Anthropic 官方生产级 Agent 最佳实践:12 个可复用的 MCP 设计模式

 

在 Claude Code 源代码泄露事件之后,我们从源码里整理出了 12 种 Agentic Harness 模式。后来又结合 Anthropic 官方的 Agent Skills 构建指南,继续拆解出 14 种 Skill 编写模式。这次再往前走一步,问题就变得更现实了:当 Agent 真正进入生产系统,它到底应该怎么连接那些真实的业务工具、权限系统和数据源?

Anthropic 官方最近那篇关于 MCP 的文章《Building agents that reach production systems with MCP[1]》,讨论的正是这个问题。文章比较了直接 API 调用、CLI 和 MCP 的差异,并解释为什么生产级 Agent 越来越倾向于使用 MCP。

生产级 Agent 的难点,不是「能不能调用工具」,而是「能不能安全、稳定、低成本地连接真实系统」。

所以这篇文章不准备讲 MCP 协议细节,而是换一个角度:如果把 Anthropic 的实践抽象成工程模式,哪些设计可以被复用?

我把它拆成 5 组、12 个模式。它们覆盖了工具交互面、交互语义、认证凭证、上下文经济,以及打包分发。理解这些模式,比单纯会写一个 MCP Server 更重要。

工具交互面(Tool surface)

工具交互面设计是 MCP Server 的第一道架构决策。

很多团队第一次做 MCP Server,会自然想到:既然已有 API,那就把每个 API endpoint 包成一个 tool。

这个想法很直观,但通常不是最优解。

因为 Agent 不是按 endpoint 思考的。Agent 要完成的是任务,比如「从 Slack 话题创建一个 Issue」「排查这次部署为什么失败」「帮我找过去七天最异常的指标」。

如果 MCP Server 只是 API 的镜像,Agent 就必须自己拼接大量底层动作。工具变多,调用链变长,上下文变重,失败点也随之增加。

好的 MCP Server,不是 API 的翻译层,而是 Agent 面向任务的产品接口。

1. 远程优先服务器模式(Remote-First Server Pattern)

第一个模式解决的是:MCP Server 应该运行在哪里?

本地 MCP Server 通过 stdio 和客户端通信,适合桌面应用、IDE Agent、本地 Claude Code 或一些命令行场景。它很轻,也很方便开发调试。

但一旦进入生产环境,这个前提就不稳定了。

生产 Agent 可能运行在浏览器、移动端、云端执行环境或托管平台里。它不一定能启动本地进程,也不一定能访问用户机器上的文件系统。

所以 Anthropic 的建议很明确:如果目标是生产级集成,应该从一开始就按远程 MCP Server 设计。

远程优先的好处是:

  • • 一个 Server 可以服务多个客户端;
  • • 同一套认证流程可以跨环境复用;
  • • Web、移动端、云端 Agent 都能访问;
  • • Server 可以独立部署、扩展、监控和审计。

但远程优先不是免费午餐。

你必须处理网络延迟、可用性、限流、认证、安全边界、日志和运维。一个本地进程可以偷懒的地方,远程服务都要补上。

所以这个模式适合大多数生产集成,但不意味着所有本地 Server 都应该被否定。

更准确的判断是:

本地 MCP Server 适合开发者环境,远程 MCP Server 才是生产分发形态。

2. 按意图组织工具模式(Intent-Grouped Tools Pattern)

第二个模式解决的是:工具应该按什么粒度暴露?

