> ## Content Index > Fetch the complete content index at: https://growthhackers.tw/llms.txt > Use this file to discover other available public pages before exploring further. # MCP server 開了就夠嗎？Linear 為什麼還要自己做原生 agent - URL: https://growthhackers.tw/blog/native-agent-vs-mcp-server/ - Published: 2026-08-12T13:00:00.000Z - Updated: 2026-08-12T13:00:00.000Z - Description: 開 MCP server 給的是「能做什麼」，做原生 agent 給的是「預設會怎麼做」。但我查了官方文件發現 Linear 兩個都做，所以真正的問題是預設值歸誰。這篇拆給你：品牌方挑工具該問供應商哪三個問題、自建方該先開哪一層，以及 AI 做到什麼程度才算可以上線。 - Author: Lewis wang - Tags: AI agent, 趨勢解碼, 電商經營, MCP, AI 導入 專案管理工具 Linear 把自家的 AI agent 放上線的時候，沒有開發表會，沒有寄信給全公司，也沒有做教學。 他們本來就有 Slack 整合，本來在 Slack 裡 tag 一下 Linear 會跳出一個表單。他們就把後面那條線，靜靜地換掉。 產品負責人 Nan Yu（Head of Product）在 [Peter Yang 的 podcast](https://www.youtube.com/watch?v=4mKtJzfGj0U&ref=growthhackers.tw) 上的原話是：「我們就想說好啊那就做吧，然後如果有人在 Slack 裡 app mention 到 Linear 發現了，他們就可以開始跟它講話。」 接下來發生的事，他們自己說沒預料到。 同事發現這東西讀得到上下文之後，開始偷懶。本來要打「@linear 幫我開一張 issue，內容是……」，變成直接打「@linear 做對的事」。Nan Yu 說到後來有人乾脆只打一個 @linear 加上一個往上指的表情符號，意思是「上面那串討論，你自己看著辦」。 然後它真的看著辦了。 想像一下這個畫面。你們幾個人在群組裡吵一個功能該不該做，吵了二十則訊息，最後有人說「好啦就這樣」。以前這裡就是終點，因為沒有人想回頭把結論整理成一張工單。現在你丟一個表情符號，工單自己長出來，而且掛在該負責的人名下。 我在雨傘產業待了七年，工廠、品牌、通路、百貨專櫃櫃哥都做過。要說我學到最硬的一課，大概就是：**新工具不是靠公告推起來的，是靠有人自己偷偷拿去用。** 你在辦公室宣布「我們要導入 AI」，換來的是一場會議和三份沒人看的規範。你把它默默接在大家每天已經在用的那個群組裡，才會知道他們真正想拿它做什麼。 站內我寫過一篇 [AI 正在從你去用的工具變成自己上工的同事](https://growthhackers.tw/blog/ai-agent-triggered-not-chat/)，講的是「聊天視窗是 demo，觸發器才是產品」。Linear 這個例子是同一件事的另一面：入口要放在人已經在的地方，不是你希望他們去的地方。 不過在往下講之前，有件事我得先講清楚。 --- ## 先把立場標清楚 這一集，是 Linear 的員工，上一個 Linear 有付錢贊助的節目，示範 Linear 自己的產品。 具體說：Linear 出現在該集的贊助商名單裡，而且有一個專屬導購頁 `linear.app/behind-the-craft`，聽眾去那裡可以拿 Business 方案 6 個月 5 席的優惠。兩位來賓 Nan Yu 與 Jacob Shumway 都是 Linear 的人（Jacob 我保守寫「Linear 工程師」，因為他的職稱只在第三方名錄與他自己的社群簡介上查得到，Linear 官網沒標）。我把整集聽完、show notes 也翻過，沒看到任何第三方數據。 所以我的處理方式很簡單：**工程判斷可以聽，數字一個都不用。** 節目裡那個「從 Slack 討論到產出 PR 只花 6 分鐘」的示範，是廠商拿自己的工具跑自己的一次 demo，沒有任何第三方重現過。