【摘要】​ 一个复杂的系统需要清晰的边界和协议。本文将探讨我们为何选择MCP（Model Context Protocol）作为核心工具协议，以及这种“工具化架构”如何保障项目高效协同与未来扩展。

【正文】

作为项目统筹者，我的一个重要职责是定义模块间的“通信协议”。在调研了多种集成方式后，我们决定采纳CodePlus中使用的MCP协议，来实现AI Agent与底层能力（如沙箱）的解耦。

1. 为什么是MCP？

传统集成方式是直接HTTP API调用。但让AI直接调用HTTP API是笨拙的，需要它理解URL、参数格式等。MCP的出现解决了这个问题。它是一套标准协议，用于将任何能力（函数、API、数据库查询）封装成AI可理解和调用的“工具”。

• 对AI友好：AI只需要知道工具的名字、描述和输入参数格式，无需关心其网络位置和实现细节。

• 解耦与标准化：沙箱团队（泽荣）只需按照MCP Server标准实现并暴露compile_and_run工具。AI团队（我）只需在Client端声明这个工具，即可直接调用。双方约定好工具接口后，可以并行开发。

2. 我们的工具化架构

受CodePlus启发，我们规划了AlgoTutor的核心工具集：

• execute_code(MCP工具)：由沙箱服务提供，执行代码并返回结果。

• retrieve_similar_solutions(内部工具)：由RAG服务（玥晨）提供，检索相似题解。

• query_user_profile(内部工具)：由用户画像服务（玥晨）提供，查询用户能力。

• get_personalized_roadmap(内部工具)：由推荐算法服务（玥晨）提供，获取学习路径。

ToolRouter（工具路由器）将根据场景动态组装工具列表。例如，在模拟面试的“在线编码”环节，可能只提供execute_code工具；在日常练习的深度复盘环节，则提供全部工具。

3. 个人实践与思考

为了验证MCP的可行性，我首先搭建了一个最简单的MCP示例。我写了一个提供“计算器”和“查时间”两个工具的Server，然后用一个独立的Client程序去调用它。这个过程让我熟悉了MCP的SSE通信方式和Tool的定义格式。

接下来，我与泽荣明确了沙箱工具的接口规范：

{
  "name": "execute_code",
  "description": "Compiles and executes a given piece of Java code with provided standard input.",
  "inputSchema": {
    "type": "object",
    "properties": {
      "code": { "type": "string" },
      "stdin": { "type": "string" }
    }
  }
}
这个明确的约定，是他开发沙箱和我集成工具的“合同”。这种基于协议和接口的协作方式，极大地提升了团队开发效率，降低了联调成本。我坚信，这种工具化的架构设计，不仅是实现当前功能的关键，也为未来集成更多能力（如代码风格检查、图形化算法演示工具）留下了优雅的扩展空间。