最常见的错误,是把 MCP Server 做成 API endpoint 的一比一包装。

比如一个工单系统原本有:

  • • get_thread
  • • parse_messages
  • • create_issue
  • • link_attachment

如果全部原样暴露给 Agent,模型就要自己判断先调用哪个、如何把上一步结果传给下一步、失败时怎么恢复。

这不是不能做,而是把太多编排责任推给了模型。

更好的方式,是按用户意图组织工具。

比如直接提供一个:

create_issue_from_thread

这样 Agent 不需要拼四个底层动作,而是调用一个面向任务的工具。底层 API 编排、ID 归一化、附件关联、错误重试,都可以在 MCP Server 内部处理。

这个模式适合 API 面不算太大、用户任务相对明确的系统。

比如 Linear、Slack、Notion、Sentry 这类工具,很多操作都能归纳为用户意图:创建工单、总结话题、查询错误、生成报告、更新页面。

它的代价也很明确:你不能只导出 schema,你必须设计工具。

工具名称、参数结构、返回结果、错误处理,都要围绕 Agent 的任务体验重新组织。MCP Server 不只是代理层,而是一个需要持续演进的产品接口。

3. 薄交互面模式(Thin Surface Pattern)

第三个模式解决的是:如果底层 API 面太大,按意图组织也会失控,怎么办?

比如 AWS、Cloudflare、Kubernetes 这类系统,底层操作可能有几百甚至几千个。即使按意图分组,也很难把所有能力都封装成合理数量的工具。

这时,继续增加工具数量只会让上下文爆炸。

Thin Surface 的思路刚好相反:不要暴露很多工具,只暴露少量高能力工具。

典型组合是:

  • • search:让 Agent 搜索可用 API 或能力;
  • • execute:让 Agent 写一段短脚本,由服务端在沙箱里执行。

Anthropic 原文提到 Cloudflare MCP Server[2] 是典型案例:两个工具覆盖约 2500 个 endpoint,工具定义大约只需要 1000 tokens。

这背后的逻辑是:把巨大 API 面藏在 Server 后面,让 Agent 通过搜索找到需要的能力,再用短代码完成调用和组合。

这个模式非常适合「API 规模巨大、任务形态不固定」的系统。

但它的代价也更重:你必须有可靠的沙箱、资源限制、超时策略、权限边界和审计机制。

因为 Agent 不再只是填参数,而是在服务端执行代码。

所以 Thin Surface 不是默认选择。它适合超大 API 面,不适合本来就能被清晰意图封装的小系统。

交互语义(Interaction Semantics)

很多早期 Agent 工具,都默认工具返回文本或 JSON。

这在简单场景里没问题,比如查询一个状态、返回一段摘要、创建一个对象。

但生产系统里的很多信息,本来就不是适合用文字描述的。

搜索结果、指标看板、错误列表、文件预览、支付流程、OAuth 页面、删除确认,这些东西如果都让模型转成自然语言,不仅低效,而且容易丢失结构。

MCP 的一个重要方向,是让工具拥有更丰富的交互语义。

也就是说,工具不只是「返回一段文本」,还可以返回 UI、请求用户补充结构化信息,或者把用户安全地交给外部流程。

4. 内联 UI 模式(Inline UI Pattern)

Inline UI 解决的问题是:有些结果不应该被模型描述,而应该直接被用户看到。

比如一个监控 Dashboard、一张趋势图、一组搜索结果、一个审批表单、一个文件预览页面。

如果工具返回一大段 JSON,再让模型总结成文字,用户看到的是二手信息。结构、细节和可操作性都会损失。

MCP Apps[3]  允许工具返回一个可交互界面,让客户端在聊天界面中直接渲染。

这意味着 MCP Server 不只是后端能力提供者,也开始承担一部分产品界面职责。

这个模式适合所有「看比听更重要」的结果:

  • • 图表
  • • 表格
  • • Dashboard
  • • 搜索结果
  • • 文件预览
  • • 审批确认
  • • 状态面板

代价是 Server 团队不能只按后端接口思维工作。你要考虑组件版本、可访问性、视觉一致性和客户端兼容。

但从用户体验看,这是非常自然的方向。

5. 引导式输入模式(Elicited Input Pattern)

生产环境里的工具调用,经常会碰到缺信息的情况。

比如用户说:「帮我重启这个服务。」

但服务可能部署在多个 region,或者存在多个同名实例。Agent 这时有三个选择:

  1. 1. 猜一个;
  2. 2. 回到…
— 以上为试看内容(约 40%),开通会员后阅读全文 —