我不會拿它當效益數據，你也不要。 還有一件事順便講。這集標題掛的是「5 Rules」，但我去看主持人 Peter Yang 的同名文章，裡面的小標其實寫的是「Top 10 takeaways」，而且被付費牆擋住。我找不到任何一份他公開過的五條規則，所以下面我整理的重點，是我自己歸納的，不是他給的清單。 標題跟內容對不上這件事，連認真做內容的人都難免，你自己在下標的時候留意一下就好。 --- ## 決策題：你要給 AI 一支 API，還是一套帶著意見的流程？ 回到主戲。 Jacob Shumway 講了他們的踩坑過程。一開始很直覺，把 Linear 裡能做的所有動作全部餵給模型，結果撞上兩件事：脈絡塞爆，還有幻覺。他們也試過把自家的 GraphQL schema 丟給模型讓它自己寫查詢，用他的話說是「效果不太好」。 最後改成 skills 架構：給模型一個「載入技能」的工具，它依當下的請求自己去撈需要的那幾包，每一包裡面帶著對應的工具跟說明。 重點是什麼？ 重點在說明裡裝了什麼。Jacob Shumway 說：「因為我們對不同的事情怎麼做是有意見的。如果你要寫一張 issue，優先級要怎麼設？描述要怎麼寫？我們把這些全部編進這些 skills 裡面。」 看到差別了嗎？ **開一個 MCP server（Model Context Protocol 伺服器，簡單講就是把你系統的能力做成一排標準插孔，支援 MCP 又拿到授權的 AI 客戶端插上去就能操作），你給的是「能做什麼」。做原生 agent，你給的是「預設會怎麼做」。** Nan Yu 把這件事講得更狠。他說他們最怕的結果，是 agent 產出一堆沒人讀、塞滿無關細節的 markdown 文件，他形容那叫 slop。他說有了原生 agent，他們才能把「我們認為好的專案管理長什麼樣」灌進去，而好的樣子「就不是產出一堆讀不下去、細節多到沒用的文件」。 這就像你要把商品鋪到市場上。 **批貨給經銷商**，通路廣、成本低、你不用養人。但價格怎麼標、陳列怎麼擺、店員對客人講什麼話，全是別人決定的。**自己開專櫃**，累、貴、要養人，但顧客走過來的動線、第一句話聽到什麼、什麼該推什麼不該推，照你的規矩。 我當年在百貨當櫃哥的時候最有感的就是這件事。同一個品牌的同一支傘，放在自家專櫃跟放在別人櫃上，賣法完全是兩回事。東西沒變，決定顧客感受的是誰站在旁邊講話。 MCP 跟原生 agent 的差別，本質上就是這個。 不過這裡我要先自己補一刀，免得你被我的二分法帶偏。 技術上，這條線沒有那麼乾淨。你完全可以把規矩下沉到 MCP 那一層：工具怎麼切、參數怎麼設限、後端做哪些驗證、哪些動作根本不開放，這些都是在寫規矩。反過來，一個掛著「原生 agent」名號的東西，也可能只是一個薄薄的聊天框接在 API 上，裡面根本沒有任何產品觀點。 所以精確的講法是這樣：**這條線不是技術畫的，是產品方自己選的，選的是控制權要放在哪一層。** 你要看的不是它叫什麼，是它的預設行為裡有沒有人的判斷。 --- ![給一支 API 像把零件丟給對方自己組；帶著意見的流程則是把你的最佳實務寫進預設值。](https://growthhackers.tw/content/images/2026/08/inline-dealer-vs-counter-v1.png) 給一支 API 像把零件丟給對方自己組；帶著意見的流程則是把你的最佳實務寫進預設值。 ## 我查證出來的更正：這題根本不是二選一 節目把它講成一個取捨，Nan Yu 甚至說有一個平行宇宙是「我們就說我們有一個 MCP server，大家愛用什麼工具連上來就連，然後就沒了」。聽起來像是要你選邊站。 但我去翻了 Linear 的官方文件，事實是：**Linear 同時提供公開的 MCP server。** 位址是 `https://mcp.linear.app/mcp`，[官方文件](https://linear.app/docs/mcp?ref=growthhackers.tw)寫明預設就給讀寫權限，Claude、Cursor、VS Code 這些客戶端都能連。它跟原生的 Linear Agent 並存，不是替代關係。 這一點節目裡沒有講清楚，是我自己查文件查出來的。而我認為這是這整集最重要、也最容易被誤讀的一件事。 所以真正的問題不是「MCP 還是原生 agent」。 **真正的問題是：預設值歸誰。