一、背景与问题

复盘这件事断断续续坚持了两年多。

最早纯靠每天手写,后来流程有了变化:白天在各种 AI 客户端里高频讨论技术和方案,晚上再让 AI 整理提炼,最后手动复制到笔记软件里。

做完「随心迹(Daily Retro)」这个独立的复盘系统之后,新的烦恼又来了:

  • 每天的思考和决策都散在 ChatGPT、WorkBuddy 这些不同工具里。
  • 每次手动复制、排版再粘贴,过程太繁琐,很容易犯懒断更。

解决办法很直接:写一个 MCP Connector,把自研系统的接口接进去。聊完天直接在对话框里发一句“记下今天的复盘”,模型自己提炼关键行动和思考,调接口写进数据库。

二、通俗理解 MCP 协议

MCP 看起来名词很多,剥掉外壳其实特别简单。

大模型本身只有推理能力,既不能查你的私有数据库,也不能替你调本地接口。以前如果想让它调自己的服务,需要针对 ChatGPT 写一套 Actions,换个工具又要再写一套插件,极其折腾。

MCP(Model Context Protocol)做的事情,其实就是统一了这套调用标准。它就像一个通用的 USB 接口规范:客户端是主机,你的本地或远程服务是外设。

1
2
3
flowchart LR
A["Agent 客户端\n(ChatGPT / WorkBuddy)"] <-->|"标准 JSON-RPC 协议"| B["MCP Server\n(连接器)"]
B <-->|"数据读写"| C[("Daily Retro 数据库")]

它的交互本质上就一句话:服务端用标准的 JSON Schema 声明“我有哪些工具、需要什么参数”,客户端模型按需发起调用,服务端执行并返回结果。

三、服务端的双模架构

在把 MCP 接入自有系统时,会遇到一个实际问题:不同客户端对通信协议的要求并不一样。

  • ChatGPT 习惯用短连接的 Streamable HTTP。
  • WorkBuddy、Cursor 等本地客户端更适合用长连接的 SSE。

为了同时兼顾这两类工具,服务端采用了一套双模自适应方案。完整流程如下:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
sequenceDiagram
autonumber
participant Host as 客户端 (ChatGPT/WorkBuddy)
participant MCP as MCP 路由 (/mcp)
participant DB as 复盘数据库

Host->>MCP: 1. 调用 get_retro_context()
MCP->>DB: 检查今日已有记录
DB-->>MCP: 返回时间窗口与已有摘要
MCP-->>Host: 返回上下文与整理规范
Host->>Host: 提炼行动与思考
Host-->>Host: 对话框内展示预览,等待用户确认
Host->>MCP: 2. 用户确认后,调用 save_retro_import()
MCP->>DB: 写入结构化记录
DB-->>MCP: 返回成功 ID
MCP-->>Host: 同步完成

在 Next.js 的路由里,通过请求头的 Accept 字段自动分流:

  • 如果包含 text/event-stream,就为客户端分配 sessionId 建立 SSE 长连接,并定期发心跳保活。
  • 如果是普通的 HTTP POST 请求,直接交给官方的 Streamable HTTP 适配器处理,用完立即释放。

四、核心 Tools 与提炼规则

整个连接器核心只暴露两个工具,逻辑非常轻量。

1. 核心工具代码

为了避免模型产生幻觉或者重复录入,工具分为“读上下文”和“确认写入”两步:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
import { McpServer } from '@modelcontextprotocol/sdk/server/mcp.js'
import { z } from 'zod'

const server = new McpServer(
{ name: 'daily-retro', version: '0.2.0' },
{ instructions: MCP_INSTRUCTIONS }
)

// 1. 获取上下文,避免重复记录
server.registerTool('get_retro_context', {
description: '获取今日复盘时间窗口与已有记录',
inputSchema: { dateKey: z.string().optional() }
}, async (args) => {
return await getRetroContext(pool, identity, args)
})

// 2. 确认无误后入库
server.registerTool('save_retro_import', {
description: '保存用户确认过的 Did 和 Thinking',
inputSchema: {
contextId: z.string(),
items: z.array(z.object({
kind: z.enum(['did', 'thinking']),
text: z.string().min(1)
}))
}
}, async (args) => {
return await saveRetroImport(pool, identity, args)
})

2. 注入严格的提炼规则

很多 MCP 工具调通了但不好用,核心原因是没约束好模型的输出质量。我们在服务的 instructions 里下了几条硬规定:

  • 事实合并:同一件事的多个动作合并成一句话,不写细碎流水账。
  • 拒绝一句话思考:思考部分必须以三级标题开始,正文必须是 100 到 300 字的连贯长段落,讲透推导逻辑,禁止输出列表短句。
  • 隐私红线:只允许传提炼后的总结文本,严禁把原始聊天记录打包回传。

五、多端接入配置

服务部署好之后,两边接入都只要几十秒。

1. 本地客户端配置(WorkBuddy / Cursor)

在本地客户端的配置文件里加上服务地址和 Token 即可:

1
2
3
4
5
6
7
8
9
10
{
"mcpServers": {
"daily-retro": {
"url": "https://your-domain.com/mcp",
"headers": {
"Authorization": "Bearer YOUR_ACCESS_TOKEN"
}
}
}
}

2. ChatGPT 配置

在 ChatGPT 的设置中填入同样的远程端点。服务端已经配好了标准的 OAuth 元数据响应,客户端能直接握手并认出这两个工具。

六、总结

这套方案跑通后,最大的变化是记录阻力几乎没了。

以往复盘最大的敌人不是不会写,而是每次都要在几个应用之间来回倒腾。把接口接到日常聊天的工具里之后,白天干活、讨论,聊完随口一句“记一下”,剩下的事情模型自动办完。

从协议层面来看,MCP 确实让个人系统省心了不少。只要守好两边的通信标准,底层的数据库和业务逻辑怎么改都可以,完全不需要为每个新出的 AI 工具重写适配。

工具的目的不是增加仪式感,而是尽可能静默地帮自己把有价值的思考留下来。