“即便把工具交给AI，也不意味着它一定会按照预期去使用。”

这是Musinsa技术组织Musinsa Tech在对话式商品探索服务中引入模型上下文协议（MCP，Model Context Protocol）后的一个直观判断。

MCP是一套用于连接AI模型与外部数据、软件能力的标准协议。企业在搭建MCP服务器后，AI便可调用商品检索、文档查询等工具。

不过，对Musinsa Tech而言，接入本身并不是最难的部分。相比“让AI能够调用工具”，更大的挑战在于如何约束AI，把用户的自然语言提问准确转换为检索条件，并持续输出相对稳定的结果。

Musinsa的MCP项目始于去年第四季度的一项内部自发项目。团队利用早期原型开展用户调研后发现，用户往往会在一次提问中叠加多个条件，例如“这周末参加婚礼该穿什么”或“黑色网面运动鞋里评价好的款有哪些”。

在传统电商搜索场景中，用户通常需要自行勾选品类、品牌、价格区间等筛选项；而在对话式AI场景下，系统则需要从自然语言中提取使用场景、偏好和预算，并据此生成检索条件。

Musinsa Tech将对话式AI视为新的商品探索入口，并推进在ChatGPT内推荐自家商品的服务开发。其首要目标并非即时转化，而是验证对话式商品探索的可行性，并拓宽新的用户触达渠道。

例如，当用户询问“适合4月去日本旅行穿的衣服”时，AI需要综合季节、目的地天气、性别等因素进行检索；如果问题变为“总预算30万韩元以内的折扣商品”，预算和是否促销等条件也需要同步纳入。

难点在于，时尚商品需求本身并不标准化。即便同样是“极简”这一表述，不同用户期待的风格也可能完全不同；而一条问题中还可能同时包含场景、天气、偏好、预算以及排除条件。

现有商品搜索API很难完整承接这类复杂需求。由于相关接口大多围绕品类、品牌、价格等预设条件设计，AI在将自然语言转换为检索条件时，容易出现上下文信息丢失，或者加入非预期条件的情况。

◆接入不是终点，真正难点在输入约束

类似问题在MCP链路中同样存在。Musinsa Tech表示，用户以自然语言提问时，AI有时会向MCP服务器传递超出预期范围的过滤条件或打包规格（单位）。团队也尝试过多种方案，包括让另一种大语言模型（LLM）对输入结果进行清洗。

团队还尝试过用另一个AI去复核前一个AI的判断，但结果一致性始终难以保证。最终，Musinsa并没有选择无条件信任AI，而是转向更严格地限制AI可传递给服务器的输入值范围。

具体来看，Musinsa进一步拆分和细化了商品检索的输入字段，并调整了整体设计，使MCP服务器能够更具体地识别问题意图。相比给予AI更大的自由度，团队选择在服务端将性别、价格区间、使用目的、地区、日期等必要条件结构化处理，以便在服务器侧实施更强约束。

Musinsa Tech表示，通过进一步细化输入字段，并在MCP服务器侧更清晰地控制和识别用户意图，部分问题已得到解决；但在AI具备非确定性特征的前提下，要持续维持稳定一致的质量，依然需要投入不小成本。

◆隔离隐私与交易数据，落实最小权限原则

随着AI Agent接入企业系统，权限管理也成为独立课题。在开发阶段，就需要明确限制AI的读写范围，仅开放必要功能和信息，避免其读取或写入非预期数据。

目前，Musinsa已将MCP服务范围限定在无需登录即可使用的商品探索功能，因此AI Agent不会接触用户隐私信息，也无法访问支付、购买等交易数据。

即便未来评估引入基于认证的功能，Musinsa也计划仅使用服务所需的最少信息，并让用户清楚知晓并自主选择信息使用范围。Musinsa Tech强调，“最小权限原则”应在MCP设计阶段就与输入校验机制一并落实。

◆Musinsa Tech：企业端普及仍需认证与安全标准化先行

业内也有观点认为，MCP要成为通用标准，仍面临技术规范不足、生态成熟度不够等问题。不同AI厂商和客户端的支持方式并不一致，也可能导致生态进一步碎片化。

Musinsa Tech认为，下一阶段需要推动主要AI厂商扩大原生支持范围，并加快认证与安全机制的标准化进程。其判断是，仅有连接规范还不够，企业环境所需的认证与权限管理体系也必须同步完善，MCP导入才可能进入加速阶段。

Musinsa Tech表示，只有在多数主流AI阵营实现对MCP的原生支持，并在协议层建立认证与安全标准后，MCP在企业环境中的导入速度才有望明显提升。