别再写胶水代码了！用MCP多服务器架构让AI同时操控地图、浏览器、文件系统

前言

不知道你有没有遇到过这样的场景：想让AI帮你查公司附近的咖啡店，把评分最高的3家信息截图保存到本地，再自动发钉钉消息给同事。

以前要实现这个功能，你得分别对接地图API、浏览器自动化工具、文件系统接口、钉钉开放平台，写一堆胶水代码做参数转换、异常处理，光是联调就要耗大半天。

直到我用上了MCP的多服务器架构，整个过程只需要一句自然语言指令，AI会自动调用对应的工具完成所有操作，代码量直接减少了70%。

今天就把这套可落地的多服务器架构方案拆解清楚，附带完整可运行的代码，新手也能直接抄走用。

一、先搞懂：MCP多服务器架构到底解决了什么问题？

MCP的核心价值是把工具调用标准化，相当于给AI装了个通用的"工具接口"，而多服务器架构就是让AI能同时连接多个不同的工具服务，按需调用。

它的核心优势有三个：

一次开发，到处复用：你封装好的地图MCP Server，任何支持MCP协议的AI应用都能直接调用，不用重复造轮子
解耦工具与AI：工具升级、更换不影响AI逻辑，只要符合MCP协议就能无缝接入
多工具协同：AI可以根据任务需求，自动串联多个工具完成复杂工作流，不用手动写调度逻辑

举个直观的例子：你输入"帮我查北京南站附近的咖啡店，把前3家的名称、评分、距离保存到本地result.txt"，AI会自动完成三步操作：调用地图MCP查询周边咖啡店→筛选前3家信息→调用文件系统MCP写入本地文件，全程不需要你手动干预。

二、架构设计：整体流程一目了然

我们先理清楚整个系统的组件关系，避免写代码的时候搞混：

scss 复制代码

┌─────────────────────────────────────────────────────┐
│                AI Agent（以DeepSeek为例）             │
│           解析自然语言指令 → 决策调用哪些工具          │
└──────────────────────┬──────────────────────────────┘
                       │ 绑定工具集
┌──────────────────────▼──────────────────────────────┐
│              MultiServerMCPClient                    │
│          统一管理多个MCP Server暴露的工具             │
└──┬──────────┬──────────────┬──────────────┬─────────┘
   │ HTTP     │ stdio        │ stdio        │ stdio
┌──▼────┐ ┌───▼──────┐ ┌────▼──────┐ ┌───▼─────────┐
│ 高德  │ │ 自定义   │ │ Chrome    │ │ FileSystem  │
│ 地图  │ │ 加法MCP  │ │ DevTools  │ │    MCP      │
│ MCP   │ │  Server  │ │   MCP     │ │   (本地)    │
│(远程) │ │ (本地)   │ │  (本地)   │ │             │
└───────┘ └──────────┘ └───────────┘ └─────────────┘

这里我们接入4个MCP Server做演示：

高德地图MCP（远程） ：调用官方提供的HTTP服务，查询周边POI、路线规划等能力
自定义加法MCP（本地） ：演示如何自己封装本地工具
Chrome DevTools MCP（本地） ：控制浏览器做截图、点击等操作
FileSystem MCP（本地） ：读写本地文件

三、环境准备：3分钟搭好开发环境

我们选Node.js技术栈，对前端开发者更友好，所有代码都可以直接跑。

第一步：初始化项目

bash 复制代码

mkdir mcp-multi-server-demo
cd mcp-multi-server-demo
npm init -y

第二步：安装核心依赖

bash 复制代码

npm install @langchain/mcp-adapters @langchain/openai @modelcontextprotocol/sdk zod dotenv

几个核心依赖的作用说清楚，避免大家装错：

@langchain/mcp-adapters：LangChain官方提供的MCP适配层，核心是MultiServerMCPClient，用来统一管理多个MCP Server
@langchain/openai：兼容OpenAI协议的模型调用库，这里我们用来连DeepSeek的API
@modelcontextprotocol/sdk：MCP官方SDK，用来封装自定义的本地MCP Server
zod：TypeScript的Schema校验库，用来定义工具的参数格式，AI会根据这个理解工具需要什么参数

第三步：配置环境变量

在项目根目录创建.env文件，填入你的API Key：

ini 复制代码

# DeepSeek API配置，去platform.deepseek.com申请
DEEPSEEK_API_KEY=sk-xxxxxx
DEEPSEEK_BASE_URL=https://api.deepseek.com

# 高德地图MCP远程服务地址，官方提供的公共测试地址
AMAP_MCP_URL=https://mcp.amap.com/sse?key=你的高德Key

四、核心代码实现：分步骤上手

1. 先封装你自己的本地MCP Server

我们先从最简单的开始，写一个本地的加法计算工具，熟悉MCP Server的开发流程。

创建文件custom-mcp-server.mjs：

css 复制代码

import { McpServer } from '@modelcontextprotocol/sdk/server/mcp.js';
import { StdioServerTransport } from '@modelcontextprotocol/sdk/server/stdio.js';
import { z } from 'zod';

// 1. 创建MCP Server实例，定义名称和版本
const server = new McpServer({
  name: 'custom-calculator',
  version: '1.0.0',
});

// 2. 注册加法工具，定义名称、描述、参数Schema和处理逻辑
server.tool(
  'add',
  '计算两个数字的和',
  {
    a: z.number().describe('第一个加数'),
    b: z.number().describe('第二个加数'),
  },
  async ({ a, b }) => ({
    content: [{ type: 'text', text: `计算结果：${a + b}` }],
  })
);

