我才剛學會 MCP，GPT-6 就讓它看起來沒用了？

When AI Moves Faster Than We Can Learn: What MCP and GPT-6 Taught Me

前一陣子，受到東海大學何立智教授啓發，我花了不少時間研究 MCP。尤其是其如何與QGIS連結。

那時候覺得它很重要。因為如果希望 AI 不只是跟我聊天，而是真的能讀資料、操作軟體、串接外部工具，就必須理解 MCP 是什麼、Server 怎麼裝、工具怎麼掛、權限怎麼設定。

結果沒多久，GPT-6 Astra 出來了。

它可以進行 Computer Use、研究、寫程式、處理複雜的多步驟工作，也越來越能直接調用工具完成任務。OpenAI 對 GPT-6 的定位，已經不只是「回答問題的模型」，而是可以從一個要求一路做到完成成果的端到端工作模型。

我的第一個反應是：

那我前面研究 MCP，是不是白學了？

這大概也是現在學 AI 最容易出現的一種挫折。你才剛把一個東西弄懂，下一個版本就來了。

但仔細看下去之後，事情其實不是「GPT-6 把 MCP 淘汰掉」這麼簡單。

OpenAI 現在的 Responses API 仍然正式支援 MCP Tools，ChatGPT 也持續擴充 MCP App 與外部系統連接能力。MCP 自己也沒有停止發展。

所以不是：GPT-6 出現，MCP 消失。

而比較像是：GPT-6 出現之後，MCP 開始變得沒那麼需要被一般使用者看見。

以前我們必須自己安裝 Server、設定 JSON、指定工具、處理授權；

未來只需要說：「讓 ChatGPT 使用 Rhino。」

或者：「連接我的 GIS 資料。」

甚至連 MCP 三個字都不會看到。

模型變得越來越聰明，Plugin、App、Computer Use 讓操作越來越簡單，但底下仍然需要一套機制，去決定 AI 可以用哪些工具、可以讀哪些資料、可以做哪些動作，以及誰授權它這麼做。這些問題並沒有因為 GPT-6 出現而消失。

所以現在，我不會再把「會不會安裝 MCP」當成一種值得長期累積的核心能力。

LLM 本身不等於 AI 工作流。

模型可以理解、推理與決策，但真正讓 AI 能夠做事的，是它和資料、軟體、API、檔案與電腦之間的連接。今天這個連接叫 MCP，明天它可能被包進 Plugin，後天甚至完全看不到。但「模型 → 工具 → 資料 → 行動 → 回傳 → 再判斷」這個結構不會那麼容易消失。

而這件事也開始讓我重新思考：

AI 發展這麼快，我們到底應該怎麼學？

從 2023 年開始，我們學 Prompt，接著學 Stable Diffusion、ControlNet、ComfyUI，後來又是 RAG、Agent、MCP。現在 GPT-6 又把 Computer Use、Tool Use 和長流程任務往前推了一大步。如果每出現一個新名詞，就把它當成未來五年的核心技能，最後一定會非常疲倦。

因為今天 AI 技術最明顯的一個特徵，就是很多操作方法的半衰期非常短。

所以我現在不太想「全部都學」。

我更在意的是：這一次的變化，到底只是介面變了，還是工作方法真的變了？如果只是按鈕換位置，那其實沒什麼值得焦慮。如果是某個工具被整合進更大的平台，也不一定代表之前學的東西失效，只是它從前台跑到了後台。真正值得花時間的，是那些會改變工作流的變化。

例如 AI 開始可以直接讀取 GIS 資料，再把分析結果送進 Rhino；或是模型可以自己使用工具、檢查錯誤、重新執行，直到完成一個比較長的工作流程。這時候，設計師真正需要學的就不再只是「這個插件怎麼裝」，而是：

我想完成什麼？

哪些事情可以交給 AI？

對設計教育也是一樣。

如果今天還在設計一門 AI 課，我會越來越避免把課程安排成「這週學某個軟體，下週學某個插件，再下一週學 MCP」。因為學生畢業以前，其中一些工具可能已經完全改掉了。真正值得教的，應該是讓學生知道 AI 怎麼取得資料、怎麼操作工具、自動化為什麼會失敗，以及什麼時候必須把專業判斷拿回來。

工具只是暫時的答案。工作流會活得久一些，而判斷，可能才是最不容易被淘汰的能力。

所以回頭看 MCP，我現在反而覺得它是一個很好的教材。GPT-6 並沒有推翻這件事。它只是讓這個過程變得更自然、更完整，也更不需要一般使用者看到底層那些零件。

這也許才是這次讓我感受最深的地方。