MCP-AI编程打通WIKI知识库以及后续的一些思考

摘要本文包含两部分内容第一部分是MCP的开发配置第二部分是MCP开发后的一些感悟即AI 时代的数据存储与后端架构。引言使用了AI编程工具一年了最直观的感觉就是AI编程的代码生成效果越来越好想要代码生成效果好除了模型本身的能力优秀外一套明确清晰的AI编程规范和公司的完备知识库以及正确的示例代码对于AI编程效果的提升至关重要。最近为了在AI编程时能方便获取WIKI上公司的开发规范、开发资源信息和相关的组件或插件的集成。就写了一个MCP demo 用于丰富开发时的上下文语义。方便进行编码提高编码的便捷性和效率。MCP简介在 MCP 出现之前每个 AI 应用智能体想要连接一个外部工具比如数据库、地图 API、文件系统等都需要进行一对一的定制开发。这就像在没有 USB 标准之前每个设备都需要自己专属的充电器和连接线非常繁琐且效率低下。MCP 通过定义一套统一的“通信语言”和接口标准让 AI 应用可以像“搭积木”一样轻松、安全地调用各种外部能力实现了“一次封装处处可用”。MCP 采用客户端-服务器C-S架构主要包含三个核心角色简单来说当你在 AI 助手中提出一个需要外部工具协助的请求时比如“帮我查一下去中山陵的路线”Host 会通过 Client 连接到提供地图服务的 MCP Server获取信息后再由大模型整合并生成最终回答给你。一、MCP的开发1.1 wikiMCP 配置个人使用的编程工具是Trae, 配置好的自己写的 wiki MCP具体配置{ mcpServers: { my-wiki: { command: python, args: [ root/testwiki.py ], env: { WIKI_TOKEN: reyJhbGciOiJIUzUxMiJ9.eyJkZXB0TmFtZSI6Iuaxn-mTnOmbhuWboiIsInN5c0NvZGUiOm5 } } } }其中root/testwiki.py 提供了接口 供AI进行调用访问wiki的数据库。1.2 代码testwiki.py部分代码import os from mcp.server.fastmcp import FastMCP import httpx # 1. 初始化 MCP 服务 mcp FastMCP(MyCompanyWiki) # --- 配置区域 --- WIKI_BASE_URL https://wikix.xxxxx.com WIKI_API_TOKEN os.getenv(WIKI_TOKEN) if not WIKI_API_TOKEN: raise ValueError(错误找不到 WIKI_TOKEN 环境变量) # 2. 工具搜索文档 mcp.tool() async def search_wiki(keywords: str) - str: 在公司知识库中搜索文档名称并返回文档ID。 headers { accesstoken: WIKI_API_TOKEN, User-Agent: MCP-Server/1.0 } data {keywords: keywords} try: async with httpx.AsyncClient(headersheaders, timeout3000.0) as client: response await client.post( f{WIKI_BASE_URL}/xxx/news, data data ) if response.status_code ! 200: return fHTTP请求失败{response.status_code} json_data response.json() # 2. 获取数据 (关键修改) # 根据你提供的 JSONdata 本身就是列表 [ {...}, {...} ] results json_data.get(data, []) if not results: return 没有找到相关文档。 result_text **找到相关文档请复制ID查询详细内容**\n\n for item in results[:10]: # 根据最新 JSONID字段是 pageId标题是 pageTitle doc_id item.get(pageId, N/A) title item.get(pageTitle, 无标题) result_text f** {title}**\nID: {doc_id}\n---\n return result_text except Exception as e: return f搜索异常: {str(e)} # 4. 启动服务 if __name__ __main__: mcp.run()1.3 使用效果通过关键字 收索文档检索文档详情1.4 MCP 不同部署方式启动一个 MCP 服务器的有效方式有多种。对比其他的MCP服务 标准化工具包和自己写的。部署模式一个是使用现成的、由社区或官方维护的“标准工具包”另一个是自己编写的“定制化服务”。标准化工具包 (executeautomation/...)这种配置通常用于那些已经打包好、发布到公共仓库如 npm的通用工具。{ mcpServers: { Playwright: { command: npx, args: [ -y, executeautomation/playwright-mcp-server ], env: {} } } }command:npx这是一个 Node.js 的包执行工具。