# （译）通过 MCP 构建能够触达生产系统的智能体 > 构建高效 MCP 集成的模式：服务器设计、基于 CIMD 和 Vault 的 OAuth 鉴权、上下文高效客户端以及技能（Skills）。此外还介绍了 MCP 与直接 API 调用、CLI 在连接智能体与系统时各自适用的场景。 - 原文链接: https://laojin.blog/repost/20260423_mcp_production_agents - 作者: Anthropic（老金转载） - 原始出处: https://claude.com/blog/building-agents-that-reach-production-systems-with-mcp - 发布日期: 2026-04-23 - 标签: MCP, AI Agent, OAuth, Skills, 转载 --- > 本文为转载翻译文章，原作者：**Anthropic** > > [原文链接](https://claude.com/blog/building-agents-that-reach-production-systems-with-mcp) --- 智能体的价值取决于它能触达哪些系统。团队在将智能体连接到外部系统时，通常会收敛到三种方案——直接 API 调用、CLI 和 MCP。本文阐述了各方案的适用场景、生产级智能体为何倾向于选择 MCP，以及高效构建此类集成的最佳实践。 ## 将智能体连接到外部系统 连接外部系统，我们通常看到三条路径：直接 API 调用、CLI 和 MCP。每种方案都有其适用场景，关键在于智能体与服务之间是否存在公共层，以及该公共层能覆盖多广。 ### 直接 API 调用 智能体直接调用你的 API——要么在代码执行沙箱中编写发起 HTTP 请求的代码，要么通过通用的函数调用工具来实现。这是大多数团队的起点，对于一个智能体访问一个服务、或少量不需要跨平台复用的集成来说，效果很好。 挑战在规模化时才会显现。由于智能体与服务之间没有公共层，每对智能体-服务组合都变成了定制集成，各自处理鉴权、工具描述和边界情况——这就是 M×N 集成问题。 ### 命令行界面（CLI） 智能体在 Shell 中运行你的命令行工具。这种方式快速、轻量，并且依托已有工具链。在本地环境和沙箱容器中——只要有文件系统和 Shell 的地方——效果极佳。它提供了一个公共层，但非常薄。 CLI 在触达移动端、Web 端或云托管平台时有明显局限——这些平台通常不暴露容器，而鉴权也依赖 CLI 自身的机制，通常是磁盘上的凭证文件。这种方式最适合本地环境中快速、宽松的集成场景。 ### 模型上下文协议（MCP） MCP 以协议的形式提供公共层。智能体连接到一个服务器，该服务器暴露你系统的能力，并标准化了鉴权、服务发现和丰富的语义。一个远程服务器可以在任意兼容客户端（Claude、ChatGPT、Cursor、VS Code 等）、任意部署环境中使用。 它需要一定的前期投入，但换来的是可移植的集成，以及支持功能丰富的智能体集成所需的语义能力。 ## 生产级智能体运行在云端 生产级智能体越来越多地运行在云端，以实现弹性伸缩和持续运行。它们需要触达的系统同样是云托管的：数据所在之处、工作追踪平台、基础设施运行环境。这些系统通常是远程的、需要鉴权的，而 MCP 正好提供了这一公共层。 从采用情况来看，这一趋势已然显现。[MCP SDK](https://modelcontextprotocol.io/docs/sdk) 的月下载量最近突破 3 亿次，相比年初的 1 亿次大幅增长，在企业和主流智能体平台中得到广泛采用。每天有数百万人通过 MCP 使用 Claude，该协议也是我们近期发布的众多功能的基础，包括 [Claude Cowork](https://claude.com/product/cowork)、[Claude Managed Agents](https://claude.com/blog/claude-managed-agents) 以及 [Claude Code 中的 Channels](https://code.claude.com/docs/en/channels)。 随着 MCP 持续支撑生产级智能体系统，我们分享以下高效构建集成的最佳实践：从高级服务器构建，到上下文高效的客户端，再到技能（Skills）对协议的补充。 ## 构建高效的 MCP 服务器 我们的[目录](https://claude.ai/redirect/claudeai.v1.b4298923-7227-414a-b98a-7402fb552a67/directory/connectors)中已有超过 200 个 MCP 服务器，每天被数百万人使用。通过与众多企业和开发者的深度合作，我们总结出几种决定服务器可靠性的设计模式。 ### 构建远程服务器以最大化覆盖范围 远程服务器是实现广泛分发的关键——它是唯一能在 Web、移动端和云托管智能体上运行的配置，也是每个主流客户端优先支持的形式。构建远程服务器，让智能体无论在哪里运行都能使用你的系统。 ### 按意图而非端点组织工具 精简且描述清晰的工具，始终优于对 API 的逐一映射。不要将 API 一对一封装成 MCP 服务器——而是按意图组织工具，让智能体用几次调用就能完成任务，而不是拼接大量原语。一个 `create_issue_from_thread` 工具，胜过 `get_thread` + `parse_messages` + `create_issue` + `link_attachment` 的组合。更多内容参见[为智能体编写高效工具](https://www.anthropic.com/engineering/writing-tools-for-agents)。 ### 当服务接口庞大时，为代码编排而设计 如果你的服务需要数百种不同操作（如 Cloudflare、AWS 或 Kubernetes），按意图分组的工具集很可能无法覆盖全部场景。此时，应暴露一个接受代码的精简工具层：智能体编写短脚本，你的服务器在沙箱中针对 API 执行，只返回结果。[Cloudflare 的 MCP 服务器](https://github.com/cloudflare/mcp)是参考范例——两个工具（搜索和执行）用约 1K token 覆盖了约 2,500 个端点。 ### 在合适的地方提供丰富语义 [MCP Apps](https://modelcontextprotocol.io/extensions/apps/overview) 是首个官方协议扩展，允许工具返回交互式界面（如图表、表单或仪表盘），并直接在聊天界面内渲染。提供 MCP Apps 的服务器，其采用率和留存率明显高于只返回文本的服务器。在关键时刻将你的产品界面呈现给智能体或终端用户——该扩展已在 Claude.ai、Claude Cowork 及众多顶级 AI 工具中得到支持。