2025-2026 年中国大厂开源 CLI 工具、MCP Server、Agent 平台全景扫描,以及 B 端系统的落地路线图
为什么现在是 B 端系统接入 AI Agent 的最佳时机
按类型分为三大类:协作平台 CLI、Agent 开发平台、AI 基础设施
中国大厂核心开源项目横向对比
| 项目 | 公司 | 类型 | Stars | 协议 | 语言 | MCP 支持 | 私有化 | 成熟度 |
|---|---|---|---|---|---|---|---|---|
| 飞书 CLI | 字节/飞书 | CLI 工具 | 1.9k | MIT | Go | 支持 | 本地运行 | 刚发布 |
| 钉钉 CLI | 阿里/钉钉 | CLI 工具 | New | -- | -- | 支持 | 本地运行 | 刚发布 |
| Coze Studio | 字节跳动 | Agent 平台 | 19.3k | Apache 2.0 | Go+React | 支持 | 完全支持 | 生产可用 |
| Trae Agent | 字节跳动 | Coding Agent | 10.1k | -- | Python | 间接 | 本地运行 | Alpha |
| Higress | 阿里巴巴 | AI 网关 | 6.5k | Apache 2.0 | Go/Wasm | 原生 | 完全支持 | 企业级 |
| OpenClaw | 社区 | Agent Gateway | Top 1 | 开源 | 多语言 | 支持 | 完全支持 | 生产可用 |
中国方案 vs 国际方案的关键差异
| 平台 | 国际方案 | 中国对标 | 差异 |
|---|---|---|---|
| Slack | MCP Server(47 工具) | 飞书 CLI + MCP / 钉钉 CLI + MCP | 中国同时提供 CLI 形态,接入门槛更低 |
| Notion | MCP + Custom Agents | 飞书文档 via CLI / 钉钉文档 | Notion 有原生 Agent 构建能力 |
| Linear | MCP Server | 飞书多维表格 / 钉钉待办 | Linear 更专注于研发流程 |
| Figma | Dev Mode MCP Server(读写画布) | 无直接对标 | Figma 在设计→代码链路领先 |
| GitHub | 官方 MCP Server | 无直接对标 | 代码托管领域中国方案缺失 |
| Amazon | --(暂无原生 MCP) | 淘宝 PC 端 MCP(本地端口 3654) | 淘宝率先让消费级 App 原生支持 MCP,全球领先 |
从零开始,渐进式让你的内部系统接入 AI Agent
2026 年 3 月,淘宝桌面客户端 v2.5 首次引入 MCP 协议支持,AI 可直接操控购物全流程
| 能力 | 描述 | AI 可操作 | 限制 |
|---|---|---|---|
| 商品搜索 | 关键词搜索、筛选、排序 | 完全支持 | -- |
| 比价浏览 | 商品详情页抓取名称、规格、价格 | 完全支持 | 无法查看评价内容 |
| 加购物车 | 选规格、加入购物车 | 完全支持 | -- |
| 提交订单 | 填写收货地址、提交订单 | 支持 | 付款需人工确认 |
| 订单管理 | 查看订单状态、物流信息 | 完全支持 | -- |
| 催发货 | 对未发货订单发起催促 | 完全支持 | -- |
| 开发票 | 申请电子发票 | 完全支持 | -- |
三个典型场景的具体落地路径,每个场景 2 周 MVP
| Tool 名称 | 功能 | 入参 (Input) | 出参 (Output) | 示例调用 | 权限 |
|---|---|---|---|---|---|
search_order |
查询订单详情 | { order_id?: string, user_id?: string, phone?: string } |
{ order_id, status, items[], amount, created_at, logistics_no, refund_status } |
search_order({ phone: "138****1234" })→ { order_id: "OD20260328001", status: "shipped", items: [{name: "蓝牙耳机", qty: 1}], amount: 299, logistics_no: "SF1234567890" } |
只读 |
track_logistics |
物流轨迹追踪 | { order_id?: string, tracking_no?: string } |
{ carrier, tracking_no, status, events[{time, location, desc}], estimated_delivery } |
track_logistics({ tracking_no: "SF1234567890" })→ { carrier: "顺丰", status: "in_transit", estimated_delivery: "03-30" } |
只读 |
query_refund |
退款进度查询 | { order_id: string } |
{ refund_id, status, reason, amount, handler, estimated_complete } |
query_refund({ order_id: "OD001" })→ { status: "processing", reason: "质量问题", amount: 299, handler: "张三", estimated_complete: "03-31" } |
只读 |
search_knowledge |
知识库语义搜索 | { query: string, category?: "faq"|"policy"|"sop" } |
