企业官网建设流程全解析

1. 前言

过去一年，大语言模型（LLM）已经成为开发者日常工作的重要助手。

然而，一个明显的问题是：

AI 很聪明，但它不了解你的环境。

例如：

• AI 不知道 Jira 里的工单状态

• AI 无法查看 GitLab 的代码

• AI 无法访问服务器日志

• AI 不知道 Docker 容器是否正常

• AI 无法查询数据库

为了让 AI 能够安全、标准化地访问这些外部资源，Anthropic 于 2024 年提出了 MCP（Model Context Protocol）。

MCP 正在成为 AI Agent 生态的重要基础设施。

2. 什么是 MCP？

MCP（Model Context Protocol）是一种开放协议，用于连接：

• AI 模型

• 工具（Tools）

• 数据源（Data Sources）

• 外部服务（Services）

简单来说：

MCP 是 AI 世界的 USB-C 接口。

在 USB-C 出现之前：

• 手机有不同充电口

• 相机有不同接口

• 电脑有各种转接头

每个设备都需要单独适配。

AI 工具生态也面临类似问题。

过去：

ChatGPT ↔ GitHub Claude ↔ Jira Cursor ↔ Database

每种组合都需要单独开发。

MCP 出现后：

AI Client │ ▼ MCP Protocol │ ┌──┼──┬───┐ ▼ ▼ ▼ ▼ GitHub Jira Redis MySQL

任何支持 MCP 的客户端，都可以连接任何支持 MCP 的服务。

3. MCP 架构

MCP 主要由三部分组成：

┌──────────────┐ │ AI Client │ └──────┬───────┘ │ MCP ▼ ┌──────────────┐ │ MCP Server │ └──────┬───────┘ │ ┌─────┼─────┐ ▼ ▼ ▼ Tool Data Service

3.1 MCP Client

客户端通常是 AI 应用。

例如：

• Claude Desktop

• Cursor

• Windsurf

• VS Code AI 插件

• ChatGPT（部分场景）

用户通过自然语言发起请求：

查询 ZOOM-1119658

客户端将请求发送给模型。

3.2 MCP Server

MCP Server 负责向模型暴露能力。

例如：

GitHub Server Jira Server Filesystem Server PostgreSQL Server

主要职责：

• 接收请求

• 执行操作

• 返回结果

3.3 Tool

Tool 是 MCP 中最核心的概念。

例如：

{ "name": "get_issue", "description": "Get Jira issue information" }

AI 可以自动决定是否调用。

用户：

查询工单 ZOOM-1119658

AI：

调用 get_issue()

然后返回结果。

4. MCP 能解决什么问题？

4.1 AI 访问企业系统

例如：

查询 Jira 工单 查看 GitLab MR 读取 Confluence 文档

过去：

复制链接 复制内容 贴给 AI

现在：

直接询问 AI

4.2 AI 访问本地文件

例如：

分析当前项目结构

AI 可以直接读取：

src/ include/ CMakeLists.txt README.md

而无需手动上传。

4.3 AI 执行命令

例如：

查看 Docker 状态

AI 调用：

docker ps

返回：

zcc_freeswitch zcc_opensips zcc_record_server

4.4 AI 查询数据库

例如：

查询最近失败的呼叫

AI 调用：

SELECT * FROM call_record WHERE result='failed';

并生成分析结果。

5. MCP 与传统插件的区别

传统插件通常绑定某个平台。

例如：

ChatGPT Plugin

只能用于 ChatGPT。

而 MCP 可以被多个 AI 客户端复用。

6. MCP 与 Function Calling 的区别

很多开发者容易混淆。

6.1 Function Calling

模型调用预定义函数：

get_weather(city)

特点：

• 函数固定

• 由开发者预先定义

• 作用范围有限

6.2 MCP

MCP 是完整协议。

包含：

• Tool

• Resource

• Prompt

• Context

支持动态发现能力。

例如：

AI： 当前有哪些工具？ MCP： docker_ps grep_log get_issue

模型无需提前知道这些工具。

7. Python 开发 MCP Server

官方 Python SDK 使用非常简单。

7.1 安装

pip install mcp

7.2 创建服务

from mcp.server.fastmcp import FastMCP mcp = FastMCP("demo")

7.3 定义工具

@mcp.tool() def hello(name: str): return f"Hello {name}"

7.4 启动服务

mcp.run()

这样一个最简单的 MCP Server 就完成了。

8. MCP 在 VoIP 场景中的应用

对于 VoIP、FreeSWITCH、OpenSIPS 工程师来说，MCP 有非常大的价值。

例如用户日常工作中的信令链路：

SBC ↓ router_opensips ↓ lb_opensips ↓ FreeSWITCH ↓ Contact Center

排障时经常需要：

docker ps grep trace_id grep call-id 查看 SIP 信令 查看 FreeSWITCH 日志 查看 Jira

步骤繁琐且重复。

9. 构建 SIP Troubleshooting MCP

可以将常用能力封装为工具。

9.1 工具定义

@mcp.tool() def docker_ps(): pass @mcp.tool() def grep_trace(trace_id): pass @mcp.tool() def analyze_sip(call_id): pass @mcp.tool() def get_jira(issue): pass

9.2 使用示例

输入：

分析这个呼叫： trace_id=123456

AI 自动执行：

1. 查询容器状态 2. 提取 SIP 日志 3. 分析呼叫流程 4. 检查异常响应 5. 输出结论

整个排障流程可以大幅自动化。

10. MCP 与 Codex Skills 的关系

很多人已经在使用：

VS Code + Codex + Skills

例如：

• 检查容器状态

• 清理日志

• 分析呼叫流程

这些本质上都是工具封装。

10.1 对比

可以理解为：

Skills 是本地自动化脚本，而 MCP 是 AI 工具生态的标准协议。

11. MCP 的未来

目前越来越多的平台开始支持 MCP。

常见的 MCP Server 已经覆盖：

• GitHub

• GitLab

• Jira

• Slack

• PostgreSQL

• MySQL

• Redis

• Kubernetes

• Docker

• Filesystem

未来企业内部系统也很可能逐步提供 MCP 接口。

届时 AI 将不仅仅是聊天工具，而是真正能够参与开发、运维和故障排查的智能助手。

12. 总结

MCP（Model Context Protocol）是一种用于连接 AI 与外部世界的开放协议。

它的核心价值在于：

• 统一工具调用标准

• 让 AI 访问企业系统

• 支持动态发现工具

• 实现跨平台复用

• 为 AI Agent 提供基础设施

对于研发、运维、VoIP、SRE 等工程师而言，MCP 不只是一个新协议，更可能成为未来 AI 自动化工作流的重要基础。

一句话概括：

如果说大模型是“大脑”，那么 MCP 就是连接大脑与现实世界的神经系统。