基于 MCP 实现推荐业务场景案例架构设计 原创

Anthropic 推出的 MCP（模型上下文协议）取得了成功，这显然激发了 AI 行业里的其他参与者，大家都想来定义一些开放协议，好用在 AI Agent 系统（Agentic Systems）的集成里。

1、MCP 架构设计

MCP（模型上下文协议）是由 Anthropic 定义的一个开放协议，标准化应用程序如何为大语言模型（LLM）提供上下文。更具体地说，它试图标准化基于 LLM 的应用程序与其他环境集成的协议。

在 AI Agent 系统（Agentic Systems）中，上下文可以通过多种方式提供：

1、外部数据：这是长期记忆的一部分。

2、工具：系统与环境交互的能力。

3、动态提示词：可以作为系统提示词（System Prompt）的一部分注入。

第一、为什么要标准化？

目前，AI Agent 应用的开发流程很混乱：

    1.有许多 AI Agent 框架存在细微差异。虽然看到生态系统蓬勃发展令人鼓舞，但这些细微差异很少能带来足够的价值，但可能会显著改变你的代码编写方式。

    2.与外部数据源的集成通常是临时实现的，并且使用不同的协议，即使在组织内部也是如此。对于不同公司来说，这显然是如此。

    2.工具在代码库中以略微不同的方式定义。如何将工具附加到增强型 LLM 上也是不同的。

目标是提高我们创新 AI Agent 应用的速度、安全性以及将相关数据带入上下文的便利性。

第二、MCP 架构设计

    1.MCP Host：使用 LLM 为核心并希望通过 MCP 访问数据的程序。

    2.MCP Client：与 MCP Server 保持1:1连接的客户端。

    3.MCP Server：每个 MCP Server 都通过标准化的模型上下文协议公开特定功能的轻量级程序。

    4.Local Data Sources：你计算机上的文件、数据库和服务，MCP Server 可以安全访问。

    5.Remote Data Sources：通过互联网可用的外部系统（比如：通过 API），MCP Server 可以连接到这些系统。

第三、通过 MCP 分离控制责任

MCP Server 公开三个主要元素（Prompts、Resoures、Tools），这些元素是有意设计的，以帮助实现特定的控制分离。

1.Prompts 提示词被设计为用户控制的。后端的程序员可以公开特定的提示词（适用于与后端服务公开的数据交互），这些提示词可以注入到使用 LLM 的应用程序中，并暴露给给定应用程序的用户。

2.Resoures 资源被设计为应用程序控制的。Resources 资源是任何可以被利用 LLM 构建的应用程序使用的数据（文本或二进制）。应用程序的程序员（通常是 AI 应用开发工程师）负责将这些信息编码到应用程序中。通常，这里没有自动化，LLM 不参与此选择。

3.Tools 工具被设计为大模型控制的。如果我们赋予应用程序如何与环境交互的代理权，我们使用 Tools 工具来实现这一点。MCP Server 公开一个端点，可以列出所有可用 Tools 工具及其描述和所需参数，应用程序可以将此列表传递给 LLM，以便它决定哪些 Tools 工具适用于手头的任务以及如何调用它们。

2、基于 MCP 实现招聘推荐业务场景

第一、招聘推荐业务场景剖析

很多企业内部都有推荐业务的场景，特别是对于招聘推荐业务，招聘场景涉及到企业用人端的招聘服务，也涉及到个人用户的简历数据，这些数据往往散落在不同的平台中，为了更高效的实现人才的匹配，招聘平台就需要利用 AI Agent 智能体根据招聘岗位需求快速找到最合适的候选人，这就是招聘的推荐业务场景。

在这个业务场景中，通过 MCP 统一协议连接多个系统，AI Agent 智能体可以自主决策，从而按需获取岗位数据、职位数据、简历数据等，从而将招聘找人效率提高30%+。

第二、基于 MCP 的整体流程设计，如下所示：

• 1、招聘平台内部需要提供 API 接口能力；
• 2、提供获取岗位 JD 的 API 接口能力；
• 3、提供内部封装的简历排序能力；
• 4、AI Agent 智能体根据 MCP Server 调用结果，给出对应的简历推荐理由。

第三、基于 MCP 的整体架构设计，如下所示：

第四、MCP Server 的代码实现，如下所示：

import requests
import json
from mcp.server.fastmcp import FastMCP
# 创建 MCP 服务器
mcp = FastMCP()
@mcp.tool()
def get_job_list(job_name="", page=1, page_size=20):
    """
    获取职位列表和对应的jobId
    参数:
        职位名称: 职位的名称关键词，如"安全"、"工程师"等
        页码: 分页查询的页码，默认为1
        每页数量: 每页返回的职位数量，默认为20
    """
    payload = {
        "jobTitle": job_name,
        "page": page,
        "limit": page_size
    }
    try:
        response = requests.post(URL, headers=HEADERS, data=json.dumps(payload))
        response.raise_for_status()  # 检查请求是否成功
        return response.json()
    except Exception as e:
        return {"错误": f"获取职位列表失败: {str(e)}"}

第五、配置到 MCP Client 中，Client 调用如下所示：

随着 MCP Server 数量的增加，可能会面临以下挑战：

• MCP Server 选择难题：客户端在选择合适的 MCP Server 进行调用时可能会遇到困难，这需要花费大量时间来尝试不同的调用方案。由于服务器的不同排列组合，尝试的成本可能会急剧增加。在这种情况下，可能需要在客户端开发更高级的记忆功能，以记住成功的调用路径；同时，在服务器端实施服务评级机制，以便优先选择性能更优的服务器进行调用。
• 安全性和授权问题：目前的开源 MCP 版本尚未考虑授权和访问权限的问题，这可能导致 MCP Server 向客户端植入恶意信息，或者客户端将本地的个人隐私信息上传到网络中，从而引发安全风险。

本文转载自​​玄姐聊AGI​​  作者：玄姐