{ results[{title, content, confidence, source}] } |
search_knowledge({ query: "7天无理由退货" })→ { results: [{title: "退货政策", content: "签收7天内未使用...", confidence: 0.95}] } |
只读 |
draft_reply |
生成回复建议 | { conversation_id: string, context: object } |
{ suggested_reply: string, confidence: number, template_id?: string } |
draft_reply({ conversation_id: "C001", context: {issue: "物流延迟"} })→ { suggested_reply: "您好,包裹目前在XX中心,预计明天送达...", confidence: 0.88 } |
只读 |
create_ticket |
创建/升级工单 | { type: "refund"|"complaint"|"technical", priority: 1-5, customer_id: string, description: string } |
{ ticket_id, status, assigned_to, sla_deadline } |
create_ticket({ type: "complaint", priority: 2, customer_id: "U001", description: "收到破损商品" })→ { ticket_id: "TK001", assigned_to: "售后-李四", sla_deadline: "2h" } |
读写(需审批) |
| 天数 | 任务 | 产出物 | 人力 |
|---|---|---|---|
| Day 1-2 | 梳理现有客服系统全部 API 文档,定义 6 个 MCP tool 的 JSON Schema,确认字段映射 | tool-schema.json + API 映射表 | 后端 1 人 |
| Day 3-5 | 实现 MCP Server 核心:search_order + track_logistics + query_refund + search_knowledge(只读 4 个) | 可运行的 MCP Server v0.1 | 后端 1 人 |
| Day 6-7 | 接入 Claude Code / Cursor 联调测试,写 .mcp.json 配置文件,跑通端到端 | 开发者可在 IDE 内查订单 | 后端 1 人 |
| Day 8-9 | 实现 draft_reply(回复建议引擎)+ create_ticket(含审批流对接企微/钉钉) | 完整 6 个 tool 上线 | 后端 1 人 |
| Day 10 | 嵌入客服工作台前端(侧边栏组件 / 快捷键唤起 / 回复建议一键填入) | 客服工作台集成完成 | 前端 1 人 |
| Day 11-12 | 灰度 5-10 名客服试用,收集反馈(记录每次查询响应时间、准确率、客服满意度) | 试用反馈报告 + 问题清单 | 产品 1 人 |
| Day 13-14 | 修复 Top 3 问题 + 优化 prompt 调优 + 编写运维文档 + 安全审计 + 推广培训材料 | v1.0 生产版本 + 培训 PPT | 全员 |
| 指标 | Before(纯人工) | After(Agent 辅助) | 节省量 |
|---|---|---|---|
| 首次响应时间 | 45 秒~3 分钟,高峰期 10+ 分钟 | < 5 秒(AI 自动回复常见问题,覆盖 60%) | 响应速度提升 10-100 倍 |
| 单次系统查询 | 切换 3 个后台,每次 2-3 分钟 | 一句自然语言,5 秒返回 | 每次省 2.5 分钟 |
| 每人每天处理量 | 200 条对话 | 350+ 条(AI 自动处理 60% 常见问题) | 人效提升 75% |
| 新人上岗周期 | 培训 2-4 周,3 个月解决率 60% | 培训 3-5 天,AI 实时辅助解决率 85%+ | 培训成本降 80% |
138****1234(中间 4 位星号)| Tool 名称 | 功能 | 入参 / 出参 | 示例调用 | 权限 |
|---|---|---|---|---|
select_audience |
自然语言→SQL 人群圈选 | 入:{ description: string, preview?: boolean }出: { audience_id, count, sql_generated, sample_users[] } |
select_audience({ description: "最近30天买过A品类但没买过B的女性用户", preview: true })→ { audience_id: "AUD_0328", count: 12580, sql_generated: "SELECT uid FROM...", sample_users: [{name:"张**",tag:"高活跃"}] } |
只读(预览) |
create_campaign |
一键创建营销活动 | 入:{ name, type: "flash_sale"|"coupon"|"push", audience_id, rules: object, schedule: {start, end} }出: { campaign_id, status, estimated_reach, cost_estimate } |
