Utcp MCP Gateway

utcp-mcp网关

🚀 The Smarter Way to Use MCP — Save 90%+ Tokens with Code Mode

English | 中文

Inspired by Claude Skills' Progressive Disclosure

claude skills alternative · mcp token optimization · progressive tool discovery · mcp response filtering

______________________________________________________________________

The Story / 故事

我注意到 克劳德技能 工作得非常好——克劳德动态地发现并加载它需要的技能，避免了上下文过载。 但大多数代理框架呢？他们一次将500多个工具定义转储到上下文中。MCP的反应如何？通常有10000多个字符的原始数据浪费了您的令牌。 所以我建立在UTCP之上： 渐进式发现+代码模式+LLM过滤 --使用MCP的更智能方式。 最好的部分？只需添加一个配置块。适用于Claude Desktop、Windsurf、Cursor、Dify和任何兼容MCP的客户端。不需要额外的服务器。

寻找。..?

• ✅ 克劳德技能替代品 对于您的MCP设置
• ✅ 更好的MCP工具管理 没有上下文重载
• ✅ 渐进式工具发现 --按需加载工具
• ✅ OpenAPI/Swagger到工具 --将REST API注册为工具
• ✅ MCP令牌优化 --减少90%+代币浪费
• ✅ MCP响应滤波 --智能摘要

你来对地方了。

这是什么？

LLM擅长编写代码，但在工具调用方面很糟糕。

传统的MCP将工具直接暴露给LLM，但LLM在以下方面遇到了困难：

• 工具太多（500+定义=混淆）
• 巨大的响应（10000+个字符=浪费的令牌）
• 多次往返（15次以上API调用=缓慢且昂贵）

utcp-mcp-gateway 修复了所有这些问题：

Traditional:  User → LLM → Tool1 → LLM → Tool2 → LLM → Tool3 → Result
              (15+ calls, $26/day, slow)

Code Mode:    User → LLM writes code → Execute all at once → Result  
              (1 call, $0.87/day, fast)

结果：每年节省9536美元 (基准源)

特性

快速开始

无需配置文件！ 只需添加到Claude Desktop配置中：

模式1:HTTP MCP（远程）

{
  "mcpServers": {
    "gateway": {
      "command": "npx",
      "args": ["-y", "utcp-mcp-gateway"],
      "env": {
        "MCP_URL": "https://mcp.context7.com/mcp",
        "MCP_NAME": "context7",
        "LLM_API_KEY": "sk-xxx",
        "LLM_BASE_URL": "https://api.openai.com/v1",
        "LLM_MODEL": "gpt-4o-mini"
      }
    }
  }
}

模式2:stdio MCP（本地）

{
  "mcpServers": {
    "gateway": {
      "command": "npx",
      "args": ["-y", "utcp-mcp-gateway"],
      "env": {
        "MCP_COMMAND": "npx",
        "MCP_ARGS": "-y,@anthropic/mcp-server-filesystem",
        "MCP_NAME": "filesystem",
        "MCP_TRANSPORT": "stdio",
        "LLM_API_KEY": "sk-xxx"
      }
    }
  }
}

⚠️ Windows用户： 使用 cmd /c npx 而不是 npx: ``json "command": "cmd", "args": ["/c", "npx", "-y", "utcp-mcp-gateway"] ``

环境变量

就是这样！重新启动Claude Desktop并尝试： *“搜索React useState示例”*

运作原理

┌──────────────┐     ┌─────────────────────────────────┐     ┌─────────────┐
│   Your AI    │────▶│      utcp-mcp-gateway           │────▶│ Any MCP     │
│ (Claude etc) │     │  ┌─────────┐  ┌─────────────┐   │     │ (Context7)  │
└──────────────┘     │  │  UTCP   │  │ LLM Filter  │   │     └─────────────┘
                     │  │ search  │  │ 10K→300char │   │
                     │  └─────────┘  └─────────────┘   │
                     └─────────────────────────────────┘

Gateway为您的AI提供了4个工具：

上下文感知摘要

使用时 call_tool_chain 随着 filter_response: true，您可以提供 purpose 用于指导LLM摘要的参数：

call_tool_chain({
  code: "const docs = await context7.context7_get_library_docs({...}); return docs;",
  filter_response: true,
  purpose: "Find React useState usage examples"
})

LLM将只提取与您的目的相关的信息，而不是通用的摘要。

示例流程

User: "How do I use React useState?"

