Skip to main content
在人工智能快速发展的今天，大型语言模型 (LLM) 已成为提升工作效率的重要工具。随着 MCP（Model Context Protocol）的出现，我们有了一种标准化的方式来与 AI 模型交互。然而，当需要同时使用多个 MCP 资源服务器时，管理和使用这些服务不仅变得复杂，安全问题也越发严重。MCP Proxy正是为解决这一问题而生，它可以聚合多个 MCP 资源服务器，并通过单一 HTTP 服务器提供服务，同时加强安全管控。

​
MCP 协议简介

在了解 MCP Proxy 之前，我们先简要了解一下 MCP 协议。MCP（Model Completion Protocol）是一种为大型语言模型设计的开放协议，旨在标准化 AI 模型的访问方式。它允许开发者以统一的方式与不同的 AI 模型交互，无论这些模型来自哪个提供商，从而简化了应用开发过程。 MCP 协议的核心是提供一套标准化的 API，使开发者能够发送请求到支持 MCP 的服务器，并接收模型生成的回应。这种标准化对于构建复杂的 AI 应用系统尤为重要。

​
MCP 兼容性说明

在使用 MCP 时，需要注意系统环境对相关包管理工具的依赖：
  1. NPX 依赖：当配置使用npx命令作为 MCP 客户端时（如fetch-mcp），系统需要安装 Node.js 环境并确保 NPM 可用。这是因为 MCP Proxy 会调用系统的 npx 命令来执行相关 MCP 插件。
  2. UVX 依赖：如果配置使用了uvx作为包管理工具，需要在系统中预先安装uv工具。uv 是一个更快的 Python 包管理器和解释器，在使用 Python 实现的 MCP 插件时可以提供更好的性能。
  3. 客户端环境要求：
    • 对于基于 Node.js 的 MCP 插件：确保安装了 Node.js 环境（建议 v16+）
    • 对于基于 Python 的 MCP 插件：需要安装 Python 环境（建议 3.8+）
    • 对于提供 Docker 镜像的 MCP 插件：客户端需要安装 Docker 环境
    • 对于其他语言实现的 MCP 客户端：需要安装相应的运行环境

​
MCP 安全性问题

虽然 MCP 协议为 AI 模型交互提供了标准化方式，但它也带来了一些安全性挑战，MCP 客户端可能存在以下安全风险：
  1. 代码执行风险：MCP 客户端通常需要执行外部命令，这可能导致任意代码执行的风险。例如，使用npx或 uv 其他命令行工具时，如果没有适当的沙箱限制，可能会执行恶意代码。
  2. 权限提升：没有适当限制的 MCP 客户端可能访问系统敏感资源，如文件系统、网络接口或环境变量。
  3. 资源耗尽：恶意或错误配置的 MCP 客户端可能消耗过多系统资源，导致服务降级或拒绝服务。
  4. 数据泄露：如果 MCP 客户端处理敏感数据但缺乏适当的隔离措施，可能导致数据泄露。

​
MCP Proxy 的主要特性

1745513399 MCP Proxy 是一个强大的代理服务器，具有以下核心特性：
  • 代理多个 MCP 客户端：连接到多个 MCP 资源服务器，并聚合它们的工具和功能
  • SSE 支持：提供 SSE（Server-Sent Events）服务器，实现实时更新
  • 灵活配置：支持多种客户端类型（stdio、sse或streamable-http），并可自定义设置

​
安全性考量

在使用 MCP Proxy 时，安全性是一个重要考量因素。该工具提供了多层安全保障：
  1. 身份验证：通过authTokens配置项，可以设置身份验证令牌，确保只有授权用户才能访问服务
  2. 服务隔离：对每个 MCP 服务器可以单独配置安全选项，实现精细化的权限控制
  3. 日志记录：通过启用logEnabled选项，可以记录客户端请求，便于安全审计和问题排查

​
兼容性与集成

MCP Proxy 的一大优势是其出色的兼容性，支持多种类型的 MCP 客户端：
  • 命令行工具（stdio）：可通过子进程运行的命令行工具，如使用npx -y fetch-mcp等
  • SSE 服务器：支持 Server-Sent Events 的服务器
  • HTTP 流式服务器：支持 HTTP 流式传输的服务器
这种灵活性使得 MCP Proxy 能够与各种现有系统无缝集成，无论是自定义开发的 MCP 服务器还是第三方提供的服务。

​
快速部署

docker run -d -p 9090:9090 -v /Users/lengleng/Downloads/mcp-proxy/config.json:/config/config.json ghcr.io/tbxark/mcp-proxy:latest
Docker 镜像默认支持两种 MCP 调用方法：npx和uvx，使得部署过程更加简单。

​
配置详解

MCP Proxy 通过 JSON 文件进行配置，包含两个主要部分：
  1. mcpProxy：代理 HTTP 服务器配置
    • baseURL：服务器的公共可访问 URL
    • addr：服务器监听的地址
    • name和version：服务器的名称和版本
    • options：默认选项配置
  2. mcpServers：MCP 服务器配置
    • 可配置多种类型的 MCP 客户端，如 stdio、sse 或 streamable-http
    • 每个客户端可以有独立的安全配置
以下是一个配置示例，以百度地图 MCP 为例 
{
  "mcpProxy": {
    "baseURL": "http://localhost:9090",
    "addr": ":9090",
    "name": "MCP Proxy",
    "version": "1.0.0",
    "options": {
      "panicIfInvalid": false,
      "logEnabled": false
    }
  },
  "mcpServers": {
    "map": {
      "command": "npx",
      "args": [
          "-y",
          "@baidumap/mcp-server-baidu-map"
      ],
      "env": {
          "BAIDU_MAP_API_KEY": "XXX"
      },
      "options": {
        "panicIfInvalid": true,
        "logEnabled": true
      }
    }
  }
}
支持 MCP 的客户端配置 SSE 模式，直接对接 mcp proxy 的代理端点，实现 mcp 的安全性调用 1745516190

​
进阶配置

  1. 服务器将启动并聚合所有已配置的 MCP 客户端的工具和功能
  2. 可以通过 http(s)://{baseURL}/{clientName}/sse 访问服务器（例如，根据示例配置，访问 https://my-mcp.example.com/map/sse）
  3. 如果 MCP 客户端不支持自定义请求头，以将 clients 中的键（如 map）更改为 map/{apiKey}，然后通过 map/{apiKey} 进行访问

​
总结

MCP Proxy 通过聚合多个 MCP 资源服务器，简化了与多个 AI 模型的交互过程。它不仅提供了灵活的配置选项，还确保了安全性和兼容性，是构建复杂 AI 应用的理想工具。无论是个人开发者还是企业用户，都可以通过 MCP Proxy 更高效地利用多种 AI 模型的能力。