create_campaign({ name: "3月大促", type: "coupon", audience_id: "AUD_0328", rules: {coupon_amount: 50, threshold: 200}, schedule: {start: "2026-04-01", end: "2026-04-07"} })→ { campaign_id: "CMP001", status: "draft", estimated_reach: 12580 } |
读写(需确认) |
query_dashboard |
实时活动数据看板 | 入:{ campaign_id, metrics: string[], time_range?: string }出: { metrics: {[key]: {current, trend, vs_previous}} } |
query_dashboard({ campaign_id: "CMP001", metrics: ["uv","conversion","roi"] })→ { metrics: {uv: {current: 8500, trend: "+12%"}, conversion: {current: "3.2%", trend: "+0.5%"}, roi: {current: 4.8}} } |
只读 |
send_push |
配置推送任务 | 入:{ audience_id, channel: "sms"|"app_push"|"in_app", content: string, send_time?: string }出: { task_id, status, approval_url, estimated_cost } |
send_push({ audience_id: "AUD_0328", channel: "sms", content: "您有一张50元优惠券...", send_time: "2026-04-01 10:00" })→ { task_id: "PUSH001", status: "pending_approval", approval_url: "https://...", estimated_cost: "¥628" } |
读写(必须审批) |
| 天数 | 任务 | 产出物 | 人力 |
|---|---|---|---|
| Day 1-2 | 梳理活动平台、优惠券、人群系统、推送系统的 API,定义 MCP tool schema | tool-schema.json + 接口映射表 | 后端 1 人 |
| Day 3-5 | 实现 select_audience(自然语言→SQL 圈人群,含安全校验)+ query_dashboard(数据看板) | 核心价值 Tool 上线 | 后端 1 人 |
| Day 6-7 | 接入 Claude Code / Cursor 联调,测试圈人群准确率,SQL 安全审计 | 圈选准确率 > 90% 的验证报告 | 后端 + 数据 各 1 人 |
| Day 8-9 | 实现 create_campaign + config_coupon(含二次确认机制) | 活动创建全流程打通 | 后端 1 人 |
| Day 10-11 | 实现 send_push(对接审批流:推送前必须主管在企微/钉钉审批) | 推送能力上线(含安全阀门) | 后端 1 人 |
| Day 12-13 | 灰度 2-3 名运营使用,重点测试圈人群 + 活动配置全流程 | 试用反馈 + 准确率数据 | 产品 1 人 |
| Day 14 | 修复问题 + 编写 prompt 最佳实践 + 运营培训 | v1.0 + 培训文档 | 全员 |
| 指标 | Before | After | 节省 |
|---|---|---|---|
| 活动配置 | 5 个系统逐个配,2-4 小时/次,配错率 ~10% | 自然语言描述,30 分钟全流程,AI 自动校验 | 每次省 1.5-3.5 小时,错误率降到 ~1% |
| 人群圈选 | 写 SQL / 提需求给分析师,1-2 小时甚至 1-3 天 | "帮我圈最近 30 天买过 A 没买 B 的女性"→ 10 秒出结果 | 每次省 1-2 小时,不再依赖分析师排期 |
| 数据复盘 | 4 个系统手动汇总,半天到一天 | "CMP001 活动昨天 ROI 多少?"→ 5 秒 | 复盘从"事后"变"实时" |
| Tool | 功能 | 数据源 | 入参 / 出参 / 示例调用 | 权限 |
|---|---|---|---|---|
search_competitor |
竞品搜索比价 | 淘宝 MCP (端口 3654) |
入:{ keyword, sort?: "price"|"sales", limit? }出: { products[{title, price, sales_monthly, shop, url}] }例: search_competitor({ keyword: "降噪耳机", sort: "sales", limit: 20 }) → Top 20 商品价格/月销/店铺 |
只读 |
analyze_data |
店铺数据分析 | 生意参谋 API | 入:{ metrics[], time_range, dimension?: "product"|"channel"|"keyword" }出: { data[{name, uv, conversion, gmv, trend}] }例: analyze_data({ metrics: ["uv","conversion","gmv"], time_range: "last_7d" }) |
只读 |
optimize_title |
AI 标题优化 | 直通车 + LLM | 入:{ product_id, current_title }出: { suggestions[{new_title, hot_keywords[], est_traffic_change}] }例:→ [{new_title: "蓝牙降噪耳机2026新款...", est_traffic_change: "+18%"}] |
