WOO X Research: Câu chuyện tiếp theo đang hình thành? Web3 + MCP thay thế AI Agent?
Tuyển chọn TechFlowTuyển chọn TechFlow
WOO X Research: Câu chuyện tiếp theo đang hình thành? Web3 + MCP thay thế AI Agent?
Việc kết hợp MCP với blockchain tiềm năng to lớn, nhưng đồng thời phải đối mặt với thách thức kép về rào cản kỹ thuật và áp lực thị trường.
Chuyên sâu báo cáo Web3Ý nghĩa mà AI mang lại chính là giải phóng sức lao động của con người, nâng cao mức sàn năng lực làm việc cho đa số. Tuy nhiên hiện tại các mô hình ngôn ngữ lớn (LLM) vẫn còn nhiều hạn chế: phải trao đổi qua lại nhiều lần mới đưa ra được đề xuất, và người dùng vẫn phải tự tay thực hiện theo gợi ý. Như vậy, khoảng cách giữa thực tế và viễn cảnh sử dụng AI để thay chúng ta làm việc vẫn còn khá xa.
Nhưng nếu bây giờ bạn có thể thông qua đối thoại với AI để máy tính thực sự giúp bạn trả lời email, viết báo cáo, thậm chí tự động giao dịch tiền mã hóa — thì liệu chúng ta đã tiến gần hơn đến giấc mơ giải phóng năng suất chưa? Công nghệ đang được quan tâm nhất trong lĩnh vực AI lúc này chính là MCP.
MCP là gì?
MCP (Model Context Protocol) là một "giao thức chuẩn hóa" do công ty Anthropic công bố vào tháng 11 năm 2024, nhằm giải quyết vấn đề trước đây mô hình AI chỉ có thể "nói" chứ không thể "làm".
Phân tích tên gọi MCP
-
Model: Mô hình, chỉ các mô hình ngôn ngữ lớn AI (như GPT, Claude, Gemini...)
-
Context: Ngữ cảnh, đại diện cho dữ liệu bổ sung hoặc công cụ bên ngoài cung cấp cho mô hình
-
Protocol: Giao thức, là "quy tắc" hoặc "giao diện" chung, chuẩn hóa
Gộp lại, MCP có nghĩa là: Thông qua một quy chuẩn thống nhất, giúp AI không chỉ biết "nói", mà còn trực tiếp điều khiển các công cụ bên ngoài để hoàn thành nhiều nhiệm vụ khác nhau.
Các LLM thông thường như ChatGPT, Grok... mà chúng ta hay dùng chủ yếu chỉ hoạt động theo kiểu "nhập văn bản – xuất văn bản". Nếu muốn AI thực sự thực hiện thao tác, ví dụ đọc file trong thư mục máy tính, gửi email, truy vấn cơ sở dữ liệu… thì thông thường người dùng phải ra lệnh cho LLM, sau đó tự mình thực hiện theo phản hồi của LLM, rồi báo lại kết quả cho AI, nhận tiếp gợi ý và tiếp tục lặp lại chu trình này.
Sự xuất hiện của MCP cho phép AI không chỉ đọc file cục bộ trên máy tính, kết nối tới cơ sở dữ liệu từ xa, mà còn trực tiếp vận hành các dịch vụ mạng nhất định. Nói cách khác, AI không còn chỉ xuất ra văn bản, mà có thể thay bạn hoàn thành nhiều công việc lặp lại hoặc có quy trình rõ ràng.
Tóm tắt cách thức hoạt động
-
MCP Host (Quản trị viên): Chịu trách nhiệm quản lý, điều phối toàn bộ hoạt động của MCP. Ví dụ: Claude Desktop là một dạng Host, hỗ trợ AI truy cập dữ liệu hoặc công cụ cục bộ trên thiết bị của bạn.
-
MCP Client (Phía người dùng): Tiếp nhận yêu cầu từ người dùng và giao tiếp với LLM (mô hình AI). Các ví dụ phổ biến bao gồm các giao diện trò chuyện hoặc IDE tích hợp MCP như Goose, Cursor, Claude Chatbot.
-
MCP Server (Máy chủ): Có thể xem như một tập hợp các API đã được chuẩn bị sẵn và kèm chú thích, cung cấp các chức năng mà AI có thể sử dụng, ví dụ như đọc cơ sở dữ liệu, gửi email, quản lý tập tin, gọi dịch vụ bên ngoài, v.v.
