AI 智能体开发与 MCP 服务器集成：把大模型接进您现有的系统

演示都跑得通。那个总结内部文档的试点很惊艳，那个回答客服问题的原型看着已经能上了，然后它遇上了真实的 CRM、真实的权限模型和真实的数据，就不能上了。

这中间的落差才是活。不是模型（模型现在是最容易的部分），而是大模型与一套对认证、限流、多租户和“谁能看到什么”有明确主张的系统之间的一切。

我们做什么

面向内部系统的 MCP 服务器

Model Context Protocol 是一个开放标准，用统一的方式把工具和数据暴露给 AI 助手，跨客户端一致。“怎么让助手用上我们的系统，又不必为每个助手写一套定制集成”，它已经成为这个问题的实用答案。

我们为贵司真正在跑的东西建生产级 MCP 服务器：CRM、工单系统、数据仓库、内部 API、文档库、ERP。不是硬编码一个 token 的演示服务，而是带完整认证、按用户授权（沿用系统里已有的权限）、多租户隔离、限流、结构化日志的服务，并且调用失败时错误信息要能让模型看懂该怎么办。

定制 AI 智能体与助手

能端到端完成一件事的智能体：分流一个待处理队列、对账两套说法不一致的系统、把一份文档写出初稿交人审定、跨内外部信源跑一次调研任务。我们把不好看但必要的部分一并做进去，重试、超时、成本上限、写操作的幂等，以及凡是难以撤销的动作都必须经过人工确认。

面向自有内容的检索

RAG，认真做的那种：按文档结构而非字符数切分的摄取与分块、向量化与向量检索、关键词与语义混合检索（纯向量会漏掉精确匹配）、重排序，以及回溯到原文的引用，好让答案可被核验。还有不好看的另一半，底层文档变了要让索引跟着更新，以及遵守访问控制，让检索永远不会把用户本来打不开的文档端出来。

流程与后台自动化

不是所有事都需要智能体。企业想从 AI 拿到的东西，很大一部分其实是分类、抽取和路由：读一封来信判断它是什么、从非结构化文档里提取结构化数据、把一段描述匹配到目录条目。这些更便宜、更可靠，也更容易评测。该用这个的时候，我们就做这个。

评测、可观测性与护栏

没有评测的 AI 功能，是没人能改进的功能。我们用贵司真实案例搭测试集，每次变更都跑一遍；每次调用连同输入、工具使用、延迟和成本一起追踪；并在失控循环把 API 账单跑飞之前把限额设好。只要智能体既读取不可信内容又能执行动作，提示注入就是实打实的风险，我们在工具边界上做设计，让一份恶意文档变不成一次破坏性操作。

我们怎么对待模型厂商

我们不绑定任何一家。Anthropic 的 Claude 模型、OpenAI、Google，以及跑在贵司自有基础设施上的开放权重模型，我们都做，并且把集成设计成模型可替换。该用哪一个，取决于任务、所需延迟、在您的量级下每次调用的成本，以及在欧洲越来越具决定性的一条，数据被允许去哪里。

对有数据驻留要求的客户，我们部署到欧盟区域，或在贵司自有硬件上自托管推理；这样做会在能力上付出什么代价，我们会如实说明。

我们不做什么

我们不是 AI 战略咨询公司，不办任何关于“变革性潜力”的工作坊。

我们也不会为一个用不着智能体的问题去建智能体。找上门来的 AI 项目里，相当一部分更适合用一个说明清楚的 API 集成、一个搜索索引，或者干脆把底层的数据质量问题修掉。这么建议会让我们少签一笔大单，也让您少养一套本来要维护的系统。

通常在哪些地方见效

技术上可得、实际上够不着的内部知识：几千份文档散在 wiki、共享盘和工单系统里，而知道哪份是最新版的那个人在休假。

大批量分流：客服队列、理赔受理、销售线索、申请审核。凡是现在由人读一遍、判断它是什么、再转给下一环的环节。

始终没做过集成的系统：两个本该互通的工具没有互通，变通办法是一个人拿着表格。给两边都配上 MCP 访问的智能体，往往比立一个正式集成项目更近。

文档密集型作业：合同、发票、规格书、监管申报。抽取加一道人工复核，今天的可靠度已经足以改变这些流程的成本结构。

自有代码库内的研发效率：内部工具、代码评审辅助、测试生成，以及让团队的助手能访问构建系统、缺陷跟踪和日志的 MCP 服务器。

项目怎么推进

调研，一到两周。我们看清您想改造的流程、涉及的系统，以及数据实际长什么样。产出是一份书面评估：什么可行、在您的量级下每月跑起来要多少钱、失败模式是什么。有时结论是这个别做。

概念验证，三到六周，在受控环境里对真实数据做。目的不是演示，而是一个您敢信的评测结果，在您自己挑的案例上有可量化的准确率。

生产开发，通常八到十六周，含认证、授权、监控、评测框架、成本控制和文档。部署进贵司基础设施、贵司仓库，全程有贵司团队参与。

运维或移交。 要么贵司团队接手，带走运行手册和评测套件；要么由我们按支持协议继续运维。模型会变，提示词会漂移，而评测套件就是那个告诉您“什么时候悄悄变差了”的东西。

技术栈

智能体与 MCP 开发用 Python 和 TypeScript；检索用 PostgreSQL 加 pgvector、Qdrant、Weaviate 或 OpenSearch；推理走 AWS Bedrock、Azure OpenAI、厂商 API 直连，数据不能出境时用 vLLM 或 Ollama 自托管；追踪基于 OpenTelemetry；集成侧则跟着贵司现有技术栈走，因为活儿其实都在那一侧。

常见问题

用大白话说，MCP 服务器是什么？

一个小服务，把某项能力（查数据库、建工单、搜文档），用 AI 助手都认得的标准格式暴露出来。建一次，任何兼容 MCP 的助手都能用上这项能力，不必逐个做定制集成。

我们该建 MCP 服务器还是普通的 API 集成？

如果是一个 AI 助手对一个系统，直接集成更简单。MCP 的价值出现在：多个助手或多个团队要用同一批系统；您希望这项能力对尚未选定的工具也可用；或者您想把权限和审计日志集中到一个地方。

怎么防止智能体做出破坏性操作？

分层。写操作工具与读操作工具分离，写工具的权限收窄到任务所需的最小范围。不可逆的动作一律经过人工确认。每次调用连同参数都记日志。智能体使用只具备该任务所需权限的服务身份运行，因此爆炸半径由贵司自己的授权模型划定，而不是由提示词划定。

跑起来要花多少钱？

几乎完全取决于调用量，以及每次调用带多少上下文。我们在调研阶段用真实数字建模，因为“每轮都把整份文档发过去”和“只检索相关片段”之间，月度成本可以差一个数量级。

能做到数据不出欧盟吗？

可以。主要厂商都提供欧盟区域，开放权重模型也能跑在您掌控的基础设施上。通常会有能力上的取舍，我们会具体说明取舍在哪里，而不是假装没有。

我们上一个 AI 试点没能进生产，这次凭什么行？

通常是因为试点只证明了模型能完成任务，而完全没碰认证、权限、错误处理、评测和成本，剩下那九成的工作正在这里。我们从“模型能行”这个前提出发，把整段项目花在其余的一切上。

开始行动

把您想改造的流程和它涉及的系统描述给我们。我们会告诉您智能体是不是对的工具、一个现实的第一版长什么样，以及建起来和跑起来各要多少钱。

联系我们，安排一次技术调研沟通。