近两年，AI 技术风潮席卷而来，如何让企业内部系统（如 ERP、OMS 等）与大模型实现高效互通，已经成为 AI 落地过程中的关键一环。 在过去，我们可能会通过自研代码，利用 LLM 的 Function Call 能力来打通数据与模型。但自 2024 年底 Claude 母公司 Anthropic 推出 MCP（Model Context Protocol）协议后，这一过程变得更加标准化、便捷化，让大模型具备直接调用企业内部系统的能力变得更快、更容易。 今天，我们就来聊一聊：如何通过 MCP，将大模型与企业内部系统打通。先简单介绍下今天的主角——MCP。 官方对 MCP 的定义是：MCP 是一种开放协议，用于标准化应用程序如何为大型语言模型（LLM）提供上下文。可以将 MCP 类比为 AI 应用的 “USB-C 接口”。正如 USB-C 统一了设备连接外部配件的方式，MCP 也提供了将 AI 模型连接到不同数据源和工具的标准化方式，使 LLM 能够构建代理（Agent）、执行复杂工作流，并与外部世界连接。一句话概括：MCP 定义了外部世界如何将工具、数据、资源等安全、规范地提供给大模型，从而让模型具备与外部系统交互的能力。更详细的内容，可以参考官方文档：https://modelcontextprotocol.io/docs/getting-started/intro本文主要讨论如何通过企业内部系统对外提供 MCP-Server 服务，从而让大模型直接调用企业业务能力。 不涉及 MCP-Client 的实现，所有示例均以 外部 MCP Host 为例。 原因很简单：- 自建 MCP Host 需要企业具备一定的大模型研发能力
- 对于大部分传统企业来说，往往会选择使用外部具备 MCP Host 能力的平台
- 当然，如果企业技术力量充足，也可以自建 MCP Host
MCP 官方提供了多种语言的 SDK（Python、Go、TypeScript、Java 等），企业可以结合自身技术栈选择合适的实现方式。 除了官方 SDK，还可以使用第三方框架，例如 Java 技术栈可选 Spring AI、LangChain4j 等等。像Spring官方对于mcp这块的案例说明也是比较完整的。详细可以参考官方文档：https://docs.spring.io/spring-ai/reference/api/mcp/mcp-overview.html为了在大模型和企业内部服务之间实现可管可控的调用，我们可以在 MCP Host 与内部系统之间增加一个 MCP Server Manager，主要包含以下组件：- MCP Route：路由层，负责 MCP 服务的转发与调度
- MCP Security：安全层，负责身份认证、权限管控
- MCP Log：日志层，记录访问日志与工具调用日志
- MCP Manager：管理模块，支持动态增删改查 MCP-Server 服务，启用/停用服务，设置授权策略，并提供访问日志查询
- 对外：可控制 MCP-Server 启用状态、QPS 限制、访问授权
- 对内：可精细化控制每个 MCP-Server 能调用的内部业务能力（如订单、会员、物流等）
这样，一个可管理、可监控、可安全控制的 MCP 企业服务桥梁 就建立起来了。另一种方式是使用 外部自动化平台（如 dify、n8n、Activepieces、Zapier 等）。 这些工具提供了强大的可视化编排能力，可以在 零代码/低代码 的情况下快速创建 AI 服务，其中 MCP 也已逐渐被支持。如上图，Activepieces已经集成了MCP功能，支持将工作流、pieces集成为mcp工具，同时也支持本地化部署。我们完全可以将企业内部服务通过http形式提供给Activepieces，封装在工具中，然后对外提供mcp server。- 直接把企业现有的对外 API 注册成 MCP 工具即可
诸如activepieces之类，我们可以选择本地化部署，通过管控入口IP 、内网部署等方式从一定程度上降低安全风险。- 在外部工具与大模型之间增加统一的 MCP 接口网关
在企业内部服务与外部mcp server平台之间架起的MCP Tool API GW，统一管理企业对外提供的工具服务，有以下优点：这种方式特别适合技术力量有限但希望快速落地的企业，只需专注于维护现有 API 接口，即可让大模型调用企业业务能力。MCP 为 AI 与企业内部系统之间架设了一条标准化、高扩展性的高速通道。 无论是自建 MCP-Server还是借助外部平台，核心目标都是让大模型在安全、可控的前提下调用企业的业务能力。随着 MCP 生态的完善，未来企业将能更轻松地将 ERP、OMS、CRM 等系统与大模型打通，真正实现AI 驱动业务。 |
