Composio工程师Sarah Simionescu：仪表盘已死，仅MCP连接不足以支撑智能体工作流
Composio技术团队成员Sarah Simionescu在AI Engineer World's Fair演讲中提出，传统仪表盘和查询语言作为人与数据之间的翻译层正在消亡。她指出仅通过MCP协议连接智能体存在三大缺陷：智能体无法从错误中学习、过多工具定义淹没模型上下文、以及各应用相互隔离。Simionescu展示了通过工具搜索返回执行计划、以及在PostHog与Metabase间传递保存的用户群组而不加载完整结果到上下文的机制，论证了为智能体设计专用接口的必要性。
重要性实质性证据E3 可检验写法快讯
Sarah Simionescu是Composio的技术团队成员，负责该公司的仪表盘产品。她在2026年AI Engineer World's Fair的演讲中提出了一个看似矛盾的观点：仪表盘已死。这一论断源于她的个人经历——尽管每天使用Datadog六个月，当同事要求查看警报时，她发现自己完全不知道如何在仪表盘中导航。这种日常使用与界面熟悉度的脱节，揭示了智能体作为新交互层的崛起。
Simionescu将这一变化置于历史脉络中分析。2022年，解决一个Slack中的错误报告需要跨越五个工具和五种查询语言，每个界面都是用户意图与数据之间的翻译设备。2023年的“闪光按钮”试图用LLM生成查询，但可靠性有限且用户仍需访问仪表盘。2024年Anthropic发布MCP协议后，智能体可以直接连接服务并执行查询，但这并未解决根本问题。
演讲的核心论点在于MCP本身不足以支撑有效的智能体工作流。Simionescu指出了三个具体失败模式：首先，智能体缺乏学习能力，每次对话从零开始，昨天的格式错误今天会重演；其次，连接多个MCP服务器会将数千个工具定义（如Composio的GitHub工具箱就有超过200个工具）塞入上下文窗口，导致模型选择错误或难以确定调用顺序；最后，每个MCP服务器只描述自身应用，跨应用任务仍需人工拼接步骤。
针对这些问题，Simionescu展示了Composio的解决方案：一种专为智能体设计的接口。在调试演示中，Claude调用Composio Search陈述目标后，系统不仅返回相关工具，还返回使用这些工具的计划，例如明确指出查询Slack消息前需先获取频道ID。这种依赖关系的显式暴露解决了智能体盲目尝试的问题。
在跨应用分析演示中，Simionescu展示了如何在不将完整数据加载到模型上下文的情况下处理大规模信息。Claude查询PostHog获取电商用户ID并保存结果，随后检查Metabase数据库结构，最后通过Composio Remote Workbench动态生成包含正则表达式的SQL查询来匹配保存的用户ID。这一机制分离了规划所需的信息与执行所需的批量数据。
Simionescu承认其关于原生MCP对比的数据尚未公开发布，因此无法提供量化优势的证据。但她强调，为智能体设计产品意味着超越网站SEO或添加AI按钮，而是要使操作可发现、依赖关系清晰、数据能在应用间流动。对于构建面向智能体的开发者而言，关键挑战已从人类易用性转向机器可理解性与可组合性。