** 你開 MCP server，等於承認「AI 要怎麼用我的系統，由使用者那端的工具決定」。這沒有錯，甚至很聰明，因為你不必猜每個人的工作流長什麼樣。但你也同時放棄了「它第一次動手時會怎麼做」。 你做原生 agent，等於你要親自回答「怎麼做才算做對」。這很貴，而且你會發現你其實沒有答案。 以前你的產品哲學寫在說明文件裡，客戶看不看隨他。現在你的產品哲學可以直接被執行。Nan Yu 就是這樣講的：以前他們寫 Linear Method 這種指南，告訴你軟體開發流程該怎麼想，現在「你不用讀完再自己照做，你可以讓 Linear 自己去執行這套劇本」。 --- ![Linear 其實兩扇門都開著：公開的 MCP server 與自家原生 agent 並存，這不是二選一。](https://growthhackers.tw/content/images/2026/08/inline-both-doors-open-v1.png) Linear 其實兩扇門都開著：公開的 MCP server 與自家原生 agent 並存，這不是二選一。 ## 翻成中文：台灣團隊該怎麼用這一題 我知道你多半不是在做 SaaS。所以這題要拆成兩種身分講。 ### 身分一：你是品牌方，你在挑工具 你在評估一套 EC 平台、客服系統、ERP 或 CDP，對方業務跟你說「我們有 AI」。 你該問的不是「有沒有 AI」，是下面三個問題： **第一，你們是只給 API 或 MCP，還是有原生 agent？** 這決定你買到的是一套零件，還是一套已經有立場的流程。 **第二，如果有 agent，你們把哪些「怎麼做才算對」寫進預設值了？** 這題最會篩掉業務。真的有做的人講得出具體的（例如退貨判定的順序、什麼情況一定轉真人），只是外包一個聊天框的人，會開始跟你講模型有多聰明。 **第三，如果我兩邊都接，衝突的時候誰說了算？** 因為 Linear 就是兩個都給。你的供應商如果也兩個都給，你要知道你的規則寫在哪一層。 ### 身分二：你要把自家後台接給 AI 先講務實的：台灣中小型電商團隊多半沒有 Linear 那種工程量能，別一開始就想自己做原生 agent。 合理的順序是這樣。 先開工具層，讓 AI 能查訂單、能讀庫存、能撈客服紀錄。這一層做完你會馬上有感，因為查東西的時間會塌掉。 然後你會撞到第二層問題：它查得到，但它做的判斷不像你們家的判斷。 這時候要做的不是把規則全部塞進一段長指令，而是把「怎麼做才算對」整理成一份份可以被叫出來的規則包，需要哪包載哪包。這正是 Linear 從「全部餵進去」改成 skills 架構的原因，我之前寫過的 [Agent Skills 越加越多、AI 卻越不聽話](https://growthhackers.tw/blog/writing-great-agent-skills/) 講的是同一套工藝。 至於 MCP 本身的規格怎麼運作、為什麼會朝無狀態設計走，可以看 [MCP 改版重點](https://growthhackers.tw/blog/mcp-stateless-core-spec/)。 --- ![挑 SaaS 時該問的：你們只給我 API，還是把最佳實務也一起交付？](https://growthhackers.tw/content/images/2026/08/inline-warranty-list-v1.png) 挑 SaaS 時該問的：你們只給我 API，還是把最佳實務也一起交付？ ## Linear Agent 現在到底要不要錢？ 這段給正在評估要不要換工具的中小團隊，數字全部來自 Linear 官方文件與更新日誌。 Linear Agent 在 2026 年 3 月 24 日推出，當時掛的是 beta。現在它已經正式開放，[官方文件](https://linear.app/docs/linear-agent?ref=growthhackers.tw)寫的是「預設就在你的工作區裡可用」，管理員可以關掉。 方案這邊：**Free 方案就含 Linear Agent**，付費是 Basic 每人每月 10 美元、Business 16 美元（年繳計價），Enterprise 另議。**沒有 agent 席次這種東西**，你付的還是人頭。 只有兩個功能走用量計費，叫 AI credits，是工作區層級的預付制：一個是 coding sessions（agent 幫你寫程式、開 PR），一個是 loops（背景跑的長流程）。