Uber 给 AI 智能体修了一座网关:800 个 MCP 服务、5000 个工具,先审后用
当一家公司内部同时跑着几百个 AI 智能体,每个智能体都要调用内部服务,问题就不再是「模型够不够…
文章目录
当一家公司内部同时跑着几百个 AI 智能体,每个智能体都要调用内部服务,问题就不再是「模型够不够聪明」,而是「谁来管这些调用」。Uber 给出的答案是一座网关:MCP Gateway,目前已经接管 800 多个 MCP 服务器、5000 多个工具。

一分钟速览
- Uber 构建 MCP Gateway,把现有内部 API 直接暴露为 MCP 工具,底层服务无需改造。
- 架构分两层:MCP Registry 做控制面,维护工具定义、Schema、归属和启用状态;Proxy 做执行面,负责协议转换与运行时安全。
- 支持 HTTP、gRPC、TChannel 三种协议自动互转,响应再转回 MCP 兼容格式。
- AutoCrawler 扫描内部 IDL 注册表,从 Protobuf 与 Thrift 中提取 API 定义,用大模型生成工具描述;新工具默认禁用,等归属团队审核后才开放。
- 工具数量膨胀后用 Omni MCP 做渐进式发现,并支持 Response Projection 只取需要的字段,避免上下文被塞满。
碎片化的真实成本
智能体在内部大规模铺开之后,最先崩的不是模型,而是接入方式。每个团队各自封装一遍身份验证、各自实现一遍限流、各自决定哪些字段能返回,结果就是同一个内部服务被包成十几个版本,安全策略各不相同。Uber 工程师把这套方案描述为一种面向智能体的微服务架构:注册一次,所有智能体按同一套规则发现和调用。
控制面与执行面分开
Registry 只做一件事:管元数据。每个工具的定义、输入输出 Schema、归属团队、是否启用,全部登记在这里。Proxy 则在运行时把 MCP 请求翻译成对后端的 HTTP、gRPC 或 TChannel 调用,再把结果转回 MCP 格式。这种拆分的好处很实际——改权限、改描述、下线工具,只动控制面,不用重启服务或重新部署数据平面。
发现流程也做成了自动化。内部的 AutoCrawler 用 Cadence 编排,扫描 IDL 注册表,从 Protobuf 和 Thrift 定义里抽出 API,生成 MCP 兼容的 Schema,再让大模型补上人类可读的工具描述。默认状态是禁用——新工具必须等所属团队确认归属并主动开启,才会出现在智能体的候选列表里。这个「先审后用」的默认值,是整套设计里最关键的一个决定。
权限、脱敏与第三方身份
授权分两个层级执行:服务器级和工具级,都接在 Uber 内部访问控制系统上。返回结果里的个人身份信息和其他敏感字段会在网关侧脱敏,不需要每个工具自己实现。对 Jira、Google 这类第三方集成,还有一个独立服务负责把内部用户 Token 换成对应第三方的认证 Token,避免把内部凭据散落到各个工具里。
工具太多,上下文先撑爆
5000 个工具如果全部塞进模型的上下文,光描述就足够把窗口占满。Uber 的解法是 Omni MCP:让智能体先搜索服务器、再发现相关工具、按需拉取单个 Schema、最后只调用选中的那个。Response Projection 则允许智能体声明「我只要这几个字段」,不必接收完整响应体。配套的 aifx 命令行工具还能让编码智能体把结果写进文件,需要时再选择性查看。
老问题穿了新衣服
这套架构发布后,业内最普遍的评论是「这不就是 API 网关吗」。微软 CoreAI 的首席软件工程师直言,Azure API Gateway 早就在做同样的事,区别只是把大模型带来的混乱重新整理成秩序;Pipe17 总裁的比喻更直接:过去几十年我们为 REST、后来为 GraphQL 建过一模一样的网关。这话不算贬义——恰恰说明智能体基础设施正在快速收敛到成熟范式:服务发现、协议适配、鉴权、可观测性、治理,一个都不能少。变的只是调用方从「另一个服务」变成了「一个会自己决定调什么的模型」。
趋势洞察
MCP 让工具接入有了统一协议,但没有解决治理。当工具数量从几十涨到几千,真正的瓶颈会从「能不能调通」变成「该不该让它调」。Uber 这套方案的价值不在于技术 novelty,而在于把默认值设成了保守:默认禁用、默认脱敏、默认可审计。所有准备把智能体推向生产环境的团队,迟早都要补上这一课——先建网关,再放智能体。
相关链接
本文地址:https://www.163264.com/21837