它的作用是从 npm 仓库临时下载并运行一个程序包而无需你手动安装。args:[-y, executeautomation/playwright-mcp-server]-y自动确认所有提示实现无人值守安装和运行。executeautomation/playwright-mcp-server这是要运行的包的名称。这个包里包含了所有让 AI 能够操控浏览器的代码和逻辑。特点开箱即用。不需要关心它内部是如何实现的只需要知道它能提供“浏览器自动化”这个能力。自定义脚本 (root/testwiki.py)这种配置就是你之前部署自己 Wiki 工具的方式它指向一个你亲手编写的脚本文件。{ mcpServers: { my-wiki: { command: python, args: [ root/testwiki.py ], env: { WIKI_TOKEN: ... } } } }command:python这告诉系统使用 Python 解释器来运行接下来的脚本。args:[root/testwiki.py]这是你要运行的 Python 脚本的路径。这个脚本里包含了你用httpx等库编写的、专门用于和你的 Wiki API 通信的逻辑。env:{WIKI_TOKEN: ...}这里设置了环境变量比如访问令牌。这对于需要认证的自定义服务来说是必不可少的。特点高度定制。这个服务完全为你自己的业务逻辑服务功能是独一无二的。 总结对比特性标准化工具包 (npx ...)自定义脚本 (python ...)来源来自公共包管理器 (如 npm)来自你自己的代码文件目的提供通用的、标准化的能力 (如浏览器操作)提供特定的、个性化的业务能力 (如查询你的Wiki)灵活性低功能由包的作者决定极高你可以修改代码实现任何功能开发成本零直接使用高需要自己编写和维护代码类比购买成品家具自己动手做家具当想使用别人已经做好的强大工具时就用第一种当想让自己的 AI 拥有独特的能力时就用第二种。二、AI 时代的数据存储与后端架构演进开发配置完上面的wiki MCP工具后 对未来的开发方向也有写思考特别是对于 后续数据的存储和处理都会从现在的关系模式转变成为AI服务怎样的AI数据底座能最大发挥AI的作用。未来必定是AI的时代就像十几年前的网购和云计算一样颠覆整个社会。未来架构图景AI作为新的“中间层”“后端提供接口供AI检索”的模式正在演变成一个全新的三层架构用户层用户通过自然语言与AI助手交互表达模糊的需求。AI代理层 (AI Agent)这是核心的“大脑”。它负责理解用户意图并将其拆解为具体的任务。数据层这就是我们上面讨论的“AI友好型”数据底座。它包含了向量库、传统数据库和各种非结构化数据源。核心洞察从“人读”到“机读”的范式转移随着 AI 的发展数据存储和后端架构正在经历一场从**“面向人类阅读”向“面向 AI 理解”**的根本性转变。未来的核心交互模式将是用户通过自然语言指挥 AIAI 调用后端接口检索数据经过推理分析后辅助用户决策。数据结构设计的演变传统的数据结构如关系型数据库的行/列主要为了方便人类浏览和简单的关键词匹配而 AI 时代的存储设计更侧重于语义理解和多模态融合。语义化存储向量化传统方式依赖关键词匹配如搜索“汽车”只能找到包含这两个字的文档。AI 方式利用嵌入模型将文本、图像等非结构化数据转化为高维向量。在向量空间中“汽车”和“轿车”的距离会非常近从而实现基于含义而非字面的检索。保留上下文与层级在将长文档存入系统时不能简单切碎必须保留标题、章节等层级信息。这样 AI 在检索到片段时才能结合上下文给出准确答案。多模态融合统一处理文本、PDF、图片、视频等多种格式将其转化为 AI 可理解的统一数学表达。️ 未来架构全景图AI 作为新的“中间层”传统的“前端-后端-数据库”三层架构正在演变为以 AI 为核心的智能架构。用户层通过自然语言表达模糊或复杂的需求。AI 代理层 (Agent)系统的“大脑”。负责理解意图、拆解任务、决定调用哪些工具或查询哪些数据。数据底座层混合存储结合了向量数据库存语义、传统数据库存业务逻辑/元数据和知识库存非结构化文件。一体化趋势现代架构倾向于使用支持 SQL、全文检索和向量搜索的一体化数据库减少数据在不同系统间搬运的延迟。️ 关键技术栈详解为了实现上述架构以下技术栈是当前及未来的核心支撑技术领域核心技术/概念作用与价值数据存储向量数据库专门存储数据的“语义指纹”实现毫秒级的相似性检索。混合检索结合关键词检索精准匹配和向量检索语义匹配提高准确率。核心编排RAG检索增强生成。先查资料再回答解决大模型幻觉问题确保数据时效性。重排序对初步检索结果进行二次精细筛选把最相关的信息喂给 AI。后端升级库内推理将 AI 模型直接植入数据库内核数据不出库即可完成分析兼顾安全与性能。NL2SQL让 AI 自动将自然语言转换为 SQL 语句直接操作传统业务库。连接标准MCP类似“USB 接口”的标准协议统一了 AI 与外部数据源文件、API的连接方式。总结未来的后端开发核心竞争力将从单纯的 API 编写转移到如何构建高效、精准且安全的**“AI 数据底座”**。谁能更好地将私有数据转化为 AI 可理解的格式向量上下文并提供标准化的调用接口MCP/RAG谁就能在未来的 AI 应用生态中占据主动。