MCP 正当时：FunctionAI MCP 开发平台来了！

MCP——AI 时代的“操作系统接口”

2024年11月，Anthropic发布模型上下文协议（MCP），这一开放标准迅速引发开发者社区的"协议觉醒"。其本质是通过标准化接口实现LLM与外部世界的双向交互，正如 USB 协议统一外设接入，MCP 正成为 AI 应用连接数字生态的通用总线。随着 Cursor、Claude 等开发工具相继集成，特别是 OpenAI 宣布全面兼容 MCP 协议，标志着 MCP 从技术实验迈入产业级标准，这一标准化接口正重塑AI与数字世界的交互范式。
截至2025年4月，MCP.so上已经已有超过8000个注册的MCP Server，涵盖数据处理、文件系统、API网关、聊天机器人、数据库等服务类别，这一数量还在迅速增长。
生态爆发期的痛点

尽管 MCP 生态呈现指数级增长，GitHub 仓库星标数半年突破 3.5万，但生产级落地仍面临三重挑战：

• 本地化瓶颈：当前绝大多数 MCP server 都采用传统 STDIO 模式，该模式没有鉴权能力（缺乏 OAuth 2.1 标准的双向认证机制、无法实现基于角色的访问控制），在复杂业务场景下暴露出调试困难、网络隔离性差等缺陷，难以实现访问内网环境的数据安全管控，内网穿透导致攻击面扩大；
  
• 弹性困境：MCP 工具调用流量呈现显著的非稳态特征以及"脉冲式"波动，比如智能客服系统的峰谷效应非常明显，传统虚拟机部署造成大量资源浪费；
  
• 开发断层：从本地调试到云端部署需要重构鉴权、变量管理、日志、中间件等基础组件，改造成本高，开发者大量的精力消耗在非业务代码的开发上；
  

Serverless 是 MCP 托管的最佳解决方案

我们观察到大部分的 MCP server 有以下特点：

• 稀疏调用，而且对算力的需求都比较小，0.5c/1G的规格基本能够应对大部分场景；
  
• 代码体积比较小（< 100MB），Nodejs、Python解释型语言是MCP的一等公民，大部分MCP server直接通过npx、uv就能一键运行；
  
• MCP server的迭代非常快，新增、修改或弃用MCP server的场景会非常高频，对MCP server元数据管理的需求非常普遍；
  

因此灵活部署、弹性扩展的运行时对于 MCP server 的托管非常契合，这恰恰是 Serverless 的最大优势。以阿里云函数计算为例：

• 天然的事件驱动模型，提供毫秒级弹性能力、按量付费、安全沙箱的运行时环境，完美解决了云上托管对于性能、成本、安全的需求；
  
• 官方对于 Nodejs、Python 运行时的支持完善，内置代码包加速能力以及层的扩展，大幅降低代码启动时间；
  
• 控制台、SDK、ServerlessDevs 工具提供丰富的函数元数据的管理能力；
  

这些能力让 Serverless 正成为托管 MCP 的最优解。作为 MCP 的最佳运行时，函数计算已经支持阿里云百炼 MCP 服务。
Function AI 是基于函数计算构建的 Serverless AI 应用开发平台，基于函数计算的运行时能力上线了完整的 MCP 开发能力，成为真正意义上的MCP 开发平台。您可以进入FunctionAI控制台，快速体验 MCP 服务的能力。
快速部署

方式一：通过模板一键部署

选择MCP模板

进入FunctionAI控制台，选择探索->筛选应用模板（MCP Server），选择一个MCP模板进行部署

填写模板配置，部署项目

查看部署进度

方式二：创建自定义MCP服务

创建空白项目

创建MCP服务

编辑MCP服务配置，完成后点击预览&部署

查看部署进度，等待部署完成

方式三：使用ServerlessDevs工具本地部署

FunctionAI 正式发布了 ServerlessDevs 工具的 MCP 组件，实现本地部署 MCP 工程到 FunctionAI 的能力
安装ServerlessDevs工具：

1. npm install @serverless-devs/s -g

复制代码

初始化MCP项目

1. s init start-fcai-mcp-nodejs

复制代码

查看s.yaml

1. edition: 3.0.0
2. name: start-mcp-server-nodejs
3. access: 'default'
4. vars:
5.   region: 'cn-hangzhou'
6. resources:
7.   nodejs-stdio-hello-world:
8.     component: fcai-mcp-server
9.     props:
10.       region: ${vars.region}
11.       description: mcp server deployed by devs
12.       transport: stdio # stidio | sse
13.       runtime: nodejs20
14.       cpu: 1
15.       memorySize: 1024
16.       rootDir: ./code
17.       source:
18.         oss: auto
19.       build:
20.         default: #默认构建器
21.           # 构建环境
22.           languages:
23.             - nodejs20
24.           # 执行步骤
25.           steps:
26.             - run: npm install
27.             - run: npm run build
28.       startCommand: "node ./dist/index.js" # 启动命令
29.       instanceQuota: 1 # 实例数配额