[官方文件](https://linear.app/docs/ai-credits?ref=growthhackers.tw)寫得很清楚：如果你的工作區從來沒儲值，你就用不到這兩個功能，也永遠不會被扣款。 順帶一提估值。Linear 在 2025 年 6 月宣布 C 輪募資 8,200 萬美元、估值 12.5 億美元，由 Accel 領投。那是他們最後一次公開的輪次，所以那個數字是「當時」，不是現在。 --- ## 那，什麼時候才算可以上線？ 這是我覺得整集最值錢的一段，因為它回答了一個台灣老闆天天在問的問題：這東西做到什麼程度可以放出去？ Jacob Shumway 的答案很誠實：「感覺我們放得有點早，但不算太早。」他說如果要追求完美，關起門來可以做到天荒地老。 Nan Yu 的補充才是關鍵。他說如果你出的是一個有介面的功能，介面本身就限制了使用者能做什麼，所以你可以用「把所有你沒打算讓它發生的事都排除掉」來定義品質。 但 agent 沒有介面可以擋。 所以他們的作法是：挑出幾條核心的主打情境，就是他們會拿去 demo、會寫在行銷素材上的那幾條，把那幾條做到硬。其他的？Nan Yu 說可靠度本來就會有變異，他們接受。他用了一個很好的詞形容那幾條主打路徑：**那些是在保固範圍內的。** 翻成你的生意。 你的 AI 客服不需要什麼都會。你需要的是挑出三條你敢寫在官網上的路，例如查訂單狀態、改配送地址、講清楚退換貨規則，把這三條做到不會出錯。其他問題，讓它老實說一句「這題我幫你轉專人」。 會出事的從來不是「它不會」，是「它不會卻裝作會」。 ### 該驗什麼，比要不要驗更重要 這裡有一句話我猶豫要不要寫，因為它跟我以前寫的東西方向不太一樣。但它是原文講的，我還是講。 Jacob Shumway 說，eval（自動化評測）最有用的地方，是「在一致性真的重要的地方確保一致性」。接著他補了一句：**但一致性對 agent 不總是重要。** 它們回應事情本來就會有變化，你如果在那些地方鋪太多評測，得到的只會是假訊號。他還說，正因為讓 LLM 當評審這件事本身還要人去審評審準不準，他們反而用得比較少。 請不要把這句話讀成「不用驗收」。 正確的讀法是：**驗收要對準保固清單。** 你要驗的是那些對錯分明的事：訂單狀態有沒有正確更新、退貨規則有沒有講錯、承諾的到貨日有沒有亂開。這些錯了就是錯了，該用死板的規則去卡。 你不該去驗的是「它今天回話的語氣跟昨天不一樣」。那個變異不會害你被客訴，但你為它建的一整套評分機制會天天亮紅燈，最後你會學會忽略所有警報。 我之前寫過 [用 AI 的高手設計「驗收迴圈」](https://growthhackers.tw/blog/ai-agent-verification-workflow/)，講的是要先畫一條終點線。這一段補的是下一個問題：終點線要畫在哪幾條路上。至於品質分數本身可不可信，[AI 品質分數的校準](https://growthhackers.tw/blog/ai-evals-quality-calibration/) 那篇有更完整的作法。 --- ## 你這週可以做的四件事 ► **第一，做一張「AI 型態盤點表」。** 欄位就四個：工具名稱、它給的是 API／MCP 還是原生 agent、AI 讀得到哪些資料、AI 能寫入哪些動作。把你在用的 EC 平台、客服、ERP 一個一個填完。不少台灣供應商連第一層都還沒開，你填完就知道自己站在哪。 ► **第二，今天就寄信問三家現有供應商那三個問題。** 不要等下次提案。特別是第二題「你們把哪些判斷寫進預設值了」，答得含糊的就請他直接 demo 給你看。 ► **第三，把保固清單寫成三條可驗收的任務。** 每一條要有明確的完成標準跟失敗時的轉人工規則，例如「查訂單狀態：回傳的物流階段必須與後台一致，查不到就轉專人，不准猜」。寫下來貼在牆上。 ► **第四，挑一個低風險的內部群組，把 AI 用唯讀權限接進去，先不公告。** 連續記錄五天，看同事真的拿它做什麼。你會看到在需求會議上比較難問出來的東西。 --- ## 最後 如果你問我，這一集真正有用的不是那些工程細節，是它逼你回答一個很多人跳過的問題。 你把 AI 接進系統的時候，你到底是在給它能力，還是在給它規矩？ 給能力很快，一個 MCP server 就夠了。給規矩很慢，因為你得先承認你們家的「做對」到底長什麼樣，而那件事本來就沒寫下來過。 