作者，王艺辉，蚂蚁 Agent 开发工程师
首先为大家推荐这个 OceanBase 开源负责人老纪的公众号 "老纪的技术唠嗑局"，会持续更新和 #数据库 、#AI 、#技术架构 相关的各种技术内容。欢迎感兴趣的朋友们关注！
MCP 和 MCP Advisor 是什么
MCP（模型上下文协议）可被简单理解为 AI 大模型的"手"和"脚"。大语言模型本质上是文本的概率模型，其输入与输出均为语言文本。然而，要将这些语言文本与现实世界中的各类工具（如打开空调、电脑，或指挥其他事务）关联起来，就需要一个媒介，而 MCP 正是这样一个统一的媒介接口，可将其视为 AI 与世界之间的"USB-C 接口"，如同电脑通过该接口连接硬盘、网盘、U 盘等设备，为其提供辅助功能。
尽管 MCP 具有重要作用，但现实世界中的工具种类繁多。目前市场上已存在超过13000~15000种工具，涵盖各行各业。例如，借助 MCP 与大语言模型的结合，可绘制《我的世界》中的三维图、CAD 图、机械臂，或在软件工程中进行代码部署、绘制 UI 文件等。
然而，众多工具也带来了诸多问题，主要体现在三个方面。
一是动态规划问题。例如，如果要在小红书上查找最新的新闻并进行分析，Agent 需要临时想到去小红书寻找，那么如何快速找到小红书上的相应工具及 MCP 来完成任务，即动态规划如何满足需求。
二是服务发现问题。面对众多工具，需降低大模型的认知负担，否则当工具数量超过四五十个时，大模型可能难以承受，不清楚该选择哪个工具以及需要发现哪些工具。
三是使用复杂度问题。即使已选定 MCP，如何快速投入使用，降低使用复杂度，也是亟待解决的。因此，MCP Advisor 应运而生，旨在解决这些问题。
以上文提到的小红书热点问题为例，大模型本身在本地并无能力分析处理，需通过 MCP。于是它会询问 MCP Advisor 有哪些工具及 MCP 能助其完成任务。MCP Advisor 会为其推荐 RedNote MCP 和 MCP-Hot news-Servers 等。大模型记录下这些 MCP 后，会选择其中一个继续操作。在操作过程中，若发现 RedNote MCP 还需 play wright 环境，它会继续安装 play wright 的MCP，并询问 MCP Advisor 如何安装。MCP Advisor 会告知其安装方法，大模型便可在整个过程中不间断地完成动态规划，持续运行下去。这便是 MCP Advisor 提供建议及安装能力的基础功能。
架构设计如何兼顾企业&社区
系统组件架构
社区可能会有 13000～15000 多个相对公开的数据源，对于企业用户来说，数据源可能来自于企业内部的文档数据源，文档 MCP，以及一些 MCP 无法完成的发布流程，面对不同的场景和需求，我们设计了多层 Provider 架构，一共分为 MCP 连接层、统一搜索服务层、向量引擎与 DB 层，共同完成整个分析处理流程。
MCP 连接层： 处理查询请求，同时支持 STDIO 、SSE 和 REST 三种传输方式；处理来自本地、API 和企业内部的数据源，满足不同集成场景的需求。
统一搜索服务层： 多 Provider 架构，融合 OceanBase、Meilisearch 、API 与内存引擎的混合搜索结果，提供最好的推荐效果。
向量引擎与 DB 层： 基于 TensorFfow 与 OceanBase 的 HNSW 高维向量索引，实现分布式定时数据更新，支持内存兜底。
最终将各个 Provider 的结果进行融合，无论是离线的、企业的还是社区的数据，都能在最后重排，为用户提供最佳效果。
数据流程
当用户提出问题时，在系统中包含4个处理步骤。
第一步，意图处理：首先对问题进行简单的 NLP（Natural Language Query），即自然语言处理，过程中提取关键词和意图，由 TensorFlow.js 向量化处理。向量化完成后，会进行 embedding，维度与 OpenAI 的嵌入模型保持一致，为1536 维。
第二步，并发召回与融合：多个 provider 并发混合搜索，包括内部自建的内存向量数据库、公网 API、优先处理标量过滤和向量过滤的 OceanBase 、MeiliSearch，可以继续扩展，融合各自优点。
第三步，标量&向量混合搜索：并发执行标量过滤 和向量 HNSW 相似度查询。
第四步，融合结果：允许调整不同来源的权重，加权融合推荐结果。
在 MCP Advisor 架构中，OceanBase的核心作用包括三个方面：
- AI 生态持续发力。OceanBase 一直以来的成长有目共睹，和 FastGPT、Camel AI 等热门项目紧密合作、快速适配，为用户和开发者提供了丰富多样、便捷易用的产品生态。
- 同时支持标量、向量和全文搜索。支持标量、向量、全文、多模等多种混合检索，可以满足各种行业等多种业务场景需求。
- 企业内部数据源的优选。支持多模数据源，支持 MySQL 接口、分布式、高可用，对于企业内部自建 MCP 市场很有吸引力。
成果展示与未来规划
MCP Advisor 服务正式发布一月来，仅仅 Glama 一个平台已有 380+ 下载（github.com/istarwyh/mc... mcp.so 首页，并且云端已 hosted，用户可免费体验，也可下载到本地进行简单配置。
展望未来，我们将 MCP Advisor 的发展路径划分为以下四个发展阶段：
- 第一阶段，将继续完善基础功能，解决 bad case，实现 Agent 的多样化诉求；
- 第二阶段，计划结合深度学习能力，将重排序以及与 tour 相关的训练融入一个模型，构建强化学习模型，整合能力；
- 第三阶段，开发任务分解引擎和动态规划系统，实现自适应 MCP 配置，提高产品易用性。
- 第四阶段，将打造社区，提供开发者 SDK API，定制 MCP 培训工具和企业集成框架，赋能企业内部的 Agent 市场。
老纪的技术唠嗑局」不仅希望能持续给大家带来有价值的技术分享，也希望能和大家一起为开源社区贡献一份力量。如果你对 OceanBase 开源社区认可，点亮一颗小星星 ✨ 吧！你的每一个Star，都是我们努力的动力。