// 3. 注册乘法工具，演示一个Server可以暴露多个工具
server.tool(
  'multiply',
  '计算两个数字的乘积',
  {
    a: z.number().describe('第一个乘数'),
    b: z.number().describe('第二个乘数'),
  },
  async ({ a, b }) => ({
    content: [{ type: 'text', text: `计算结果：${a * b}` }],
  })
);

// 4. 通过stdio协议启动服务，等待客户端连接
const transport = new StdioServerTransport();
await server.connect(transport);

这里有两个关键知识点：

每个工具必须有三个核心要素：唯一名称、参数Schema（用zod定义）、处理逻辑，AI会通过名称区分工具，通过Schema理解需要什么参数
stdio协议适合本地工具，通过标准输入输出通信，不需要额外配置端口，本地调试更方便

2. 配置多服务器客户端

接下来我们把所有MCP Server统一接入客户端，创建文件agent.mjs：

javascript 复制代码

import { MultiServerMCPClient } from '@langchain/mcp-adapters';
import { ChatOpenAI } from '@langchain/openai';
import dotenv from 'dotenv';

dotenv.config();

// 1. 初始化大模型，这里用DeepSeek，兼容OpenAI协议
const model = new ChatOpenAI({
  modelName: 'deepseek-chat',
  openAIApiKey: process.env.DEEPSEEK_API_KEY,
  configuration: {
    baseURL: process.env.DEEPSEEK_BASE_URL,
  },
  temperature: 0,
});

// 2. 配置多个MCP Server的连接信息
const client = new MultiServerMCPClient({
  // 远程HTTP服务，比如高德地图MCP
  amap: {
    transport: 'sse',
    url: process.env.AMAP_MCP_URL,
  },
  // 本地stdio服务，对应刚才写的自定义Server
  calculator: {
    transport: 'stdio',
    command: 'node',
    args: ['custom-mcp-server.mjs'],
  },
  // 本地文件系统MCP，用官方提供的包
  filesystem: {
    transport: 'stdio',
    command: 'npx',
    args: ['-y', '@modelcontextprotocol/server-filesystem', './output'],
  },
  // Chrome浏览器MCP，需要先安装Chrome DevTools MCP
  browser: {
    transport: 'stdio',
    command: 'npx',
    args: ['-y', '@anthropic/mcp-server-chrome-devtools'],
  },
});

async function runAgent() {
  // 3. 获取所有MCP Server暴露的工具
  const tools = await client.getTools();
  
  // 4. 把工具绑定到大模型
  const modelWithTools = model.bindTools(tools);
  
  // 5. 发送自然语言指令
  const response = await modelWithTools.invoke(
    '帮我计算123+456的结果，然后把结果保存到output/result.txt文件中'
  );
  
  console.log('AI响应：', response.content);
  
  // 6. 执行工具调用（如果有）
  if (response.tool_calls?.length > 0) {
    for (const toolCall of response.tool_calls) {
      console.log(`调用工具：${toolCall.name}，参数：`, toolCall.args);
      // 这里可以进一步处理工具调用的结果，串联多个工具
    }
  }
  
  // 7. 关闭所有MCP连接
  await client.close();
}

runAgent().catch(console.error);

3. 运行测试

先确保你的项目结构是这样的：

lua 复制代码

mcp-multi-server-demo/
├── .env
├── custom-mcp-server.mjs
├── agent.mjs
├── output/（用来存放生成的文件）
└── package.json

然后运行node agent.mjs，你会看到AI自动调用了加法工具和文件写入工具，最终把计算结果保存到了output/result.txt里。

五、进阶玩法：串联多个工具完成复杂任务

刚才的演示只是简单的工具调用，实际业务中我们更常用的是多工具串联的工作流。比如"查北京南站附近的咖啡店，把前3家的信息保存到本地文件"，AI会自动按顺序完成三步操作：

调用高德地图MCP的search_around工具，查询周边咖啡店
筛选出前3家的名称、评分、距离信息
调用文件系统MCP的write_file工具，把信息写入本地文件

整个过程不需要你写任何调度逻辑，AI会根据任务需求自动决策调用顺序，这就是多服务器架构的核心优势。

六、避坑指南：这些坑我替你踩过了

实际开发中这几个问题很容易遇到，提前说清楚能省很多时间：

本地stdio服务的命令路径问题 ：如果npx找不到，可以用绝对路径，比如/usr/local/bin/npx，Windows用户用npx.cmd
工具参数描述要写清楚 ：AI完全依赖参数的describe描述来理解参数的含义，描述越清晰，调用准确率越高
远程MCP服务的鉴权：很多官方MCP服务需要在URL里带API Key，不要直接把Key写在代码里，用环境变量管理更安全
工具调用的异常处理：如果某个工具调用失败，AI可能会重试或者换其他工具，建议给工具加上错误返回，让AI能感知到失败原因

七、总结

MCP多服务器架构的本质是把"AI调用工具"这件事标准化了，你不需要再为每个工具写适配代码，只需要关注业务逻辑本身。

这套方案特别适合这几类场景：

自动化办公：串联日历、邮件、文档工具，实现自动排日程、发邮件、生成报告
数据采集：串联浏览器、文件、数据库工具，实现自动抓取网页数据并存储
运维自动化：串联监控、日志、告警工具，实现故障自动诊断和处理