Với MCP, AI không chỉ hiểu ngôn ngữ con người, mà còn có thể dịch trực tiếp những câu lệnh thành hành động, từ đó thực hiện tự động hóa. Ví dụ: giúp bạn tổng hợp bảng báo cáo bán hàng, gửi email cho khách hàng, thậm chí thông qua chỉ dẫn để trực tiếp tạo mô hình 3D trên phần mềm Blender.
Tham khảo: https://www.youtube.com/watch?v=FDRb03XPiRo&t=4s
Tầm quan trọng của MCP là gì?
Kết nối cầu nối giữa AI và công cụ bên ngoài
Hạn chế lớn nhất của LLM là dữ liệu bên trong nó đã được huấn luyện trước, không được cập nhật thời gian thực. Điều đó có nghĩa là thông tin mà LLM nắm giữ chỉ giới hạn ở những dữ liệu mà nó từng "xem" trong quá trình huấn luyện; mọi thông tin mới phát sinh sau khi huấn luyện đều nằm ngoài khả năng biết của mô hình.
Ví dụ, nếu LLM được huấn luyện đến tháng 2 năm nay, thì tất cả dữ liệu từ tháng 3 trở đi sẽ hoàn toàn không tồn tại trong mô hình.
Hiện nay phương pháp phổ biến nhất là sử dụng RAG (Retrieval-Augmented Generation), một kiến trúc kết hợp "hệ thống truy xuất" với "mô hình sinh nội dung". Cụ thể:
-
Truy xuất dữ liệu (Retrieval): Trước khi LLM đưa ra câu trả lời, một công cụ truy xuất (ví dụ tìm kiếm web, truy vấn cơ sở dữ liệu nội bộ...) sẽ được dùng để tìm kiếm thông tin mới nhất liên quan đến câu hỏi.
-
Sinh nội dung (Generation): Kết quả truy xuất sẽ được truyền làm dữ liệu bổ trợ (Context) cho LLM, giúp mô hình tạo ra câu trả lời chính xác và kịp thời hơn.
Ví dụ, AI trước khi trả lời sẽ dùng Bing hoặc Google tìm kiếm thông tin mới nhất, sau đó tích hợp kết quả vào phản hồi — đây chính là cách hoạt động theo RAG.
Điểm khác biệt lớn nhất giữa MCP và RAG:
-
RAG sử dụng dữ liệu tương đối tĩnh để hỗ trợ câu trả lời của LLM, trong khi MCP cho phép AI thực sự "hành động": tra cứu cơ sở dữ liệu, gọi API, thậm chí chỉnh sửa nội dung tập tin.
-
Tính chuẩn hóa & phổ quát: Giống như cổng USB-C, các nhà phát triển khác nhau có thể xây dựng chức năng riêng tuân theo tiêu chuẩn MCP, giống như mọi thiết bị đều dùng được cùng một loại cáp USB-C. Nếu không có MCP, mỗi nhà phát triển phải tự định nghĩa cách AI gọi một API cụ thể nào đó — dẫn đến việc cùng một công việc bị lặp lại nhiều lần bởi nhiều người khác nhau. Khi MCP được thống nhất, mọi người chỉ cần triển khai theo cùng một chuẩn là có thể tích hợp ngay lập tức, tránh tình trạng "phát minh lại bánh xe".
-
Từ phản hồi thụ động sang thực thi chủ động: Các công cụ AI truyền thống chỉ biết trả lời câu hỏi, không thể hành động thật sự. Với MCP, AI có thể dựa vào tình huống để quyết định thực hiện lệnh nào, đọc kết quả trả về và thực hiện bước tiếp theo. Khả năng liên tục điều chỉnh này làm tăng mạnh tính ứng dụng thực tiễn của AI.
-
Bảo mật và kiểm soát: MCP không bắt buộc chuyển toàn bộ dữ liệu lên mô hình AI, mà có thể kiểm soát quyền truy cập thông qua phân quyền, quản lý khóa API... đảm bảo thông tin nhạy cảm không bị rò rỉ.
MCP khác gì so với AI Agent?
AI Agent là gì?
