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 | flowchart LR |
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 | sequenceDiagram |
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 | import { McpServer } from '@modelcontextprotocol/sdk/server/mcp.js' |
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. 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。