建议(需确认) |
manage_product |
商品批量操作 | 商家后台 | 入:{ action: "update_price"|"toggle_listing"|"update_title", product_ids[], params }出: { success_count, failed[], snapshot_id }自动创建快照,支持一键回滚 |
读写(需确认+回滚) |
manage_campaign |
直通车/万相台 | 营销 API | 入:{ campaign_id, action: "adjust_bid"|"pause"|"set_budget", params }出: { status, daily_spend, roi_current } |
读写(需审批) |
10 天完整实操案例,每一步具体到代码和配置,拿来即用
从 OpenAPI/Swagger 文档出发,盘点要暴露给 AI 的接口
| 接口 | 方法 | 功能 | 请求参数 | 返回结构 |
|---|---|---|---|---|
/api/tickets |
GET | 查待处理工单列表 | ?status=pending&priority=P0&page=1&limit=20 |
{ total, tickets: [{ id, title, priority, assignee, created_at }] } |
/api/tickets/:id |
GET | 工单详情 | 路径参数 :id |
{ id, title, description, priority, status, assignee, comments[], history[] } |
/api/tickets/:id |
PATCH | 更新工单状态 | { status?, assignee?, priority?, comment? } |
{ id, status, updated_at, updated_by } |
https://your-api.com/swagger)curl 调一遍接口,根据实际返回写 Schema,比信文档靠谱。
完整的 TypeScript 代码,直接 copy 就能跑
1. 项目初始化 — package.json
2. MCP Server 完整代码 — src/index.ts
配置 MCP 客户端,用 Claude Code 直接测试
1. 配置 .mcp.json(放在项目根目录或 ~/.claude/)
2. 编译并启动
3. 测试对话
#T-1234 用户退款超 48 小时未处理#T-1235 支付回调异常#T-1236 批量导出功能报错#T-1234 已分配给张三Token 认证、数据脱敏、操作审计 —— 上生产前的三道防线
MCP Server 不是对外服务,但仍需要认证。通过环境变量注入 API Token,每次请求自动附加 Authorization Header。Token 由运维统一管理,开发者无需接触生产密钥。
所有返回给 AI 的数据,在 MCP Server 层自动脱敏。手机号、身份证、地址等敏感字段在出 MCP Server 之前已处理,AI 模型永远看不到原始数据。
所有写操作自动记录审计日志:谁(operator)、什么时间(timestamp)、做了什么(action + changes)、通过什么途径(source: mcp-agent)。可追溯、可回滚。
安全中间件代码 — src/security.ts
Docker 打包、环境变量、监控告警、灰度发布
1. Dockerfile
2. docker-compose.yml(含环境变量管理)
3. 灰度发布策略
| 规模 | 接入系统数 | Tool 数量 | 人力投入 | 实施周期 | 直接成本 | 年化收益(预估) |
|---|---|---|---|---|---|---|
| 试点 | 1 个系统 | 3-5 个 | 1 前端/全栈 | 1-2 周 | ~5,000 元 | ~20 万 |
| 小规模 | 3 个系统 | 10-15 个 | 2 人 | 3 周 | ~3 万元 | ~60 万 |
| 中规模 | 5+ 个系统 | 30+ 个 | 3 人 | 6 周 | ~8 万元 | ~150 万 |
基于行业数据和实施案例的投入产出评估
| 阶段 | 投入 | 时间 | 预期效果 | 月度节省 |
|---|---|---|---|---|
| Phase 0 验证 | ~0.5 万 | 3 天 | 验证可行性,锁定高价值场景 | -- |
| Phase 1 MCP Server | ~3 万 | 2 周 | Agent 可操控核心业务系统 | ~3 万/月 |
| Phase 2 CLI 工具 | ~6 万 | 1 月 | 完整系统操控 + 离线可用 | ~8 万/月 |
| Phase 3 Agent 平台 | ~30 万 | 2 月 | 全员可用 + 自助创建 Agent | ~20 万/月 |
| 场景 | 传统方式 | Agent 方式 | 日均节省 |
|---|---|---|---|
| 工单查询/流转 | 5 分钟/次 x 50 次/天 | 30 秒/次 | ~4 小时 |
| 数据报表生成 | 2 小时/份 | 5 分钟/份 | ~1.9 小时/份 |
| 新员工系统培训 | 3 天 | Agent 辅助 0.5 天 | 2.5 天/人 |
| 跨系统数据查询 | 15 分钟/次 x 20 次/天 | 1 分钟/次 | ~4.6 小时 |
根据你的场景选择最合适的方案
直接用官方 CLI + MCP Server,安装即用,零开发成本。
开发 MCP Server,2 周内上线。
Coze Studio + Higress 组合拳。
OpenClaw 快速部署。
一页纸说清楚:为什么做、投入多少、产出什么、什么时候见效
AI Agent 接入企业系统需要重点关注的安全和合规问题