Vào quý III năm ngoái, làn sóng AI Agent bắt đầu nổi lên dưới sự dẫn dắt của GOAT. Hầu hết người dùng tiền mã hóa tiếp cận AI Agent qua góc nhìn Web3. AI Agent thường ám chỉ hệ thống AI có thể "tự động hóa" xử lý các nhiệm vụ cụ thể. Nó không chỉ trò chuyện với con người, mà còn chủ động hành động dựa trên ngữ cảnh, gọi công cụ hoặc API để hoàn thành một chuỗi các bước. Ví dụ điển hình là khả năng tự đăng bài trên Twitter — cũng thuộc phạm vi của AI Agent.
Hạn chế của AI Agent
-
Thiếu chuẩn hóa: Ai cũng có thể tạo một Agent, nhưng nếu không có quy chuẩn thống nhất, sẽ xảy ra tình trạng "Agent này chỉ dùng được mô hình của hãng A", "Agent kia chỉ gọi được API của hệ thống B".
-
Dễ tách rời, thiếu liên kết: Dù AI Agent có thể chạy việc, nhưng nhà phát triển thường phải tự định nghĩa rất nhiều định dạng và quy tắc API. Do thiếu hệ sinh thái chung giữa các Agent nên việc tích hợp gặp khó khăn.
Mối quan hệ giữa MCP và AI Agent: MCP là một giao thức, AI Agent là một khái niệm hoặc phương pháp thực thi
-
AI Agent nhấn mạnh khả năng hành động chủ động và sử dụng công cụ của AI
-
MCP tập trung vào việc làm sao để các mô hình AI khác nhau có thể giao tiếp với công cụ bên ngoài, đóng vai trò là tiêu chuẩn chung.
MCP giúp AI Agent hoạt động hiệu quả hơn
-
Nếu không có MCP, AI Agent có thể phải viết riêng một bộ quy tắc API cho từng công cụ, từng nền tảng — gây khó khăn lớn trong phát triển và bảo trì.
-
Có MCP, AI Agent chỉ cần tuân theo quy chuẩn MCP, lấy danh sách công cụ từ "Server", rồi linh hoạt quyết định dùng công cụ nào để hoàn thành nhiệm vụ — việc truy cập tài nguyên bên ngoài cũng an toàn và thuận tiện hơn.
Phạm vi chức năng khác nhau
-
AI Agent: Tập trung vào ra quyết định, logic — phán đoán cần làm gì, thực hiện các bước nào theo yêu cầu.
-
MCP: Chuyên giải quyết việc kết nối công cụ và định dạng chuẩn — làm sao để cung cấp dịch vụ bên ngoài, cơ sở dữ liệu, hệ thống tập tin cho AI theo cách thống nhất.
Khi kết hợp: AI Agent + MCP = AI vừa biết phải hành động thế nào, vừa biết có thể hành động ở đâu.
Hiện tại trong cộng đồng tiền mã hóa có những dự án nào theo khái niệm MCP?
Base MCP
Framework do chính Base phát triển, ra mắt ngày 14 tháng 3, cho phép ứng dụng AI tương tác với blockchain Base. Người dùng chỉ cần nói chuyện bằng ngôn ngữ tự nhiên, không cần kỹ năng lập trình, cũng có thể triển khai hợp đồng lên blockchain hoặc sử dụng Morpho để vay mượn.
-
BORK là token đầu tiên được triển khai bằng Base MCP, phát hành ngày 14 tháng 3, vốn hóa cao nhất đạt 4,6 triệu USD, nhưng hiện đã giảm xuống còn 110 nghìn USD, khối lượng giao dịch 24h chỉ còn 90 nghìn USD — có thể coi là dự án đã "chết".
-
Flock là một nền tảng đào tạo AI phi tập trung. Dự án chỉ ra rằng hiện tại MCP vẫn chạy trên các mô hình AI bên ngoài, xử lý theo kiểu tập trung. Flock cung cấp mô hình đại diện (agent) Web3, cho phép các tác vụ blockchain do AI điều khiển chạy cục bộ, từ đó mang lại nhiều quyền kiểm soát hơn cho người dùng.
Thiên Cầm (Lyra)
LYRAOS (tên đầy đủ LYRA MCP-OS) là hệ điều hành đa AI Agent, cho phép AI Agent trực tiếp tương tác với blockchain Solana để thực hiện các thao tác như mua bán tiền mã hóa.
