Uber构建MCPGateway应对AI智能体微服务危机,800个服务器与5000个工具的统一治理方案
Uber 推出 MCP Gateway 平台,旨在解决 AI 智能体大规模集成中暴露出的碎片化、安全与治理难题。该系统支持 800+ MCP 服务器与 5000+ 工具,通过控制平面与数据平面分离架构...
当 AI 智能体从实验性功能走向企业级核心生产力工具,一个隐性但严峻的问题开始浮现:工具调用的“微服务危机”。大量独立开发的内部服务、第三方接口与自定义工具被智能体直接调用,导致集成混乱、重复建设、权限失控与可观测性缺失。Uber 的应对方案——MCP Gateway——正试图为这场无序扩张建立秩序。
MCP(Model Control Plane)Gateway 并非全新技术栈,而是一套面向智能体工作流的标准化中间层。它将原本散落在各团队的 800 多个 MCP Server 和超过 5000 个工具纳入统一管理,覆盖服务发现、协议转换、授权执行与响应处理全流程。其核心架构采用经典的控制平面与数据平面分离设计:MCP Registry 作为控制平面,集中维护工具定义、Schema、所有权归属及启用状态;Proxy Gateway 作为数据平面,负责运行时请求路由与协议适配——将 MCP 请求转为 HTTP、gRPC 或 Uber 自研的 TChannel 协议调用,并将响应反向转换回兼容格式。
这一设计并非凭空而来。Uber 工程师明确将其定位为“微服务架构在智能体时代的延伸”:无需改造底层服务,即可将其暴露为标准 MCP 工具。这与传统 API 网关的逻辑高度一致。Microsoft CoreAI 首席软件工程师 Ajay Sharma 在 LinkedIn 上回应称:“Azure API Gateway 早已实现类似能力。”Pipe17 总裁 Kelly Goetsch 也指出:“Uber 的 MCP 网关,本质上与过去几十年为 API、再为 GraphQL 构建的网关并无二致。”这些评论揭示了一个关键事实:大语言模型引发的智能体热潮,并未消解分布式系统的基本挑战,反而因调用规模激增而放大了安全、服务发现、可观测性与治理的老问题。
为支撑如此庞大的工具目录,Uber 开发了自动化发现机制 AutoCrawler。该工具基于 Cadence 工作流引擎,定期扫描内部接口定义语言(IDL)注册表,从 Protocol Buffers 与 Thrift Schema 中提取 API 定义,自动生成符合 MCP 规范的 Schema,并借助大语言模型辅助撰写工具描述文本。新发现的工具默认处于禁用状态,必须经所属团队完成审核、策略配置(如 AuthZ Policy、Tool Diff 对比)并显式启用后方可上线。整个过程支持配置热更新——变更可即时生效,无需重启服务或重新部署,极大提升了运维效率。
安全性是该架构的另一支柱。MCP Gateway 在两个层级实施授权:一是服务器级,确保调用者有权访问特定 MCP Server;二是工具级,精确控制对单个工具的调用权限。对于涉及个人身份信息(PII)或敏感数据的响应,网关内置脱敏模块,可在返回前自动过滤或掩码关键字段。针对 Jira、Google Workspace 等第三方服务集成,Uber 设计了独立的身份代理服务,将内部用户 Token 安全地交换为对应平台的 OAuth Token,避免凭证硬编码或泄露风险。
随着工具数量持续增长,将数千个工具的完整定义一次性载入智能体上下文已不可行。为此,Uber 推出 Omni MCP 支持渐进式发现:智能体可先搜索可用服务器,再筛选相关工具,按需获取单个 Schema,最后仅调用所需功能。配套的 Response Projection 功能允许智能体声明所需响应字段,而非接收整条 JSON 载荷,显著降低带宽消耗与解析开销。此外,Uber 还提供了 aifx 命令行工具,支持开发者以脚本方式编码智能体行为、调用工具并将结果导出至文件,便于调试与审计。
值得注意的是,Uber 的实践折射出行业共性趋势。在 LLM 驱动的智能体落地初期,许多公司选择“快速集成”路径——让智能体直接调用现有 API 或封装脚本。但当工具数突破数百、调用链路日益复杂后,缺乏统一治理的代价迅速显现:重复开发网关逻辑、权限策略不一致、故障排查困难、合规风险上升。MCP Gateway 的价值正在于将这些隐性成本显性化、标准化。
从技术演进角度看,MCP 可视为 API 网关在语义层的自然延伸。早期 API 网关解决的是 HTTP 层的路由与认证;GraphQL 网关进一步抽象了数据查询语义;而 MCP 则面向“意图驱动”的调用模式——智能体不再发送结构化请求,而是表达“我需要做某事”,由网关将其分解为具体工具调用序列。这要求网关不仅理解协议,还需理解工具能力边界与上下文约束。
目前,该方案已在 Uber 内部深度应用,支撑包括 AutoCrawler、aifx 及多个业务线智能体的稳定运行。尽管尚未开源,其设计思路已被多家科技公司关注。一位不愿具名的云原生架构师评价:“这不是炫技,而是工程成熟度的体现。当智能体从‘能用’迈向‘可靠、可管、可审计’,MCP 类架构将成为企业级部署的基础设施标配。”
可以预见,随着更多组织将 AI 智能体嵌入核心业务流,围绕工具治理、安全隔离与可观测性的中间件层将愈发关键。Uber 的 MCP Gateway 提供了一个务实路径:不推翻现有系统,而在其之上构建一层语义统一、策略可控的智能体接入平面。这场“微服务危机”的化解,或许正始于一个看似保守却极为必要的网关设计。
