01 背景：MCP协议介绍

在AI蓬勃发展的当下，大型语言模型（LLM）虽展现出强大潜力，却受困于与外部资源连接的难题。数据分散、接口繁杂，致使AI模型难以灵活对接本地资源与远程服务，极大限制了其响应质量与工作效率。而就在这一关键时刻，MCP Server强势登场，成为破局的关键力量。尤其随着Manus的火爆出圈，MCP Server也备受瞩目，迎来了飞速发展，短短1个多月时间，数量已超5000个。

MCP Server，即模型上下文协议服务器，基于Anthropic公司2024年11月开源的模型上下文协议（MCP）构建，是一款轻量级服务程序。MCP协议采用客户端-服务器（Client-Server）架构。客户端（MCP Client）负责与服务器建立稳固连接，并按需发起各类请求；服务器端则精准解析请求，调用对应资源或工具处理任务，再将处理结果及时反馈给客户端。MCP协议的诞生，旨在攻克AI应用中的数据与接口难题，为开发者提供标准化接口，让AI模型能够自由穿梭于本地与远程资源之间，显著提升AI助手的表现。下图是MCP协议的基本交互关系示意图：

02 OpenAPI2MCPTools开源项目

仔细翻阅当前公开的MCP Server清单可以发现，目前主要的MCP Server集中在桌面端软件，更多是方便个人用户和开发者。对企业内部广泛存在的现有软件系统，并没有高效兼容的方案。比如OpenAPI2MCPTools开源项目，看似只需要下面这样三十行代码，就可以将现存软件的OpenAPI规范，快速封装成MCP Server 的Tools，供AI调用。

import { Server } from '@modelcontextprotocol/sdk/server/index.js';import { StdioServerTransport } from '@modelcontextprotocol/sdk/server/stdio.js';import { CallToolRequestSchema, ListToolsRequestSchema, } from '@modelcontextprotocol/sdk/types.js';import { Converter } from 'openapi2mcptools';import * as fs from 'fs';import * as yaml from 'js-yaml';const converter = new Converter({ });const yamlContent = fs.readFileSync('Api_5.3_schema.yaml', 'utf8');const my_specs = yaml.load(yamlContent);await converter.load(my_specs);const tools = converter.getToolsList();const toolCaller = converter.getToolsCaller();const server = new Server({ name: 'my_server', version: '1.0.0',}, { capabilities: { tools: {}, },});server.setRequestHandler(ListToolsRequestSchema, async () => { return { tools, };});server.setRequestHandler(CallToolRequestSchema, async (request) => { return await toolCaller(request);});const transport = new StdioServerTransport();await server.connect(transport);

然而，在实际的大规模系统环境下，这个项目存在一个核心问题：当API数量较大时，MCP Server的Tools数量急剧膨胀，远超大模型能有效处理的上下文窗口极限，会导致AI对话完全不可用。以日志易为例，日志易平台OpenAPI规范中一共包含了555个API，经过OpenAPI2MCPTools转换后，就是555个Tools，直接导致问话全部报错。如下图所示：

03 日志易MCP Server实现路径

为了解决这个问题，日志易MCP Server采用了模块化设计思路，利用OpenAPI规范中的Tag对象作为语义抽象层，构造了MCP Server的模块初筛和功能复筛工具，实现了对OpenAPI规范的动态加载与按需调用。最终，使得AI对话能够流畅进行，任意调用日志易API功能，而不会因为上下文窗口的限制而中断。