Hiện họ đang nghiên cứu cách dùng MCP-OS để tạo hàng ngàn "AI16ZDAOs" — các tổ chức tự trị phi tập trung (DAO) do AI điều khiển, chuyên đầu tư tiền mã hóa. LYRAOS dự kiến ra mắt DEMO vào ngày 21–22 tháng 3 năm 2025, và sản phẩm chính thức sẽ được tung ra vào tuần tới.
Vốn hóa hiện tại: 923 nghìn USD, vốn hóa cao nhất từng đạt 2,64 triệu USD, khối lượng giao dịch 24h: 3 triệu USD, số địa chỉ holding: 2.922
Kết luận: Câu chuyện AI lại khởi sắc, nhưng cần thêm thời gian để quan sát
Dù MCP cung cấp một quy tắc chuẩn hóa giúp AI dễ dàng và an toàn hơn trong việc tương tác với công cụ bên ngoài, và dường như tiềm năng lớn trong lĩnh vực Web3, nhưng các trường hợp thành công vẫn còn hạn chế. Nguyên nhân sâu xa có thể bao gồm:
-
Chưa chín muồi về tích hợp công nghệ: Trong hệ sinh thái Web3, mỗi blockchain, mỗi DApp đều có logic hợp đồng và cấu trúc dữ liệu khác nhau. Việc đóng gói统 nhất tất cả chúng thành các MCP Server để AI gọi dùng vẫn đòi hỏi nguồn lực phát triển khổng lồ.
-
Rủi ro về bảo mật và quản lý: Cho phép AI trực tiếp vận hành hợp đồng, xử lý giao dịch tài chính đòi hỏi cơ chế quản lý khóa riêng và kiểm soát quyền hạn phải cực kỳ chặt chẽ — độ khó và chi phí đều rất cao.
-
Thói quen và trải nghiệm người dùng: Đa số người dùng vẫn nghi ngờ việc để AI quản lý ví hay ra quyết định đầu tư. Bản thân thao tác trên blockchain cũng đã phức tạp. Nếu trải nghiệm quá rườm rà hoặc thiếu kịch bản ứng dụng rõ ràng, người mới khó có thể duy trì sử dụng lâu dài.
-
Chóng mặt vì xu hướng & thị trường nguội lạnh: Trước đó, làn sóng AI Agent từng khiến thị trường tiền mã hóa sôi sục, nhiều dự án chưa triển khai đã định giá trăm triệu đô là chuyện bình thường. Nhưng hiện tại giai đoạn "vỡ bong bóng AI" đang diễn ra — phần lớn dự án giảm hơn 90%, cho thấy sự "mất thiêng" đối với AI.
Quay lại câu chuyện MCP, có thể hiểu đây là phiên bản siêu nâng cấp của AI Agent. Thị trường đã từng trải qua cơn sốt AI trong tiền mã hóa, dần phân biệt được đâu là炒作 và đâu là ứng dụng thực tế. Nếu thiếu những ứng dụng thực sự sáng tạo và hữu ích, nhà đầu tư và người dùng sẽ không dễ dàng chi tiền. Những dự án MCP tiên phong như BORK, vì không có điểm khác biệt rõ ràng hay ứng dụng thực tiễn, cuối cùng không tạo được tiếng vang — đây cũng là yếu tố then chốt mà tác giả cho rằng khái niệm MCP hiện tại chưa lan rộng.
Việc kết hợp MCP với blockchain tiềm năng là có, nhưng đồng thời đối mặt với cả thách thức kỹ thuật lẫn áp lực thị trường. Trong tương lai, nếu có thể tích hợp cơ chế bảo mật tốt hơn, tạo trải nghiệm người dùng trực quan hơn, và khám phá ra các ứng dụng sáng tạo thực sự mang lại giá trị, thì "Web3 + MCP" mới có thể thoát khỏi số phận là một "chủ đề炒作", trở thành câu chuyện chủ đạo cho làn sóng tiếp theo.
Chào mừng tham gia cộng đồng chính thức TechFlow
Nhóm Telegram:https://t.me/TechFlowDaily
Tài khoản Twitter chính thức:https://x.com/TechFlowPost
Tài khoản Twitter tiếng Anh:https://x.com/BlockFlow_News
@WOOXResearch
