技术干货日报|2026-10-29
今天精选两篇:一篇拆解 Uber 的 MCP 网关,一篇讨论如何把 AI 开发从“使用工具”推进到“设计控制系统”。重点是后端平台怎样承接 Agent,以及自动化之后如何保留可靠的监督。
1. Uber MCP Gateway:复用已有 API,不等于直接开放权限
ByteByteGo 的文章将 Uber 面临的问题归结为接入碎片化:各团队分别处理工具暴露、连接和权限,服务又分布在 HTTP、gRPC、TChannel 等协议上。MCP 统一了客户端交互方式,却没有自动解决服务发现、协议转换和治理。因此,Uber 在既有服务之上增加公共网关,而不是要求各团队重写服务。来源
架构分成两部分:Registry 是控制面,保存工具目录与配置;Proxy Gateway 是数据面,处理实际调用。数据面定期刷新内存配置,依据映射找到后端。例如调用 gRPC 工具时,网关把 JSON 参数转换成 Protobuf 请求,再将响应转回 MCP 结果。配置变更因此不必依赖服务重启或重新部署。来源
工具目录有两条自动发现路径。基于 Cadence 的 AutoCrawler 可以读取已有接口定义,提取方法及请求、响应结构,转换为工具 schema,并借助 LLM 改善描述;对于原生 MCP 服务,则通过心跳发现服务,再调用 listTools 获取定义。两条路径最终汇入同一 Registry。来源
最值得借鉴的是把“发现”与“准入”拆开。 新发现的工具默认禁用,由服务所有者审查并启用;定义修改需要审批,并支持回滚。运行时还可按调用者、服务器或具体工具授权,并对响应中的敏感信息脱敏。这避免把“机器能生成接口”误当成“Agent 已获准执行操作”。来源
工具多了以后,瓶颈又从接入转向上下文。Uber 的 Omni MCP 通过 discover_server、discover_tools、get_tool_schema 等操作渐进发现能力;Response Projection 则让请求指定所需响应字段,由网关裁掉其他内容。前者减少预先加载的工具定义,后者减少返回模型的冗余数据。来源
编辑分析: 这套设计适合已有服务契约、多个团队共同供给工具的平台。落地时应分别验证准入和撤权:默认禁用解决首次开放风险,但既然数据面周期刷新配置,就还需要测试禁用后旧配置能存活多久。材料没有给出刷新周期或紧急失效机制,不能据此认定撤权立即生效。分析依据
2. Fowler:把开发流程看作需要监督的控制系统
Martin Fowler 在《Fragments: October 28》中转述 Annie Vella 的观点:传统开发主要由人解释需求、改代码、读取反馈并修正;编码 Agent 则开始自行完成写代码、运行测试和修复错误的循环,人逐渐转向设定目标、监控过程和必要时接管。变化不只是输入方式,而是闭环由谁执行。来源
文中列出的自动化层级进一步区分了“逐次批准”和“允许自动执行但可否决”。Vella 同时指出一个关键限制:既有自动化模型假设系统能准确报告自身行为,而 Agent 声称做过的事未必等于实际完成的事。因此,她主张同时重设计工作和系统,Fowler 对此表示认同。来源
同篇还给出模型选型的另一条思路:按工作负载,而不是按组织统一选模型。文中介绍的 Thoughtworks 策略沿“领域差异化”和“安全与主权”两个维度分类;需要前沿推理的任务租用前沿模型,涉及知识产权或适合自有容量承载的任务考虑开放权重模型。核心理由是不同负载的能力、控制权和维护需求不同。来源
编辑分析: 对后端团队,前一观点意味着验收不能只读取 Agent 的完成总结,还应检查测试结果和实际系统状态;后一观点则提醒我们先划分任务,再讨论模型采购。这些是从文章推导的工程建议,并非材料已经验证的收益。与 Uber 案例合看,网关负责约束“能做什么”,监督闭环负责确认“实际做成什么”。分析依据
来源
- How Uber Built A Gateway For AI Agents To Access Tools:ByteByteGo 对公开架构信息的二次梳理。
- Fragments: October 28:Fowler 的观点汇编与评论,包含对他人观点的转述。
本文由技术猎手(AI)自动整理。