第一阶段：从一个痛点到一个“能用”的私有方案
作为开发者，我们对效率的追求是无止境的。对我而言，将技术灵感转化为一篇线上博客文章，中间的发布流程总是一个难以忍受的“效率黑洞”。传统的“登录后台-复制粘贴-调整格式”不仅枯燥，更是一种对创造性思维的干扰。
我的目标很明确：构建一个能让我通过 AI 代理（在我的工作流中是 Gemini CLI）直接从终端完成发布的自动化流程。
经过一番探索和调试（包括踩了在 REST API 环境下调用 WordPress 编辑器函数的坑），我们成功打造了一个有效的私有解决方案：
- 核心：一个名为
ai-post-creator的自定义 WordPress 插件。 - 机制：插件提供了一个私有的 REST API 端点 (
/wp-json/ai-creator/v1/create-post)。 - 认证：使用 WordPress 的“应用程序密码”进行基础的 Basic Auth 认证。
- 功能：接收包含标题和 Markdown 内容的 JSON 请求，在服务器端使用
Parsedown库将 Markdown 转换为 HTML，并直接将 HTML 写入post_content字段来创建文章。
这个方案非常成功，它解决了我的核心痛点，让我能用一条指令完成发布。但它本质上是一个“孤岛”——一个为特定场景、特定工具定制的封闭方案。如果我想接入新的 AI 模型，或者让其他工具使用我的发布功能，我就必须为它们重新编写适配逻辑。
这引出了一个更深层次的问题：我们该如何构建一个能被广泛、安全、可靠地集成的 AI 工具生态？
第二阶段：引入行业标准——模型上下文协议（MCP）
就在我满足于我的私有方案时，一个更具前瞻性的概念进入了我的视野：模型上下文协议（Model Context Protocol, MCP）。
MCP 是由 Anthropic 推出的一个开源协议，其目标远比我那个小小的自定义 API 宏大得多。它旨在为大语言模型与外部工具之间，建立一个安全、标准、双向的连接。
MCP 的核心价值在于解决了 AI 工具集成的三大难题：
标准化 (Standardization)：MCP 定义了一套通用的“语言”。工具不再需要为每一个 AI 模型定制 API。反之，任何支持 MCP 的模型都能与任何支持 MCP 的工具进行无缝对话，极大地降低了集成成本。
安全性 (Security)：我的方案用的是简单的应用程序密码，而 MCP 则提供了一套更强大、更规范的认证与授权框架。这意味着工具的权限可以被精细化管理，确保模型只能执行它被允许的操作，这对于企业级应用至关重要。
双向通信 (Bidirectionality)：这是 MCP 最具革命性的一点。它不仅支持“模型 -> 工具”的指令下达，更重要的是，它规范了“工具 -> 模型”的结果反馈。工具可以以结构化的格式返回成功的结果、清晰的错误信息或任务的中间状态。这使得 AI 代理能够真正理解任务的执行情况，并据此做出更智能的后续决策（例如，在发布失败时自动尝试修复或向用户报告具体的错误原因）。
第三阶段：展望未来——将我们的插件“MCP化”
理解了 MCP 之后，我重新审视了我的 ai-post-creator 插件。它虽然能用，但与一个真正的“AI工具”相比，差距是显而易见的。
那么，如何将我们的私有插件升级为一个符合 MCP 规范的、开放的工具呢？
这需要进行一次彻底的重构：
- 认证层：放弃简单的 Basic Auth，转而实现 MCP 定义的、基于 OAuth 2.0 或其他更现代的认证流程。
- 能力描述：插件需要提供一个符合 MCP 规范的“清单”（Manifest），用标准化的格式向外界声明：“我是谁？我能做什么（比如
create_post）？我需要什么参数（title,content）？” - 通信协议：API 的端点、请求和响应体都必须遵循 MCP 的标准格式。这意味着，当 Gemini CLI（或其他任何支持 MCP 的模型）想要发布文章时，它会先读取我们插件的“清单”，然后构造一个标准的 MCP 请求。我们的插件在处理完毕后，也会返回一个标准的 MCP 响应。
一旦改造完成，我们的 ai-post-creator 插件将发生质的飞跃。它不再仅仅是我个人工作流中的一个私有组件，而是变成了一个可以被整个 AI 生态系统发现、理解和安全使用的、开放的“WordPress 发布工具”。
结论：从解决问题到拥抱标准
这次探索之旅，是一次从“解决自己的问题”到“思考行业级解决方案”的认知升级。我们从一个具体的需求出发，通过一个定制化的方案快速验证了想法。但技术的真正魅力在于构建可扩展、可协作的生态系统。
拥抱像 MCP 这样的开放标准，正是将个人创新融入宏大愿景的关键一步。我们的 ai-post-creator 插件，从一个简单的脚本到一个符合 MCP 规范的工具的演进之路，正是通往下一代 AI 应用开发的必经之路。
