MCP（Model Context Protocol）是 Anthropic 提出的开放协议，让大模型能安全地调用外部工具和数据。2025年4月我们基于 FastMCP 构建了招聘平台的企业级 Skills 服务，让 AI 智能体能调用简历检索、人才匹配、职位查询等工具。今天把入门和实战经验分享出来。

一、MCP 是什么

MCP 是大模型和外部工具之间的标准通信协议，类似 OpenAI 的 Function Calling，但更开放、更标准化：

  • Tools：大模型可以调用的工具（如搜索简历、查询职位）
  • Resources：大模型可以读取的资源（如简历详情、公司信息）
  • Prompts：预定义的提示词模板

支持的传输方式：

  • stdio：本地进程间通信，适合桌面端 AI 工具
  • HTTP/SSE：网络传输，适合服务端部署

二、FastMCP 快速上手

FastMCP 是 Python 的 MCP 框架，类似 FastAPI，用装饰器定义工具：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40

from fastmcp import FastMCP

mcp = FastMCP("招聘平台 Skills")

@mcp.tool()
def search_resumes(keyword: str, city_id: int = None, experience_min: int = 0, page: int = 1, page_size: int = 20) -> dict:
    """
    搜索简历，按关键词、城市、工作经验筛选。

    Args:
        keyword: 搜索关键词，如"PHP开发"
        city_id: 城市ID，杭州=2，上海=1
        experience_min: 最低工作年限
        page: 页码，从1开始
        page_size: 每页数量，最大50
    """
    # 调用招聘平台 API
    result = resume_api.search(keyword, city_id, experience_min, page, page_size)
    return {"total": result.total, "list": result.list}

@mcp.tool()
def get_resume_detail(resume_id: int) -> dict:
    """获取简历详情，包含基本信息、工作经历、教育经历、技能。"""
    resume = resume_api.get_detail(resume_id)
    return resume.to_dict()

@mcp.tool()
def match_candidates(job_id: int, top_n: int = 10) -> dict:
    """
    根据职位匹配候选人，返回最匹配的N个候选人。

    Args:
        job_id: 职位ID
        top_n: 返回数量，最大20
    """
    candidates = match_api.match(job_id, top_n)
    return {"candidates": candidates}

if __name__ == "__main__":
    mcp.run(transport="http")  # HTTP 服务模式

三、企业级设计

鉴权与安全

MCP 服务不能让大模型随意调用，要加鉴权和数据隔离：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29

from fastmcp import FastMCP, Context

mcp = FastMCP("招聘平台 Skills")

# 鉴权中间件
@mcp.middleware("tool_call")
async def auth_middleware(ctx: Context, call_next):
    # 从请求头获取 Token
    token = ctx.request.headers.get("Authorization", "")
    if not token:
        raise PermissionError("缺少鉴权 Token")

    # 验证 Token，获取企业信息
    company = verify_token(token)
    if not company:
        raise PermissionError("Token 无效")

    # 把企业信息存入上下文，工具函数可以读取
    ctx.context["company_id"] = company.id
    ctx.context["permissions"] = company.permissions

    return await call_next(ctx)

@mcp.tool()
def search_resumes(ctx: Context, keyword: str) -> dict:
    company_id = ctx.context["company_id"]
    # 只能搜索本企业可见的简历
    result = resume_api.search(keyword, company_id=company_id)
    return result

数据脱敏

返回给大模型的数据要脱敏，防止敏感信息泄露：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12

@mcp.tool()
def get_resume_detail(resume_id: int) -> dict:
    resume = resume_api.get_detail(resume_id)
    # 脱敏：手机号、邮箱只显示部分
    return {
        "id": resume.id,
        "name": resume.name,
        "phone": mask_phone(resume.phone),  # 138****1234
        "email": mask_email(resume.email),  # a***@example.com
        "work_experiences": resume.work_experiences,
        "skills": resume.skills,
    }

限流与监控

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14

@mcp.middleware("tool_call")
async def rate_limit_middleware(ctx: Context, call_next):
    company_id = ctx.context.get("company_id")
    key = f"mcp:rate:{company_id}"
    count = redis.incr(key)
    if count == 1:
        redis.expire(key, 60)
    if count > 100:  # 每分钟最多100次调用
        raise RateLimitError("调用频率超限")

    # 记录调用日志
    log_tool_call(company_id, ctx.tool_name)

    return await call_next(ctx)

四、部署

1
2
3
4
5
6
7

FROM python:3.11-slim
WORKDIR /app
COPY requirements.txt .
RUN pip install -r requirements.txt
COPY . .
EXPOSE 8000
CMD ["python", "server.py"]

部署在 K8s，通过 HTTP/SSE 对外提供服务，AI 智能体（Claude/Cursor/自研）配置 MCP 服务地址即可调用。

五、踩坑经验

  1. Tool 描述很重要：大模型靠 docstring 理解工具用途，描述要清晰准确，包含参数说明和示例，否则大模型不会正确调用
  2. 返回数据要精简：返回给大模型的数据不要太大，Token 有限且贵。只返回必要字段，大字段（如完整简历）按需获取
  3. 错误处理要友好：工具调用失败时返回清晰的错误信息，大模型能根据错误信息调整调用方式
  4. 流式传输：长耗时工具（如批量简历解析）用流式返回进度，大模型能实时反馈给用户

六、总结

MCP 企业级 Skills 服务核心：

  1. FastMCP 快速开发：装饰器定义工具，类似 FastAPI，开发效率高
  2. 鉴权安全：Token 鉴权 + 企业数据隔离 + 数据脱敏，防止越权和泄露
  3. 限流监控：每个企业独立限流，调用日志可追溯
  4. 工具设计：描述清晰、参数合理、返回精简、错误友好
  5. 部署运维：HTTP/SSE 模式部署，K8s 编排，弹性扩缩容

MCP 是 AI 智能体连接外部世界的标准协议，未来会像 REST API 一样普及。提前布局 MCP 服务，让企业数据和能力能被 AI 安全调用，是 AI 时代的重要基础设施。