隨著大型語言模型（LLM）日益強大，我們不再滿足於讓模型僅僅「生成文字」——我們開始期待，它能更深入地「理解語境」、「推動決策」，甚至成為自動化流程中的核心大腦。
這篇文章，將帶你看到一個結構簡單但意涵深遠的實作案例：如何運用本地部署的 LLM，建構一個由模型主導、語意驅動的會議提醒系統，並透過 MCP（Model Context Protocol）的設計思維，真正實踐模型作為決策核心的可能性。
一、MCP 是什麼？為什麼重要？
Model Context Protocol（MCP）不是一種固定的技術規格，也不是某個特定的框架，而是一種以語意為核心的流程設計方法。
它的目標是：讓模型不只生成內容，而是成為整個工作流程中的理解者與決策者。
MCP 的三個設計核心是：
- 語意延續：每一個階段的輸入，都是上一階段語意輸出的自然延伸，確保整個流程上下文一致，而不是一個個獨立指令。
- 模型主導邏輯：模型的角色不是單純「產出句子」或「給建議」，而是主導資料的理解、判斷與轉換過程，真正參與決策。
- 工具執行為輔：外部工具（如 API 呼叫、資料庫寫入、訊息發送）只是模型推理後的「動作落地」，而不是流程的核心判斷者。
📌 簡單來說，就是：「由模型理解語意，推動動作，工具只負責執行。」
這種設計跟傳統自動化流程很不一樣：
| 傳統自動化 | MCP 流程設計 |
|---|---|
| 人類寫死流程與規則 | 模型依語意推理決定後續動作 |
| 工具是流程中心 | 模型是流程中心 |
| 上下節點獨立、不連貫 | 上下節點語意連貫、具邏輯延續性 |
二、一句話 = 一則會議提醒
我們的任務目標很簡單：
👉 使用者只要輸入一句話，例如「明天下午三點跟 Alice 開會」，系統就能解析出會議資訊，自動轉成結構化資料，並即時推送提醒訊息到 Discord 頻道。
這個設計的關鍵，不是「接收一個訊息」而已，而是讓模型能理解人類語境中的時間、對象、意圖，並且轉化成可以直接執行的結構化指令。
這正是 MCP 思維的第一步：從「語意理解」出發，推動後續的自動化動作。
三、流程設計
為了實現這個目標，我們簡單設計了以下的流程架構：
- When chat message received：收到使用者自然語言輸入，作為流程觸發點。
- Context-aware LLM：理解語句，解析關鍵意圖與指令內容。
- Agent：根據解析結果，判斷並選擇合適的工具。
- Tools（工具群）：執行實際動作，例如發送提醒訊息。（例如：若是會議提醒，Agent 會選擇「Meeting Reminder Tool」；若是待辦事項，則選擇「Todo Tool」。）
四、從輸入到提醒：完整流程解析
🔸 Step 1：When chat message received
當系統收到一句自然語言訊息（例如從 webhook、聊天機器人或其他介面），就會啟動後續語意解析流程。
🔸 Step 2：Context-aware LLM（本地部署）
訊息觸發後，我們將內容送給本地部署的 LLM 進行語意解析。
這裡我們使用的是 Ollama 平台上的 Llama-3.3 模型，並設計了針對性的 Prompt，要求模型：
- 提取出會議主題、時間、地點等資訊。
- 將結果轉換成標準化的 JSON 格式。
- 使用 ISO 8601 格式表示時間，並支援「明天」、「後天」、「下週五」等自然語言時間推理。
範例輸出格式如下：
{
"summary": "與 Alice 開會",
"description": "",
"start": "2025-04-24T15:00:00+08:00",
"end": "2025-04-24T16:00:00+08:00"
}
這個階段是整個 MCP 流程的核心，因為模型不僅轉譯了文字，更推理出了結構化的行動資訊。
🔸 Step 3：JSON 解析與格式化
主要處理工作包括：
- 擷取出標題（summary）、時間（start/end）、備註（description）。
- 組合成一則人類易讀的提醒訊息，適合直接發送到即時通訊平台。
收到模型回傳的 JSON 後，透過簡單的程式處理模組，解析並組合成適合即時通知的格式，例如：
📅 新會議提醒
📝 標題：與 Alice 開會
🕒 時間：2025-04-24T15:00 ~ 16:00
📄 備註：🔸 Step 4：發送到 Discord 頻道
最後，將格式化完成的提醒訊息，透過 Discord webhook API，即時推送到指定頻道。
這樣就完成了從「自由語言」到「結構化行動」的完整語意驅動流程。
五、為什麼這是 MCP？
這套流程完整體現了 MCP 的四大精神：
| 特徵 | 實作方式 |
|---|---|
| 語意驅動 | 使用 LLM 解讀自然語言中的會議資訊 |
| 上下文導向 | 每個節點依賴前一階段產出的語意（語意強化） |
| 結構化生成 | LLM 輸出標準化 JSON，而非單純生成句子 |
| 可執行落地 | 最終以 webhook 發送到 Discord，形成具體行動 |
在這個架構下，模型不只是「輔助工具」，而是「流程的理解者、推理者與決策者」。
六、延伸應用方向
這樣的 MCP 流程，很容易擴展到更多場景，例如：
- 📆 自動寫入 Google Calendar 或 macOS Calendar.app。
- 📬 發送通知到 LINE、Slack、Telegram 等平台。
- 🧠 搭配 chrono-node、dateparser 提升自然語言時間解析能力。
- 🗂 整合歷史資料記憶，打造更智慧的會議管理系統。
只要調整模型輸出與動作觸發，就能靈活切換不同任務。
七、小結
這個案例展示了如何運用本地部署的 LLM，搭配 MCP 思維，將一則自然語言訊息，轉化為結構化行動並完成落地執行。MCP 帶來的不只是技術進步，更是一種流程設計的革新：👉 讓模型不只是生成內容，而是真正理解、推理並推動整個流程。當流程的判斷與連貫性，從人類硬式設計轉交給模型語意推理，未來的每一條訊息、每一個輸入，都能成為自動化智慧行動的起點。
這，就是 Model Context Protocol 的力量。
