MCP 生态观察：从协议到工具市场

Sun, 17 May 2026 10:30:00 +0800

Function Calling 硬编码的苦

去年我们在知识库问答服务里做企业级知识库问答，早期的工具调用是通过 Function Calling 硬编码在 Prompt 里的：每接一个内部系统（工单、报表、知识库检索），就要改一遍适配层、重新发版。工具多了之后，模型上下文里塞几十个 JSON Schema，token 浪费严重；而且不同 LLM 供应商的 Function Calling 格式还略有差异，统一适配层写得很痛苦。

MCP（Model Context Protocol）出现后，我把它看作"工具调用界的 USB-C"：客户端和工具之间不再点对点耦合，而是通过一个标准化的 Server 暴露 resources、tools、prompts。我们在知识库问答服务里把内部的检索、工单查询、数据导出封成了几个 MCP Server，模型按需 discover 和 call。

把内部能力封成 MCP Server

MCP 的核心是三类原语：

Resources：只读数据，类似文件 URI（如 knowledge://dataset/123）
Tools：可执行函数，模型决定何时调用
Prompts：预置的提示词模板，用户主动触发

我们的架构是：知识库问答服务作为 MCP Client，通过 stdio 或 SSE 连接多个 MCP Server。工具注册时不再硬编码 Schema，而是启动时 list_tools 拉取，再转换成各家 LLM 的 Function Calling 格式。这样加一个工具就是部署一个 Server，主服务不用动。

知识库问答服务中 MCP Client 的简化封装：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43


// 知识库问答服务中 MCP Client 的简化封装
type MCPClient struct {
 conn *client.Client
 tools []Tool
 toolMap map[string]Tool
}

type Tool struct {
 Name string
 Description string
 InputSchema map[string]any
 handler func(ctx context.Context, args map[string]any) (string, error)
}

func (c *MCPClient) LoadTools(ctx context.Context) error {
 resp, err := c.conn.ListTools(ctx, &mcp.ListToolsRequest{})
 if err != nil {
 return err
 }
 c.tools = make([]Tool, 0, len(resp.Tools))
 c.toolMap = make(map[string]Tool, len(resp.Tools))
 for _, t := range resp.Tools {
 c.tools = append(c.tools, Tool{
 Name: t.Name,
 Description: t.Description,
 InputSchema: t.InputSchema,
 })
 c.toolMap[t.Name] = c.tools[len(c.tools)-1]
 }
 return nil
}

// 调用时把 MCP 响应转成统一 LLM 适配层的 ToolMessage
func (c *MCPClient) CallTool(ctx context.Context, name string, args map[string]any) (string, error) {
 out, err := c.conn.CallTool(ctx, mcp.CallToolParams{
 Name: name,
 Arguments: args,
 })
 if err != nil {
 return "", err
 }
 return out.Content[0].Text, nil
}

工具列表加载之后，再按当前对话场景做一次裁剪：知识问答场景只挂检索和文献工具，报表场景挂 SQL 查询和导出工具，避免几十个 Schema 全塞进上下文。

四点观察

先说最值钱的一条：工具描述质量直接决定调用准确率。早期我们写的 Description 很随意（“查询数据”），模型经常选错工具或漏参数。后来要求每个工具都写清楚"做什么、什么时候用、参数含义、返回什么"，并在 Description 里给出一两个示例，准确率明显提升。这其实就是 Prompt Engineering 在工具层的延伸。

stdio 和 SSE 得两条腿走路。本地开发用 stdio 很方便，但线上多实例时 stdio 要随 Client 进程拉起，隔离和扩缩容都麻烦。我们内部工具用 SSE 部署成独立服务，第三方或本地脚本走 stdio，两种都要支持。

权限和审计要跟上。MCP 让工具接入变容易了，但也意味着模型能触发的操作变多了。我们对写操作类工具（发工单、导出数据）强制加二次确认和审批流，并在知识库问答服务侧记录每次 tool call 的 trace_id、入参、结果，对接 ELK 和 Jaeger。

生态正在形成，但还早期。官方和社区已经有文件系统、数据库、Git、Slack 这些 Server，但质量参差不齐，生产用前要自己过一遍代码。我判断接下来会出现"工具市场"：企业内部会有一个 MCP Registry，团队把各自的能力发布上去，像今天的 npm 包一样被发现和复用。

接下来

MCP 不是又一个 Agent 框架，而是一套让模型和工具解耦的协议。对做 LLM 平台的人来说，它把工具接入从"改代码发版"变成了"注册即插即用"，长期看会沉淀成企业内部的工具资产市场。

下一个值得关注的问题：当工具数量上百之后，怎么做路由、权限和版本治理。

封面图：ell brown / Flickr · CC BY 2.0

极客工具推荐

Thu, 01 Jun 2023 08:00:00 +0800

我的极客工具箱

终端

Alacritty — GPU 加速的终端模拟器
tmux — 终端复用神器
zsh + oh-my-zsh — 最强 Shell

编辑器

Neovim — Vim 的现代版
VS Code — 全能编辑器

开发工具

工具	用途
Docker	容器化
Git	版本控制
jq	JSON 处理
fzf	模糊搜索
ripgrep	极速搜索

工欲善其事，必先利其器。

工具 on 姚玉亮的网络日志