MCP服务背景与技术演进

• GUI到AI交互的演进路径

  • 早期系统通过命令行（CLI）进行操作，后发展为基于UI的鼠标键盘交互。

  • 当前趋势是“一句话办事”，即用户通过自然语言指令让AI完成任务，本质是将操作回归到底层接口调用。

  • AI执行依赖于对API或CLI层面的访问能力，需构建统一标准的服务接口供模型识别和调用。

• MCP的核心作用

  • MCP（Model Control Protocol）提供统一协议规范，解决原有接口参数混乱问题（如query/body混用）。

  • 实现接口描述标准化，包含名称、description等字段，便于AI理解与调用。

  • 支持跨平台复用，可在龙虾、Cast等不同AI工具中使用，避免封闭在单一系统内。

MCP服务开发要求与实现方式

• 开发环境与技术栈要求

  • MCP Server基于Java开发，当前版本要求Spring Boot 3.5 + Java 21。

  • 项目已在Git上公开，不建议修改已有依赖配置。

  • 使用特定注解标记工具类和服务方法，支持自动注册为可调用能力。

• 服务开发结构与编码实践

  • 创建带有@Tools注解的类，标明其为一个功能工具，并填写中英文描述。

  • 推荐使用英文描述以避免编码兼容性问题，防止部分CR工具因乱码导致AI无法解析。

  • 方法上添加@TopArms等标签，用于暴露接口并生成标准Schema。

  • 示例：天气查询工具通过HTTP请求第三方URL获取数据并封装返回。

MCP服务调试与验证流程

• Postman调试MCP服务

  • 升级Postman至最新版本后，支持直接连接MCP Server。

  • 新建MCP类型请求，填入服务地址（如http://localhost:9311），选择协议类型（如stream+SSE）。

  • 连接成功后自动拉取能力列表（MCP List），展示所有可用方法及其参数定义。

  • 可在界面中直接运行方法，输入参数（如city="Beijing"）进行测试。

• Nacos平台的MCP转换能力

  • Nacos 3.1.0及以上版本新增MCP列表功能，支持从已有服务自动生成MCP服务。

  • 提供HTTP转MCP服务选项，可选择已注册的服务进行协议转换。

  • 支持编排组合多个接口形成新的业务方法，提升复用性。

  • 但实测发现Swagger接口文档不全、注释缺失等问题影响转换效果，仍需人工梳理业务逻辑。

AI集成与技能封装机制

• MCP Porter技能的作用

  • 龙虾平台上的MCP Porter是一个纯文本技能，用于加载并调用MCP服务。

  • 加载后可通过自然语言触发，自动识别所需调用的工具及参数。

  • 内部通过list server schema获取MCP服务能力清单，并由AI决定调用哪个工具。

• 技能链路完整流程

  • 第一步：开发MCP服务并确保接口可用。

  • 第二步：使用Postman验证协议正确性，确认参数传递无误。

  • 第三步：通过MCP Porter技能验证AI是否能正确理解并调用该服务。

  • 最终实现用户说“查北京天气”即可触发全流程，无需手动提取参数或处理中英文映射。

• 技能封装与用户体验优化

  • 为避免用户记忆MCP地址，需将地址封装进新技能中。

  • 如“控制台简报”技能，内置MCP URL，设定触发条件后打包发布。

  • 技能内部使用Python脚本编写，具备高泛化能力，可基于模板动态生成报告并回答细节问题。

场景化接入策略与未来方向

• 按场景迭代接入MCP

  • 不建议逐个对接原子接口，而应以业务场景为单位组织服务。

  • 例如“底座工作台待办事项”作为一个页面级能力整体暴露，支持多维度查询。

  • 利用AI泛化能力减少接口数量，降低维护成本。

• 历史接口的适配挑战

  • 原有面向UI设计的接口过于细碎，不适合直接暴露给AI。

  • 虽可通过技术手段批量转换，但受限于文档质量与业务重复度，实际效果有限。

  • 建议优先梳理高频核心场景，重新组织service层接口，提升AI调用准确性。