Bubble 在 10 月的演示将两项相互关联的更新——Agent 2 和 MCP——视为一次重要转向，有望改变非工程师和跨职能团队的构建方式。Agent 2 是经过重新打造的助手，它会把复杂需求当作项目来处理：先提出后续问题、拟定计划，并在获得批准后才修改在线编辑器。MCP（测试版）则让外部大语言模型（如 Claude 和 ChatGPT）能够访问这个编辑器，因此你可以让其他模型检查正在运行的应用，并直接添加页面或 UI 元素。两者结合，让“AI 原型”和可持续维护的可视化应用之间的界限变得模糊。
在实际使用中，Agent 2 的工作流程降低了因单个含糊提示而生成错误功能的风险。对于多步骤功能，它现在会先通过追问找出需求缺口，再提出明确的分步计划，获得明确批准后逐项执行，最后进行内部检查（扫描问题并生成截图）。这种流程对规模化尤为重要，因为它在既定节点引入人工审核；Agent 的编辑器内预览功能也让变更更容易被发现——构建者可以像 Agent 一样查看改动，再在实际上下文中进一步检查或撤销。
MCP 让外部大语言模型能够在正在运行的 Bubble 项目中创建页面和元素，这会改变团队的协作方式和工具选择。团队现在可以把 Claude、ChatGPT 或其他助手当作前端设计师/开发者，让它们直接在 Bubble 的可视化模型中编写内容。这带来了切实可行的新路径：通过 MCP 将其他 AI 工具生成的氛围编程原型导入 Bubble，再交由团队长期维护；或者把 Bubble 作为统一的执行环境，让不同智能体依据同一套架构实现功能。
对于正在决定如何集中管理生产环境的产品团队而言，这些变化意义重大。与生成一次性代码的氛围编程平台相比，Bubble 的编辑器加 MCP 提供了更持久的工作基础：可视化工作流、数据模型和可复用元素仍然可以由人工编辑。不过，这一愿景能否实现，取决于 Agent 是否遵循规范（计划清晰并做好测试）、团队是否对哪些智能体可以写入项目实施治理控制，以及工作量增长时计费是否透明。简而言之，这项技术带来了全新的工作流程，但能否安全用于生产环境，最终取决于运营防护措施。