場景

MCP的出現大大豐富了LLM的功能，對于存量系統，我們希望能讓模型調用已有的接口，以最小的成本讓AI能夠獲取系統內部數據。因此我們開發了一個名為http-api-call的MCP Server，來支持模型到內部API的調用

實現方案

使用用標準的MCP協議，重寫call_tool和list_tool。

• call_tool
  在這里實現調用工具的邏輯，將請求信息轉發給已有系統的后端接口調用
• list_tool
  在這里實現工具列表的查詢，返回以及配置的API即可

這樣我們將工具列表封裝為tool_message，傳遞給模型，即可讓模型自動選擇合適的API調用。

#[derive(Debug, Clone)]
pub struct McpService;impl McpService {pub fn new() -> Self {Self {}}/// 添加或更新APIfn add_or_update_api(&self, req: Api) -> Res<()> {}/// 刪除APIfn remove_api(&self, req: RemoveApiReq) -> Res<()> {}/// 查詢API列表fn list_api(&self, req: Option<ListApiReq>) -> Res<PageRes<Api>> {}
}impl ServerHandler for McpService {async fn call_tool(&self,request: CallToolRequestParam,_context: RequestContext<RoleServer>,) -> Result<CallToolResult, Error> {// 請求轉發}fn list_tools(&self,_request: PaginatedRequestParam,_context: RequestContext<RoleServer>,) -> impl Future<Output = Result<ListToolsResult, Error>> + Send + '_ {//返回API列表}
}

配置API：

在模型中使用API：