最近AI圈有一件挺有意思的事。

Perplexity——就是那个号称"AI搜索引擎"的产品——公开宣布要弃用MCP协议。原因很直接：Token税太高了，每次通过MCP调用一个工具，中间都要经过大模型推理一次，Token消耗像流水一样哗哗地往外流。

这件事在圈子里炸开了锅。因为MCP可是被Claude的母公司Anthropic大力推广的，一度被誉为"AI世界的USB-C接口"。 Anthropic的愿景很美好：所有AI应用、工具、数据源都通过MCP这个统一标准连接起来，互插互用，就像USB-C统一了充电接口一样。

但Perplexity的退场让很多人开始冷静下来——光有一个标准接口，真的够吗？

一、MCP的初衷是好的，但现实很骨感

我们先理解一下MCP到底在解决什么问题。

在AI应用开发中，一个很常见的场景是：你想让AI帮你查数据库、调API、读文档。这些"外部工具"怎么和AI大模型对接？以前每个厂商各搞各的，OpenAI有Function Calling，百度有文心一言的工具调用，各家协议不通，开发人员头疼得很。

MCP就是想统一这个事。它定义了一套标准协议，任何工具只要按MCP规范封装好，任何支持MCP的大模型就能直接调用。听起来很完美对吧？

但问题出在"调用方式"上。

按照MCP的标准流程，当用户说"帮我查一下上个月的销售数据"时，AI不是直接去查数据库，而是：

1. 先用大模型理解用户的意图
2. 再通过MCP协议把调用请求发给对应的工具
3. 工具返回结果
4. 大模型再理解结果，组织成自然语言回复

你看，第1步和第4步都需要大模型参与。也就是说，每一次工具调用，至少要消耗两次大模型推理的Token。如果工具调用过程中还有来回确认、参数校验，Token消耗量会成倍增加。

这就是Perplexity说的"Token税"——你为每一次操作都额外付出了大模型推理的成本。

二、为什么Token税对企业来说是个大问题

对于个人用户来说，偶尔多花几个Token不算什么。但对于企业来说，这就是另一回事了。

举个例子。假设你的企业有一个客服系统，每天要处理10000个用户咨询。其中大约60%的咨询需要查订单、查物流、查库存——这些都需要调用后端系统。

如果每次调用都要经过大模型推理，以目前主流大模型的定价来算，光是"工具调用的中间推理"这一项，每个月的Token费用可能就要几万甚至十几万。这笔钱花得冤不冤？

更关键的是，很多工具调用的逻辑是确定的。比如"查订单号12345的状态"，这个过程根本不需要大模型来"思考"——直接拿订单号去数据库里查就行了，结果也是确定的。非要把一个确定性的操作绕一圈让大模型推理，既费钱又费时。

这就是问题所在：MCP把所有操作都当成了"需要AI推理的智能任务"，但实际上企业的大量操作是确定性的、规则明确的。

三、企业真正需要的是什么：执行环境

Perplexity的退场，表面上是"Token税太高"，实际上暴露了一个更深层的问题——企业AI缺的不是接口标准，而是执行环境。

什么是"执行环境"？简单说，就是让AI能够直接执行确定性操作的能力层。

我们来做一个类比。你用电脑的时候，插了一个U盘（USB-C接口），电脑能识别它——这是MCP做的事情。但如果你想从U盘里拷贝一个文件到桌面，你需要的是操作系统提供的文件管理能力——这就是"执行环境"。

对于企业AI来说，光让大模型"知道"有哪些工具可以调用是不够的，还需要一个完整的执行环境来：

• 直接执行确定性操作，不绕大模型
• 管理工具调用的权限和审计
• 处理多步骤任务的编排和串联
• 保证操作的可追溯性

这恰恰是目前大多数AI应用框架缺失的一环。大家都在拼命做"接入更多模型"、"支持更多协议"，但很少有人认真思考：企业真正需要的是什么样的执行环境。

四、怎么解决这个问题

解决Token税的思路其实很清晰：把确定性的操作从大模型推理中剥离出来，让它们直接执行。

具体来说，一个理想的AI执行环境应该具备以下特征：

第一，确定性指令直通。对于那些规则明确、输入输出固定的操作（比如查数据库、调API、读写文件），应该封装成确定性指令，直接执行，不需要经过大模型推理。只有在需要"理解"和"决策"的环节才调用大模型。

第二，多级编排能力。一个复杂的业务场景往往包含多个步骤，有些步骤需要AI推理，有些步骤是确定性操作。好的执行环境应该能把这些步骤编排成一条链路，自动判断哪些步骤走AI、哪些步骤直通。

第三，权限和安全管控。工具调用直接关联到业务数据，必须有严格的权限控制和审计日志。不能因为有了AI就绕过企业的安全体系。

第四，可观测性。企业需要知道每个AI任务的执行过程：哪些步骤花了多少Token、调用了哪些工具、结果是否正确。这对于成本优化和问题排查至关重要。

五、从MCP争议看行业走向

MCP协议本身是有价值的，它推动了AI工具生态的标准化。但Perplexity的退场给行业提了个醒：标准化接口只是第一步，真正的难点在于如何构建高效的执行环境。

最近有一个概念开始被越来越多的人讨论——AREE（AI Runtime Execution Environment，AI运行时执行环境）。这个概念的核心思想就是：为企业AI应用提供一个完整的运行时环境，在这个环境里，确定性操作可以直接执行，只有需要智能推理的部分才走大模型。

这个思路其实和云计算的演进很像。早期大家觉得"能虚拟化就行"，后来发现光虚拟化不够，还需要容器编排（Kubernetes）、服务网格（Service Mesh）、可观测性（OpenTelemetry）等一系列基础设施。AI应用也正在经历类似的演进——从"能接入大模型就行"到"需要完整的执行环境"。

对于正在做AI转型的企业来说，我的建议是：不要只盯着模型选型和接口协议，多花点时间评估执行环境的能力。一个好的执行环境，能帮你省掉大量的Token费用，同时让AI应用的稳定性和可维护性大幅提升。

MCP是"USB-C接口"，但你的企业AI还需要一个"操作系统"。找到那个操作系统，才是真正解决问题的关键。

就比如JBoltAI平台在思维链编排、Function Call与MCP指令直达方面的设计，正是围绕"确定性操作不走大模型"这个思路来构建的。有兴趣的同学可以了解一下，看看实际工程中是怎么处理这个问题的。

不管怎样，Perplexity的这次"退场"对整个行业来说是一件好事。它让更多人开始思考：企业AI到底需要什么？答案正在变得越来越清晰。