按 Linear 自己的說法，他們從一份內部備忘錄走到今天，做的說穿了就是把一份沒人讀的方法論，變成一個會自己執行的預設值。 你們家那份沒人讀的 SOP，也在等同一件事。 --- ## 常見問題 **Q：MCP server 是什麼？開了就夠嗎？** A：MCP（Model Context Protocol）是一套讓 AI 客戶端連上外部系統的標準介面，你可以把它想成把系統能力做成一排標準插孔。開了之後 AI 就「能做」那些事。但它決定不了 AI「預設會怎麼做」，那部分取決於使用者端的工具與指令。如果你的業務有明確的「怎麼做才算對」，只開 MCP 不夠。 **Q：原生 agent 跟 MCP server 差在哪？** A：MCP server 給的是能力清單，誰來連、怎麼用由對方決定。原生 agent 是產品方自己做的 AI，可以把自家對「好流程」的定義寫進預設行為。Linear 的作法是兩個都提供，所以這不是二選一，差別在於預設值由誰決定。 **Q：Linear Agent 要另外付費嗎？** A：依 Linear 官方文件，Linear Agent 預設在工作區可用，Free 方案就包含，付費方案為 Basic 每人每月 10 美元、Business 16 美元（年繳計價）。沒有 agent 專屬席次。只有 coding sessions 與 loops 兩項功能走 AI credits 預付制，工作區未儲值就用不到，也不會被扣款。功能與定價可能異動，請以官方最新公告為準。 **Q：AI agent 導入要做到什麼程度才能上線？** A：Linear 的作法是挑出幾條核心主打情境做到高可靠，其餘接受可靠度會有變異。套用到電商，就是挑三條你敢對外承諾的路徑做到不出錯，其他情況讓 AI 誠實轉接人工，而不是等到全部完美才上線。 **Q：那是不是就不用做 AI 評測了？** A：不是。Linear 工程師 Jacob Shumway 的說法是，評測最有用的地方是「在一致性真的重要的地方確保一致性」，而不是全部都評。實務上，對錯分明的事（訂單狀態、退貨規則、到貨承諾）一定要驗，風格與語氣的自然變異則不必為它建立評分機制，否則只會製造假訊號。 --- **資料來源** - Peter Yang podcast《5 Rules for Building AI Agents That Work in Production》，來賓為 Linear 的 Nan Yu（Head of Product）與 Jacob Shumway：[YouTube](https://www.youtube.com/watch?v=4mKtJzfGj0U&ref=growthhackers.tw) - [Linear Agent 官方文件](https://linear.app/docs/linear-agent?ref=growthhackers.tw) - [Linear MCP server 官方文件](https://linear.app/docs/mcp?ref=growthhackers.tw) - [Linear AI credits 說明](https://linear.app/docs/ai-credits?ref=growthhackers.tw) - [Linear 定價頁](https://linear.app/pricing?ref=growthhackers.tw) - [Linear C 輪募資公告（2025 年 6 月）](https://linear.app/now/building-our-way?ref=growthhackers.tw) **利益揭露**：本文引用的 podcast 由 Linear 付費贊助，該集設有專屬導購連結提供聽眾優惠；兩位受訪者皆為 Linear 員工，全片未引用任何第三方數據。文中所有示範情境與時間數字皆為廠商自述，本文不予採用。 --- **協作聲明與免責** 這篇文章由王董與 AI 一起整理製作完成。文中引用的第三方資料、研究或工具都會標註來源名稱；若原始出處有公開連結，會以 `[來源名稱](URL)` 形式附上，方便你進一步查找。若文中內容與原始出處有任何出入，請以原文為準。 內容僅供參考與學習交流，不構成任何專業、商業或投資建議，請依自身情況判斷並自行承擔行動風險。文中提及的工具功能、數據與平台政策可能隨時間異動，請以各官方最新公告為準。