MCP 与 AI Agent 集成调研

文档版本：v1.0 | 最后更新：2026-09-01

1. MCP 协议概述

1.1 什么是 MCP

MCP（Model Context Protocol）是由 Anthropic 主导设计的开放协议，旨在标准化大语言模型（LLM）与外部工具、数据源之间的交互方式。MCP 定义了一套统一的接口规范，使 AI Agent 能够以标准化方式发现、调用和组合各种外部能力。

核心定位： AI Agent 的"USB 接口" — 一次实现，处处可用。

1.2 核心概念

1.3 协议架构

graph TD
    A["AI Agent / IDE\nClaude, Cursor, Cline"] --> B["MCP Client"]
    B --> C["stdio / SSE / HTTP"]
    C --> D["MCP Server"]
    D --> E["Tool A"]
    D --> F["Tool B"]
    D --> G["Tool C"]

1.4 Tool 定义格式

{
  "name": "run_code",
  "description": "在云沙箱中执行代码并返回结果",
  "inputSchema": {
    "type": "object",
    "properties": {
      "code": {
        "type": "string",
        "description": "要执行的代码"
      },
      "language": {
        "type": "string",
        "enum": ["python", "javascript", "typescript"],
        "description": "编程语言"
      }
    },
    "required": ["code"]
  }
}

2. 现有沙箱 MCP Server 实现

2.1 E2B MCP（已废弃）

启示： 仅提供基础 Tool 的 MCP Server 价值有限，需要更丰富的能力封装。

2.2 sandbox-mcp（社区项目）

2.3 Code Sandbox MCP

2.4 Modal Sandbox MCP

2.5 对比总结

3. MCP Tool 设计分析

根据云沙箱核心功能和用户场景，将 MCP Tools 按优先级分为三级：

3.1 P0 — 核心 Tools（必须实现）

3.2 P1 — 增强 Tools（重要但非必须）

3.3 P2 — 高级 Tools（差异化能力）

3.4 Tool 设计原则

1. 渐进式披露：P0 Tools 覆盖 80% 场景，P1/P2 按需启用
2. 智能默认值：sandbox_id 可选，自动创建或复用
3. 丰富描述：每个 Tool 的 description 需详细说明用途、限制和示例
4. 错误可恢复：返回结构化错误信息，附带修复建议
5. 幂等性：重复调用不产生副作用

4. SDK 作为 Agent Tool 的设计模式

4.1 OpenAI Function Calling 格式

{
  "type": "function",
  "function": {
    "name": "run_code_in_sandbox",
    "description": "在阿里云沙箱中执行代码。支持 Python、JavaScript、TypeScript。自动管理沙箱生命周期。",
    "parameters": {
      "type": "object",
      "properties": {
        "code": {
          "type": "string",
          "description": "要执行的代码内容"
        },
        "language": {
          "type": "string",
          "enum": ["python", "javascript", "typescript"],
          "default": "python",
          "description": "编程语言"
        },
        "timeout": {
          "type": "integer",
          "default": 30,
          "description": "执行超时时间（秒）"
        }
      },
      "required": ["code"]
    }
  }
}

集成方式：

from openai import OpenAI
from aliyun_sandbox import get_openai_tools, handle_tool_call

client = OpenAI()
tools = get_openai_tools()  # 自动导出 Function Calling 格式

response = client.chat.completions.create(
    model="gpt-4",
    messages=[{"role": "user", "content": "帮我分析这组数据..."}],
    tools=tools,
)

# 处理 tool_call
for tool_call in response.choices[0].message.tool_calls:
    result = handle_tool_call(tool_call)

4.2 Anthropic Tool Use 格式

{
  "name": "run_code_in_sandbox",
  "description": "在阿里云沙箱中执行代码。支持 Python、JavaScript、TypeScript。",
  "input_schema": {
    "type": "object",
    "properties": {
      "code": {
        "type": "string",
        "description": "要执行的代码内容"
      },
      "language": {
        "type": "string",
        "enum": ["python", "javascript", "typescript"]
      }
    },
    "required": ["code"]
  }
}

集成方式：

import anthropic
from aliyun_sandbox import get_anthropic_tools, handle_tool_use

client = anthropic.Anthropic()
tools = get_anthropic_tools()  # 自动导出 Anthropic Tool Use 格式

response = client.messages.create(
    model="claude-sonnet-4-20250514",
    tools=tools,
    messages=[{"role": "user", "content": "帮我分析这组数据..."}],
)

4.3 LangChain 集成

from langchain.agents import create_tool_calling_agent
from aliyun_sandbox.integrations.langchain import SandboxToolkit

# 获取 LangChain Tool 集合
toolkit = SandboxToolkit(region="cn-hangzhou")
tools = toolkit.get_tools()

# 创建 Agent
agent = create_tool_calling_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools)
result = agent_executor.invoke({"input": "帮我分析数据..."})

4.4 CrewAI 集成

from crewai import Agent, Task, Crew
from aliyun_sandbox.integrations.crewai import SandboxTool

sandbox_tool = SandboxTool(region="cn-hangzhou")

data_analyst = Agent(
    role="数据分析师",
    goal="分析用户提供的数据并生成报告",
    tools=[sandbox_tool],
)

task = Task(
    description="分析 sales.csv 中的销售趋势",
    agent=data_analyst,
)

crew = Crew(agents=[data_analyst], tasks=[task])
result = crew.kickoff()

4.5 AutoGen 集成

from autogen import AssistantAgent, UserProxyAgent
from aliyun_sandbox.integrations.autogen import register_sandbox_tools

assistant = AssistantAgent("assistant", llm_config=llm_config)
user_proxy = UserProxyAgent("user_proxy", code_execution_config=False)

# 注册沙箱工具
register_sandbox_tools(assistant, user_proxy, region="cn-hangzhou")

user_proxy.initiate_chat(assistant, message="帮我分析数据...")

