持 Function Call 的大模型之间实现对接，还能与不具备该功能的大模型进行交互。

• 第二，MCP 解决了工具协同难题。MCP 协议的统一标准使得 Agent 服务的构建变得更加多元。开发者不仅需要考虑自身拥有的 Agent 和 MCP 服务，还可以思考如何整合外部能力，以实现更强大的 Agent 功能。

• 第三，MCP 能通过大模型串联起整个上下文进行控制，交互形态更加友好。 在搭建流程时，它可以使用更广泛的数据源，解决一些此前无法实现的复杂任务。

“总的来说，MCP 协议显著降低企业采用 AI 技术的门槛。过去企业在接入 Agent 时技术对接流程复杂，如今，企业不再需要深入理解复杂的技术实现细节，只需明确自身的业务需求即可。”周泽安表示，必优科技已经将自研的人力资源行业垂类大模型“伯乐”的文档处理能力通过 MCP 协议全面开放，包括合同、简历和 PPT 等，并成为首批将 MCP 组件上线到千帆应用开发平台的企业开发者。目前，任何企业或个人开发者都可以在千帆平台上直接调用其专业能力。

“百度将帮助开发者积极全面拥抱 MCP”。在 4 月 25 日举办的 Create2025 百度 AI 开发者大会上，千帆平台正式推出企业级 MCP 服务，百度创始人李彦宏现场演示了千帆平台拥抱 MCP 的案例，开发者在创建 Agent 时可以灵活接入包括百度 AI 搜索、地图、文库等在内的 1000 个 MCP  Server。此外，千帆还推出了低代码创建 MCP Server 的工具，开发者也可以在千帆上轻松开发自己的 MCP  Server，一键发布到千帆 MCP 广场。这些 MCP  Server 也会被百度搜索及时索引，从而被更多的开发者发现并使用。

事实上，千帆在 MCP 协议兴起之前，就已经在持续解决 AI 落地最后一公里的难题，帮助企业高效、低门槛享受到 AI 技术红利，并为多个行业提供成熟的解决方案。

例如在智能家居行业，过去企业普遍面临一个共性难题：如何为海量产品型号提供精准的智能服务？随着大模型应用加速落地，越来越多的企业开始通过 Agent，快速为用户提供精准且个性化的回答。但与此同时，也带来了一个新的难题：如何开发和管理众多 Agent？智能家居品牌通常旗下拥有众多不同产品品类和型号，如果为每款产品单独搭建一个 Agent，不仅开发成本高，后期的管理、维护成本也不容小觑。

以某智能家居头部品牌为例，其通过百度智能云千帆应用开发平台将文件名作为独立切片，并将文件名切片信息嵌入到每个细分切片中。无需为每款产品单独搭建 Agent，只需要梳理好对应的知识库，并定义好产品型号名称，即可通过千帆平台的 RAG 框架自动解析策略，实现产品型号与知识点的精准匹配。

千帆应用开发平台还为该品牌提供了一套运营工具，构建一个能持续进化的智能中枢——通过数据回流功能，所有用户交互记录都转化为优化素材，运营人员可以实时查看高频问题，对未覆盖的知识点进行即时干预，形成“运营 - 反馈 - 优化”的闭环。此外，千帆应用开发平台与小度 AI 助手联合共建了语音交互框架，依托这套框架，品牌能够让硬件与用户直接“对话”，实现更加自然、高效且个性化的交互体验。

写在最后

从 MCP 到 A2A，开放已经成为大模型应用生态新的关键词。而开放，也是千帆平台的初心——从 2023 年发布的第一天起，千帆就以最开放的姿态，接入了丰富的三方大模型。目前，千帆已经接入超 30 家模型厂商的 100 多个模型，覆盖文本、图像、深度推理等 11 类能力，如 DeepSeek、LLaMA、通义、Vidu 等三方模型；同时提供全系列文心大模型，包括最新发布的原生多模态模型文心 4.5 Turbo 和深度思考模型文心 X1 Turbo，以及稍早前发布的深度思考模型文心 X1。

对于那些希望快速实现 AI 技术落地的企业来说，百度智能云正逐渐成为首选。市场数据就是最好的佐证。目前，千帆平台已服务超 40 万客户，在央企渗透率超过 60%。另据中国大模型中标项目监测与洞察报告 (2025Q1)，百度在第一季度实现了大模型中标项目数量和中标金额上的双第一：中标 19 个大模型招标项目，项目披露金额超过 4.5 亿元，且中标的大模型项目几乎都来自能源、金融等行业的央国企客户。

百度智能云的成绩单也向外界传递出一个信号：在这场 AI 技术落地的持久战中，唯有那些真正理解产业痛点、能够帮助企业降低试错成本的方案，才最具生命力。