MCP 协议升级测试[片段3]-程序员茄子

编程 MCP 协议升级测试[片段3]

2026-07-26 07:52:05 +0800 CST views 10

Agent 继续执行
await client.continue_task({
"task_id": "task-uuid-123",
"resume_from": "stage-2"
})


这个机制让 AI Agent 可以像人类一样"边做边问"，而不需要在上一步就把所有信息都问清楚。

---

## 五、证据链与可追溯：从"说了什么"到"依据能否还原"

### 5.1 企业场景的证据需求

在企业级 AI 应用中，AI 给出的结论往往需要被审计和追溯。考虑以下场景：

**场景：银行信贷审批**

信审员使用 AI Agent 辅助审查一家供应商的资质。AI 给出了"该供应商存在重大法律风险，建议拒绝"的结论。

三个月后，供应商投诉："凭什么拒绝我们？" 信审员需要回答：
- AI 的结论基于哪些数据？
- 数据的时间点是什么？
- 有没有可能数据已经过期？

**旧版 MCP 的问题**：工具调用结果只返回自然语言数据，没有任何元信息可以追溯。

**新版 MCP 的改进**：每个工具调用结果都携带结构化的证据元信息。

```json
// v0.28+ 工具调用结果（带证据元信息）
{
  "result": {
    "data": {
      "company_name": "企查查科技股份有限公司",
      "credit_code": "91110108MA01XXXXX",
      "risk_level": "high",
      "litigation_count": 23,
      "penalty_count": 5
    },
    "_meta": {
      "evidence_id": "evidence-uuid-789",
      "data_source": "qcc_mcp_business_data",
      "query_timestamp": "2026-07-26T07:00:00+08:00",
      "data_timepoint": "current",
      "confidence": 0.95,
      "fields_used": ["litigation_count", "penalty_count", "risk_level"],
      "raw_response_hash": "sha256:abc123...",
      "limitations": [
        "仅覆盖中国大陆司法数据",
        "行政处罚数据可能存在 7 天更新延迟"
      ]
    }
  }
}

5.2 完整 JSON Schema 的生产价值

2026-07-28 规范将工具的输出 Schema 升级到完整的 JSON Schema 2020-12，这不只是格式升级，而是让结构化交付成为可能。

旧版 Schema（简化）：

{
  "type": "object",
  "properties": {
    "company_name": {"type": "string"},
    "risk_level": {"type": "string"}
  }
}

新版 Schema（完整）：

{
  "$schema": "https://json-schema.org/draft/2020-12/schema",
  "type": "object",
  "properties": {
    "company_name": {
      "type": "string",
      "description": "企业名称"
    },
    "risk_level": {
      "type": "string",
      "enum": ["low", "medium", "high", "critical"],
      "description": "综合风险等级"
    },
    "litigation_count": {
      "type": "integer",
      "minimum": 0,
      "description": "当前有效诉讼数量"
    },
    "last_updated": {
      "type": "string",
      "format": "date-time",
      "description": "数据更新时间"
    }
  },
  "required": ["company_name", "risk_level", "last_updated"],
  "additionalProperties": false
}

完整 Schema 的价值在于：

客户端可以自动验证返回数据的完整性
AI Agent 可以知道哪些字段是必填的、哪些是可选的
可以自动生成类型安全的客户端代码
数据质量可以被系统化地监控

5.3 链路追踪：W3C Trace Context 集成

新版 MCP 引入了 W3C Trace Context 标准，让每次工具调用都可以被纳入分布式追踪体系：

# 工具调用时注入链路追踪上下文
result = await client.call_tool(
    "risk_scan",
    {"company_id": "qcc-123"},
    trace_context={
        "traceparent": "00-0af7651916cd43dd8448eb211c80319c-b7ad6b7169203331-01",
        "tracestate": "congo=t61rcWkgMzE"
    }
)

# 链路追踪结构
trace = {
    "trace_id": "0af7651916cd43dd8448eb211c80319c",
    "span_id": "b7ad6b7169203331",
    "parent_span_id": "a1b2c3d4e5f6",  # 调用方 span
    "duration_ms": 234,
    "tools_in_chain": [
        "company_anchor",
        "risk_scan",
        "litigation_query",
        "penalty_query"
    ],
    "tokens_used": 18432,
    "errors": []
}

对于企业级部署，这意味着：

可以精确分析每次 AI 推理的耗时分布（哪个工具最慢？）
可以发现工具调用链中的错误和异常
可以审计每次 AI 决策背后的完整数据路径
可以对比不同 AI 模型在同一任务上的表现差异