5. Skills 系统（agentskills.io 标准）

5.1 渐进式披露设计

Skills 系统采用三层渐进式披露架构：

5.2 SKILL.md 格式

每个 Skill 由一个 SKILL.md 文件定义，包含元数据和使用说明：

---
name: data-analysis
version: 1.0.0
description: 数据分析沙箱 — 预装 pandas、matplotlib、seaborn
author: aliyun-sandbox
tags: [data, analysis, visualization]
template: data-analysis-python
timeout: 1800
memory: 4096
---

# 数据分析沙箱

## 概述
提供预配置的数据分析环境，预装常用数据科学库。

## 预装依赖
- pandas >= 2.0
- matplotlib >= 3.7
- seaborn >= 0.12
- plotly >= 5.15
- scikit-learn >= 1.3

## 使用方式

### 基础使用
\```python
from aliyun_sandbox import Sandbox

sb = Sandbox.from_skill("data-analysis")
result = sb.run_code("""
import pandas as pd
df = pd.read_csv('/data/sales.csv')
print(df.describe())
""")
\```

### 高级配置
\```python
sb = Sandbox.from_skill("data-analysis", memory=8192, timeout=3600)
\```

## 注意事项
- 默认超时 30 分钟
- 大数据集建议增加内存到 8G

5.3 分发机制

5.4 安装选项

6. CLI vs MCP 对比

6.1 对比矩阵

6.2 使用场景推荐

CLI 优先场景

• 开发者日常操作：创建沙箱、查看状态、管理模板
• CI/CD 集成：Shell 脚本中自动化操作
• 调试排查：交互式连接沙箱、查看日志
• 一次性操作：批量清理沙箱、更新配置

# CI/CD 中使用 CLI
sandbox create --template ci-runner --timeout 600 --json | jq '.sandbox_id'
sandbox exec $SANDBOX_ID -- npm test
sandbox kill $SANDBOX_ID

MCP 优先场景

• AI Agent 自动调用：LLM 决策调用沙箱能力
• IDE 插件集成：Cursor、Claude Desktop 中使用
• Agent 框架集成：LangChain、CrewAI 中作为 Tool
• 多步编排：Agent 自主决策创建、执行、清理

{
  "method": "tools/call",
  "params": {
    "name": "run_code",
    "arguments": {
      "code": "import pandas as pd; df = pd.read_csv('data.csv'); print(df.head())",
      "language": "python"
    }
  }
}

6.3 互补关系

CLI 和 MCP 不是替代关系，而是互补关系：

graph TD
    A["开发者 / Agent"] --> B["CLI 入口\n人类优先"]
    A --> C["MCP 入口\nAgent 优先"]
    B --> D["统一 SDK 核心层"]
    C --> D
    D --> E["E2B 兼容层"]
    D --> F["FC Extensions 层"]
    E --> G["阿里云函数计算底座"]
    F --> G

设计建议： - CLI 和 MCP Server 共享同一个 SDK 核心层 - CLI 输出人类可读格式（默认）和 JSON 格式（--json） - MCP Server 始终输出结构化 JSON - 两者支持相同的功能集，仅交互方式不同

7. 集成架构建议

7.1 统一接入层

graph TD
    MCP["MCP Server\nstdio/SSE"] --> SDK
    CLI["CLI\nsandbox run ..."] --> SDK
    ATA["Agent Tool Adapters\nOpenAI FC / Anthropic / LangChain / CrewAI"] --> SDK
    REST["REST API\n/api/v1"] --> SDK
    SDK["Sandbox SDK Core\nSandbox Manager / Template Manager\nFile Manager / Code Interpreter / Lifecycle Manager"]
    SDK --> E2B["E2B 兼容层\nREST + WS"]
    SDK --> FC["FC Ext\nOpenAPI"]
    SDK --> AFS["AgenticFS\nVolume"]

7.2 Tool Schema 自动导出

SDK 应支持从核心功能自动导出各格式的 Tool Schema：

from aliyun_sandbox import SandboxSDK

sdk = SandboxSDK(region="cn-hangzhou")

# 导出 OpenAI Function Calling 格式
openai_tools = sdk.export_tools(format="openai")

# 导出 Anthropic Tool Use 格式
anthropic_tools = sdk.export_tools(format="anthropic")

# 导出 MCP Tool 格式
mcp_tools = sdk.export_tools(format="mcp")

# 导出 LangChain Tool 格式
langchain_tools = sdk.export_tools(format="langchain")

附录：参考资料

• MCP 协议规范
• MCP TypeScript SDK
• MCP Python SDK
• Anthropic MCP 文档
• OpenAI Function Calling
• LangChain Tools
• agentskills.io