接入两三个 MCP,工具数量就可能超过 30 个;这不是小事,而意味着 Agent 正从“能不能调用工具”进入“能否管理工具”的阶段。

这是什么

MCP(Model Context Protocol,模型上下文协议)是一套让 AI 应用连接外部工具与数据源的统一接口。LangGraph 则用于编排 Agent 的工作流程。本文以本地开发、线上部署和工具治理为主线:本地优先用 stdio 直接启动服务,线上再切换到容器或 HTTP;连接采用模块级单例,避免重复握手。

更关键的是架构取舍。文章建议只向模型开放最常用的 4—5 个工具,并按 research、data、writer 等职责拆分节点,而不是把全部工具交给一个主管节点调度。查询结果需截断,外部服务失效时也应降级,避免整条流程报错。

行业怎么看

我们认为,这篇指南最有价值的不是某个代码配置,而是把 Agent 落地成本指出了一个常被低估的来源:工具数量。模型面对 30 个以上工具时,可能选错功能、生成错误参数,工具说明本身还会消耗约 5000—9000 个 token;工具越多,不等于能力越强,反而可能降低可靠性。

但这套方法也有边界。文章主要依据单次接入经验,尚未提供成功率、延迟和成本的前后对照数据;工具检索依赖 Embedding(把文本转为向量以供相似度检索),会增加维护复杂度;合并工具、按域拆节点也会削弱部分跨域调用能力。因此,它更适合作为工程起点,而不是可直接复制的标准架构。

另一个风险在供应链。接入第三方 MCP 后,权限边界、OAuth(让用户授权第三方应用访问数据)流程和凭证安全都要重新审查。长期 Token 与密钥不能写进镜像或代码,必须交由环境变量或密钥服务管理。

对普通人的影响

对企业 IT:企业部署 AI 助手时,重点不只是模型能力,还包括工具目录、权限隔离、调用日志和故障降级。MCP 降低了连接成本,也同步放大了治理责任。

对个人职场:懂“如何把 AI 接入系统”的价值会逐渐上升,但比写提示词更实用的,是识别流程、筛选工具并检查结果。专业知识与业务判断仍是分工的核心。

对消费市场:连接邮件、文档、数据库等服务的 AI 产品会越来越多;体验好坏不再只取决于回答是否流畅,还取决于它会不会调用错工具、越权访问或让用户承担混乱流程。