meng shao(@shao__meng)

Uber MCP 网关设计工程实践：面向 AI Agents 的企业级 MCP 管理平台 @UberEng Uber 把全公司数千个存量 API 用一套 “控制平面 + 数据平面” 的网关体系自动...

8.5内容质量
Uber MCP 网关设计工程实践：面向 AI Agents 的企业级 MCP 管理平台 @UberEng Uber 把全公司数千个存量 API 用一套 “控制平面 + 数据平面” 的网关体系自动...

TL;DR · AI 摘要

Uber通过统一的MCP网关整合数千API，实现AI Agents无侵入调用，托管800+服务器和5000+工具。

核心要点

  • AutoCrawler基于Cadence实现API自动化MCP化，无需服务团队写代码
  • 安全模型要求工具默认禁用，变更需配置diff审批且支持回滚
  • Omni MCP通过四步元工具实现渐进式发现，避免上下文窗口爆炸

结构提纲

按章节快速跳转。

  1. §引言

    Uber通过MCP网关整合全公司API，实现AI Agents统一调用能力。

  2. ·架构设计

    采用控制平面（MCP Registry）与数据平面（Proxy Gateway）分离架构。

  3. ›AutoCrawler机制

    基于Cadence工作流实现存量API自动化MCP化转换流程。

  4. ›安全模型

    工具默认禁用机制配合配置diff审批确保治理合规性。

  5. ›上下文优化

    通过Omni MCP和Response Projection分层解决上下文膨胀问题。

思维导图

用一张图看清主题之间的关系。

查看大纲文本（无障碍 / 无 JS 友好）
  • Uber MCP网关设计
    • 控制平面
      • MCP Registry目录管理
    • 数据平面
      • Proxy Gateway协议转换
    • 核心设计
      • AutoCrawler自动化
        • Cadence工作流引擎
      • 安全治理
        • 配置diff审批机制
      • 上下文优化
        • Omni MCP渐进式发现

金句 / Highlights

值得收藏与分享的关键句。

#MCP#AI Agents#网关设计#Uber工程实践
打开原文

meng shao on X: "Uber MCP 网关设计工程实践：面向 AI Agents 的企业级 MCP 管理平台 @UberEng Uber 把全公司数千个存量 API 用一套 “控制平面 + 数据平面” 的网关体系自动转译成 MCP 工具，让 AI Agents 不改动任何后端服务就能调用整个公司的能力。目前已托管 800+ MCP 服务器、5000+ 工具。 要解决的问题 AI Agents 在 Uber 内部快速铺开，数百个团队各自搭建与后端服务的 MCP 集成，导致工具碎片化和基础设施重复建设。Uber 的判断是：缺的不是更聪明的模型，是一套统一的“连接组织”，发现、… / X

meng shao

@shao__meng

Show translation

Uber MCP 网关设计工程实践：面向 AI Agents 的企业级 MCP 管理平台

@

UberEng

Uber 把全公司数千个存量 API 用一套 “控制平面 + 数据平面” 的网关体系自动转译成 MCP 工具，让 AI Agents 不改动任何后端服务就能调用整个公司的能力。目前已托管 800+ MCP 服务器、5000+ 工具。 要解决的问题 AI Agents 在 Uber 内部快速铺开，数百个团队各自搭建与后端服务的 MCP 集成，导致工具碎片化和基础设施重复建设。Uber 的判断是：缺的不是更聪明的模型，是一套统一的“连接组织”，发现、安全、可靠性这些让 Agents 值得信任的基建。 架构：经典的两平面分离 · MCP Registry（控制平面）：全公司工具的目录和唯一事实来源，管理发现、所有权、启停。支持从“零代码包装现有 API”到“原生 MCP 服务”的多种形态。 · Proxy Gateway（数据平面）：运行时真正执行 MCP 请求，在 MCP 协议与 HTTP / gRPC / TChannel（Uber 自研 RPC 协议）之间双向转换，经 Muttley（服务网格 sidecar）转发到下游，再把响应转回 MCP JSON。配置热更新，无需重启。 最有工程价值的三个设计 1. AutoCrawler：存量 API 的自动化“MCP 化” 基于 Cadence 工作流引擎，持续扫描内部 IDL 注册表（Protobuf/Thrift 定义），对每个新服务执行五步流水线：建虚拟服务器 → 解析 schema 和文档注释 → 用 LLM 生成对智能体友好的工具描述 → 把 Protobuf/Thrift 转成 MCP 兼容的 JSON-RPC 2.0 schema → 注册。整个流程不需要服务团队写一行代码。 2. “发现 ≠ 暴露” 的安全模型 所有工具默认禁用，必须由拥有该服务的团队显式审核后启用；工具描述的变更要走配置 diff 审批、可回滚。授权细到单个工具，按调用主体（人/服务/Agents）应用不同策略，PII 数据开箱即用自动脱敏。这是把平台工程的传统治理纪律完整搬进了智能体时代。 3. 对抗上下文膨胀的三板斧 给智能体配几百个服务器会直接撑爆模型上下文窗口，Uber 的解法层层递进： · Omni MCP：单一入口 + 四个元工具（discover_server → discover_tools → get_tool_schema → invoke_tool），让智能体按需渐进式发现，而不是一次性加载全部定义； · Response Projection：类 GraphQL 思路，让模型在请求里声明只需要哪些字段，网关在运行时裁剪响应； · Code Mode：编码智能体通过 aifx CLI 调用工具并把输出写入文件，再用 grep 选择性读取；彻底绕开上下文限制，目前已是 Uber 内部编码智能体的默认方式。

Uber Engineering

@UberEng

Oct 2

Article

Designing MCP Gateway Uber's MCP Management Platform

Introduction Uber’s rapid adoption of AI agents has fundamentally changed how teams interact with code, data, and operational systems. Early ad-hoc integrations with the MCP (Model Context Protocol)...

4:03 AM · Oct 5, 2026

·

682

Views

7

4

2