随着人工智能技术的日益普及，使用大型语言模型（LLM）进行自动化任务逐渐成为热点，许多人也开始关注模型上下文协议（MCP）这种新兴的工具调用方式。然而，资深开发者Armin Ronacher的深入分析却表明，尽管MCP作为一种理念或许前景广阔，但在实际应用中，代码仍然是实现高效、稳定、可组合自动化的关键所在。通过对MCP与传统代码自动化的优劣对比，Ronacher提出了讲究代码的“更好用”理念，尤其强调了代码在自动化规模和可靠性上的独特优势。当前，MCP的最大问题源于两点：缺乏真正的可组合性，以及对上下文信息的极强依赖。这种依赖使得每次工具调用所需的上下文量大幅增加，导致效率低下且难以控制。而相比之下，直接通过命令行工具或编写脚本来实现需求，能明显减少上下文消耗，加快任务完成速度。
Ronacher通过实验举例——使用GitHub MCP完成任务与直接使用gh CLI相比，后者耗费上下文更少且更快完成了目标——以直观方式说明了这一问题。即使从未来发展角度考虑，虽然模型能力或许会提升、能够支持更多工具及更复杂任务，当前的数据显示MCP仍难以从根本上战胜代码的优势。对于领域特定应用，代码生成更是具有明显优势，因为它能实现模块化、可维护和可验证的解决方案，远胜单纯基于推理的工具调用。另一方面，自动化真正的价值在于规模化执行反复发生的任务。一次性、偶发性操作不适合自动化，因其准备和验证成本过高；只有当任务重复多次，自动化才能带来显著效益。而在这一过程中，代码自动化体现出独特优势。
使用代码生成的脚本和程序，我们可以清晰地审查逻辑，精准验证和调整，避免依赖模型推理导致的错漏和不确定性。Ronacher本人在博客转换项目中展示了这一思路：他利用LLM生成代码，将reStructuredText转换成Markdown，并通过表达式树（AST）确保转换过程的准确性；同时，通过编写差异比较脚本，循序渐进地迭代和验证结果。这套流程的核心不在于模型本身完成复杂推理，而是模型辅助代码生成与检查，从而保证了转化的可靠性与可控性。这种“LLM产出代码-代码执行验证-LLM辅助审查”的闭环机制，让自动化任务在规模上更加可控，避免了MCP推理模式带来的大量上下文和时间消耗。关于MCP更复杂场景的应用，如Playwright浏览器自动化，Ronacher指出，虽然在交互性强的实时页面操作中，推理不可避免，但在已明确界面和操作流程的自家应用中，编写Python脚本执行自动化更为高效。此类脚本只需写一次，无需在每次执行时依赖推理，极大提高了速度和稳定性。
不仅如此，代码级别的脚本更易于调试和维护，对于开发者来说也更为友好和透明，而MCP的调用体验往往难以预测且调试困难。Ronacher坦言，他本人作为用户都更倾向于代码操作而非MCP客户端，因后者存在较高的使用门槛和不确定性。综合来看，尽管MCP理念指向基于推理的高度灵活工具组合，但目前其架构限制了自动化规模化和效率的提升，短期内难以替代成熟的代码生成与执行模式。未来自动化可能需要融合两者的优点：以代码为主体完成核心任务，通过模型辅助实现局部推理和决策判断，形成“代码核心-模型辅助”的协同框架。一个理想的方向是构建更智能的代码沙箱环境，支持自动化任务的拆分与合并，并让LLM在代码执行后作为“裁判”进行结果分析和优化。除此之外，如何让LLM生成能够被非程序员轻松理解和操控的自动化脚本，也会成为未来的重要课题。
通过自动生成“人类可懂”的脚本说明，不仅降低使用门槛，也能促进跨领域协作，从而推动自动化进一步普及和深度应用。总的来说，当前人工智能赋能自动化的最佳实践，仍然是“让代码承担核心逻辑，LLM辅助代码生成与验证”。从实践角度来看，代码是一种成熟且经过时间验证的工具，易于调试、复用和组合。相比之下，依赖推理的MCP模型虽有创新性，但在效率、稳定性和可控性上存在明显短板。技术发展需要脚踏实地地解决自动化“成本、速度、稳定性”三大挑战，唯有如此机器才能真正代替重复繁琐的人类操作，实现规模化生产力飞跃。对于开发者而言，拥抱代码生成带来的灵活性和可控性，逐步创造属于自己的一套自动化工作流，将是推动未来智能工作的关键起点。
通过结合人工智能的引导能力和代码的坚实基础，不断迭代和完善，我们有望打造出既灵活又高效的智能自动化体系。未来或许不是单纯选择工具调用还是代码生成，而是两者协同共生，从而让自动化工作既精准又易用，释放更大的生产潜能。
