MCP服务开发与AI集成
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。