Uber 用 MCP Gateway 统管 800 个服务器、5000 个工具

Uber 构建了一套 MCP Gateway,把内部 800 多个 MCP 服务器和 5000 多个工具统一到服务发现、授权与执行层,回应 AI 智能体接入企业系统后出现的集成碎片化问题。

一句话看懂:Uber 构建了一套 MCP Gateway,把内部 800 多个 MCP 服务器和 5000 多个工具统一到服务发现、授权与执行层,回应 AI 智能体接入企业系统后出现的集成碎片化问题。

事件核心:发生了什么

根据 InfoQ CN 报道,Uber 内部智能体调用服务的规模已经扩大到 800 多个 MCP Server、5000 多个工具。Uber 的做法是用一个网关把这些分散能力收拢:MCP Registry 作为控制平面,维护工具定义、Schema、所有权和启用状态;Proxy Gateway 负责运行时,把 MCP 请求转换成 HTTP、gRPC 或 TChannel 调用,再把结果转回 MCP 格式。底层 API 不需要改动,就能以工具形式暴露给智能体。

工具发现由 AutoCrawler 完成,它扫描 Protocol Buffers、Thrift 等 IDL 定义,生成 MCP Schema,并用大模型生成工具描述。新工具默认禁用,需所属团队审核启用。授权在服务器和工具两级执行,响应中的 PII 等敏感数据可脱敏;Jira、Google 等第三方集成则通过独立服务完成 Token 交换。为应对工具目录膨胀,Uber 还做了 Omni MCP 渐进式发现和 Response Projection,避免把数千个工具定义一次性塞进上下文。

为什么重要

这件事的关键不在“网关”本身,而在于 AI 智能体接入企业系统的方式正在变成一套分布式系统治理问题。Microsoft CoreAI 的 Ajay Sharma 在 LinkedIn 上评论称,Azure API Gateway 早就在做类似的事;Pipe17 总裁 Kelly Goetsch 也认为,它与过去为 API、GraphQL 建过的网关并无本质区别。这些是社区观点,但指向同一个事实:安全、服务发现、可观测性和治理并没有因为大模型而消失。谁能把工具目录、权限和协议转换管好,谁就更可能让智能体真正进入生产环境,而不是停在演示阶段。

对用户/开发者/创作者的影响

对开发者来说,MCP 生态的工具数量正在快速膨胀,直接接全量工具定义会带来上下文成本和权限风险,渐进式发现、按需取 Schema、字段级响应投影会成为更实用的工程模式。企业采购和平台团队则可以把 MCP 网关视作新的基础设施层:统一授权、审计和脱敏,比每个团队各自封装工具更可控。对普通用户和创作者,短期内感知不直接,但智能体能否稳定调用日历、工单、文档等第三方服务,取决于这层治理是否完善。

GamsGo AI

AI 工具推荐

想把多个 AI 模型放在一个入口?

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型,适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接:通过此链接购买,我可能获得佣金,不影响你的价格。

值得关注的后续

一是 Uber 是否公开这套 MCP Gateway 的更多实现细节或开源组件;二是其他云厂商和 API 网关产品是否会跟进类似的 MCP 治理能力;三是工具描述由大模型生成后,审核流程和默认禁用策略能否在规模扩大时继续生效。目前公开信息显示,这套架构主要来自 Uber 工程团队的实践分享,尚不能等同于行业标准。

来源:InfoQ CN

celebrityanime
celebrityanime
文章: 36045

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注