六、企业级 MCP 架构：实战设计模式

6.1 一个完整的企业 MCP 部署架构

基于 2026-07-28 规范，一个生产级的 MCP 部署架构大概是这样的：

┌──────────────────────────────────────────────────────────────────────┐
│                           客户端层                                    │
│  Claude Desktop | Cursor | 自定义 Agent | 第三方平台                   │
└──────────────────────────────────────────────────────────────────────┘
                                  │
                                  ▼
┌──────────────────────────────────────────────────────────────────────┐
│                          MCP Gateway（Envoy/Kong）                      │
│  • JWT 鉴权 & 租户隔离                                                 │
│  • 限流（per-tenant, per-tool）                                        │
│  • 链路追踪（OpenTelemetry）                                           │
│  • 请求路由（根据 tool/server 分发）                                    │
│  • 响应缓存（基于 cacheTtlMs）                                         │
│  • 成本计量（per-tool-cost tracking）                                   │
└──────────────────────────────────────────────────────────────────────┘
           │                    │                    │
           ▼                    ▼                    ▼
┌───────────────────┐ ┌───────────────────┐ ┌───────────────────┐
│  Business MCP      │ │  Legal MCP        │ │  DocParse MCP    │
│  Server            │ │  Server          │ │  Server          │
│  ─────────────    │ │  ─────────────    │ │  ─────────────    │
│  185 tools        │ │  10 tools        │ │  2 tools        │
│  (company/risk/   │ │  (laws/cases/    │ │  (PDF→struct/   │
│   ip/opera...)    │ │   citations)      │ │   doc→struct)    │
└───────────────────┘ └───────────────────┘ └───────────────────┘
           │                    │                    │
           ▼                    ▼                    ▼
┌───────────────────┐ ┌───────────────────┐ ┌───────────────────┐
│  企业数据源        │ │  法律数据库        │ │  文档存储         │
│  (工商/司法/      │ │  (裁判文书/       │ │  (PDF/Word/      │
│   知识产权/...)   │ │   法规/...)       │ │   Excel)          │
└───────────────────┘ └───────────────────┘ └───────────────────┘

6.2 无状态 Server 的实现模式

在 2026-07-28 规范下，MCP Server 应该是完全无状态的。这意味着：

# 错误示范：Server 中存储会话状态
class MCPStatefulServer:
    def __init__(self):
        self.sessions = {}  # ❌ 不应该在 Server 中维护会话状态
        self.cache = {}    # ❌ 不推荐：限制水平扩容
    
    async def handle_request(self, request):
        session_id = request.headers.get("Mcp-Session-Id")  # ❌ v0.28 已移除
        if session_id in self.sessions:
            return self.sessions[session_id]

# 正确示范：无状态 Server
class MCPStatelessServer:
    def __init__(self, redis_url: str, upstream_db: str):
        self.redis = aioredis.from_url(redis_url)  # ✅ 状态外置到 Redis
        self.db = create_db_pool(upstream_db)
        # ✅ 无本地状态，可水平扩展
    
    async def handle_request(self, request: MCPRequest) -> MCPResponse:
        # 每个请求自包含所有必要信息
        trace_id = request.meta.trace_id  # 从请求中获取链路 ID
        tenant_id = request.meta.tenant_i

复制全文生成海报 MCP AI Agent