复制代码

执行部署

1. s deploy

复制代码

登录到控制台，可以查看云端的部署详情

测试 MCP 服务

FunctionAI 支持托管 STDIO/SSE 协议的 MCP server。如果 MCP server 代码采用 STDIO，FunctionAI 会启动一个SSE服务来代理STDIO的请求，客户端访问需要使用SSE方式。
当 MCP 服务部署完成后，平台会生成一个 SSE 的连接地址，并且会生成 MCP server的schema 用于测试。
用户可以直接在控制台上测试连接、测试工具，也可以使用官方的 Inspector 在本地进行测试。
方式1：FunctionAI控制台测试

查看日志和监控

方式2：Inspector本地测试

复制FunctionAI生成的公网访问地址

本地启动inspector，输入访问地址进行调试

1. npx @modelcontextprotocol/inspector

复制代码

高阶能力

鉴权

MCP 的鉴权只适用于 SSE 的协议，而且必须遵循 OAuth2.1协议标准，对于大量的 STDIO 的 MCP 服务托管的改造难度非常之高，企业落地 MCP 鉴权是一个非常痛点的问题。
FunctionAI 提供了网关侧的 Bearer 鉴权能力，用户只需要开启鉴权功能，使用平台生成的 Bearer Token，就可以让 MCP 服务自带鉴权能力。
使用方式

编辑服务配置，点击开启鉴权，保存并且部署。开启后，平台会对服务生成一个只读的Bearer Token。

测试鉴权生效

使用平台生成的Beaer Token，可以正常访问MCP服务

使用错误的token时，访问失败

使用本地的Inspector，输入服务的token，访问正常。

变量管理

很多的 MCP Server 代码都需要访问第三方服务，比如高德地图、Github 等，需要持有用户的访问秘钥，比如API-Key、AccessToken，这些秘钥通常以环境变量加载或者启动命令参数注入。
FunctionAI 提供了变量管理能力，并且支持敏感变量托管，可以实现 MCP 服务访问秘钥的安全可靠管理。
配置方式：设置服务变量

选择服务->服务变量，添加服务变量的Key和Value

加载方式1：环境变量

FunctionAI上配置的服务变量会默认注入到函数启动的环境变量中，MCP服务代码可以直接通过系统环境变量读取

加载方式2：启动参数

FunctionAI的服务变量支持通过${self.KEY_NAME}的方式引用，可以在启动命令中修改命令行参数，使用变量的引用，在启动阶段注入变量的值。

绑定代码仓库进行持续部署

FunctionAI的MCP服务面向开发态能力，提供以代码仓库托管MCP 服务的能力。
使用方式：

• 编辑MCP服务配置，选择代码仓库，目前支持了Github、Gitee、Codeup、GitLab、OSS代码仓库。
  
• 选择仓库分支、MCP工程在代码仓库中的根目录
  
• 选择构建环境：对于多语言的工程，可以选择多个构建环境
  
• 编辑构建命令：例如 npm build、pip install -r requirements.txt
  
• 可选：开启构建缓存，缓存目录根据不同语言可以设置/.npm（Nodejs）、/.cache（Python）、~/.m2、（Java）
  

绑定Git仓库后，如果指定的分支有push操作，会自动触发服务的持续部署

极速模式

对于延迟敏感性的业务，FunctionAI提供了极速模式，可以提前预留指定数量的实例快照，降低频繁冷启动带来的开销，并且只有在有活跃请求时才会产生vCPU费用，可以实现性能和成本的平衡。
另外由于MCP SSE请求的session机制，同一个session id访问到不同实例会导致上下文丢失，因此建议开启预置快照为1并且实例限额为1，这样可以让SSE请求打到不同弹性实例的概率更小。
:::info
FunctionAI后面会上线会话亲和性能力，尽情期待。
:::

开启后，可以在函数监控页面看到预留实例的个数

总结与未来展望

FunctionAI 现在已经支持了完整的 MCP 开发能力，包括：

• 部署形式上，支持模板直接部署、自定义MCP服务、ServerlessDevs工具本地部署
  
• 托管能力上，支持STDIO/SSE的自动托管，无需业务改造既能生成可用于访问的SSE地址
  
• 调试能力上，支持控制台直接调试以及Inspector本地调试
  
• 二次开发能力上，支持变量管理、鉴权、绑定代码仓库进行持续部署
  
• 可观测能力上，支持函数监控、实例监控以及日志
  
• 弹性调度上，支持标准模式以及极速模式
  

MCP 的价值是统一了 Agent 和 LLM 之间的标准化接口，有了 MCP Server 的托管以及开发态能力只是第一步，接下来重要的是做好 MCP 和 Agent 的集成，FunctionAI 即将上线 Agent 开发能力，敬请期待。
更多内容关注 Serverless 微信公众号（ID：serverlessdevs），汇集 Serverless 技术最全内容，定期举办 Serverless 活动、直播，用户最佳实践。

来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！