引言 - MCP是什么？

2024年11月，Anthropic公司正式发布并开源了Model Context Protocol（简称MCP），该协议在人工智能（AI）模型领域的重要意义可类比为“AI界的USB-C接口”，为AI能力的拓展与边界延伸发挥了关键作用。针对拥有大量存量系统的企业而言，如何将存量系统的既有优势与AI技术深度融合，成为亟待探索的重要课题。

-> MCP详细介绍传送门

存量系统 API-MCP工具化痛点分析

在SpringAI框架下实现API的MCP工具化，开发人员通常面临三重挑战：

1. 学习成本高：需同时掌握AI原理、SpringAI框架及Java17特性
2. 开发工作量大：需独立实现MCP客户端/服务端及工具定义
3. 资源浪费严重：各系统重复开发相似功能

由于存量系统较多，如何让存量系统的API快速转换为可用的MCP工具，是发挥存量系统优势的重点；

为此，本文提出一种存量API转MCP工具的新思路：通过结构化的API（应用程序编程接口）设计与MCP协议相结合，旨在为存量接口的快速MCP工具化转型提供切实可行的路径。

存量API-MCP工具化解决方案

说明：
API治理平台（例如APIFOX、EOLinker）:维护API设计与MCP工具配置
API-MCP配置转换器:转换API治理平台API为MCP配置
MCP-Server：公用MCP-Server，支持工具动态变更,与API治理平台配套使用；
MCP-Client：MCP-Server的客户端，支持工具过滤。（过滤逻辑提供通用SDK实现）

关键技术实现（技术亮点）

1. 极低的改造成本：API设计转MCP配置
   • 实现存量API零代码MCP服务化，存量系统无需改动；
   • 存量API-MCP工具化速度提升（2周→1小时）
2. 非侵入式对接
   • 完全支持HTTP类型接口
   • 保留原接口权限体系
3. 统一的MCP-Server实现，避免重复开发；【当然也分开可以独立部署，在配置转换器控制分发即可】
   • MCP工具热插拔
   • MCP配置与API同步变化，避免多点维护API与MCP配置；

典型应用场景-AI智能助手

AI智能助手相比传统助手有诸多优势，我们主要列举几个场景：

场景	传统助手	AI智能助手
问答范围	只能回答预设问题	能回答AI能回答的所有问题，不局限于本系统
与当前系统的交互	仅预设功能	根据接口情况，可随时扩展
会话	不支持多轮对话，不理解逻辑	可多轮对话，能理解语言逻辑

随着AI技术的发展，智能助手的能力已经大大增强了，现在我们可以使用RAG技术回复流程性问题、配合MCP技术实现系统与AI交互。
由AI提供用户意图判断，MCP工具提供用户意图实现能力，能很好的辅助用户达成目的。

在我们这个方案下，我们来看看各个参与方都做了什么；

存量系统负责人

1. 维护API设计，编写MCP的地址、工具名称、描述、使用场景、推荐提示语；
2. 调整MCP工具请求响应参数等信息（例如哪些请求字段要组装、哪些响应字段要给大模型处理）；
3. 发布MCP工具；

API治理平台

1. 持久化API设计，MCP配置；
2. 发送API与MCP配置给API-MCP配置转换器；

API-MCP配置转换器

1. 接收API与MCP配置，转换为MCP-Server需要配置；
2. 推送工具信息到MCP-Server；

MCP-Server

1. 根据接收的MCP工具配置动态增加、减少MCP工具；
2. 处理MCP工具调用请求，根据MCP工具配置实现header/query信息转换、http转发、响应数据过滤等能力；

MCP-Client

1. 根据使用场景过滤MCP工具；

结语

本方案成功验证了"存量系统API-AI工具化"的技术路径，为传统企业智能化转型提供了可复用的方法论。实践表明，通过MCP协议构建的"AI能力插座"，不仅能快速释放存量系统价值，更为未来人机协同模式创新奠定了基础设施。

从侧面也体现了研发设计资产线上化、结构化的重要性，如果接口文档还停留在World\Excel的形式，想要实现这些困难程度必然指数上升。