1. AI calls search_tools("react")        → Returns tools with TypeScript interfaces
2. AI calls call_tool_chain with code:
   const id = await context7.context7_resolve_library_id({ libraryName: "react" });
   const docs = await context7.context7_get_library_docs({ libraryId: id, topic: "useState" });
   return docs;
3. Gateway executes code and returns result
4. AI receives structured response

代币储蓄基准

配置

单MCP

MCP_URL=https://mcp.context7.com/mcp
MCP_NAME=context7

多个MCP（推荐：编号样式）

使用编号的环境变量进行清晰配置：

{
  "mcpServers": {
    "gateway": {
      "command": "npx",
      "args": ["-y", "utcp-mcp-gateway"],
      "env": {
        "MCP_1_NAME": "context7",
        "MCP_1_URL": "https://mcp.context7.com/mcp",
        
        "MCP_2_NAME": "filesystem",
        "MCP_2_COMMAND": "npx",
        "MCP_2_ARGS": "-y,@anthropic/mcp-server-filesystem,/path/to/dir",
        
        "LLM_API_KEY": "sk-xxx",
        "MAX_RESPONSE_CHARS": "10000"
      }
    }
  }
}

编号变量：

• MCP_1_NAME, MCP_1_URL -第一个MCP（HTTP模式）
• MCP_2_NAME, MCP_2_COMMAND, MCP_2_ARGS -第二MCP（标准输入模式）
• 多达 MCP_20_* 支持

多个MCP（替代方案：半导体风格）

{
  "env": {
    "MCP_URL": "https://mcp.context7.com/mcp;https://mcp.deepwiki.com/mcp",
    "MCP_NAME": "context7;deepwiki"
  }
}

LLM设置

智能路由器设置（v0.1.20+）

它是如何工作的：

• list_tools 返回简短摘要而不是完整模式（保存标记）
• search_tools 使用LLM了解意图并推荐相关工具（使用完整的描述以确保准确性）
• 如果LLM不可用，则返回关键字搜索
• 如果LLM返回的名称略有不同，则对工具名称进行模糊匹配
• 在LLM摘要之前预截断大型响应（>20万个字符）

OpenAPI设置（v0.1.24+）

直接从OpenAPI/Swagger规范注册REST API：

# Example: APIs.guru (public API directory)
OPENAPI_1_NAME=apisguru
OPENAPI_1_URL=https://api.apis.guru/v2/openapi.yaml

# Example with authentication
OPENAPI_2_NAME=my_api
OPENAPI_2_URL=https://api.example.com/openapi.json
OPENAPI_2_AUTH_TYPE=api-key
OPENAPI_2_AUTH_TOKEN=sk-xxx
OPENAPI_2_AUTH_VAR=X-Api-Key
OPENAPI_2_AUTH_LOCATION=header

它是如何工作的：

• 下载并解析OpenAPI 2.0/3.0规范
• 将每个操作转换为UTCP工具
• 工具名称=OpenAPI规范中的操作ID
• 工具描述=OpenAPI规范的摘要或描述
• 支持API密钥、承载、基本和OAuth2身份验证

要求：

• 每个API操作都必须具有 operationId （跳过没有它的操作）
• 文件上传参数(type: file)UTCP SDK不支持

______________________________________________________________________

故事

我发现 克劳德技能 效果惊人 — Claude 动态发现并只加载需要的技能，避免上下文过载。 但大多数 Agent 框架？一次性把 500+ 工具定义塞进上下文。而且 MCP 响应？经常是 10,000+ 字符的原始数据，白白浪费 Token。 于是我在 UTCP 基础上做了这个：渐进式发现 + Code Mode + LLM 过滤 — 更聪明的 MCP 使用方式。 最棒的是？只需加一段配置。兼容 Claude Desktop、Windsurf、Cursor、Dify 等所有 MCP 客户端。无需额外服务器。

你在找...？

• ✅ Claude Skills 替代方案 — 用于你的 MCP 配置
• ✅ 更好的 MCP 工具管理 — 无上下文过载
• ✅ 渐进式工具发现 — 按需加载工具
• ✅ OpenAPI 转工具 — 直接从 OpenAPI/Swagger 注册 REST API
• ✅ MCP Token 优化 — 减少 90%+ Token 浪费
• ✅ MCP 响应过滤 — 智能摘要

你来对地方了。

这是什么？

LLM 擅长写代码，但不擅长调用工具。

传统 MCP 直接把工具暴露给 LLM — 但 LLM 面临：

• 工具太多（500+ 定义 = 困惑）
• 响应太大（10,000+ 字符 = 浪费 Token）
• 往返太多（15+ 次 API 调用 = 慢且贵）

utcp-mcp-gateway 一次解决所有问题：

传统方式:   用户 → LLM → 工具1 → LLM → 工具2 → LLM → 工具3 → 结果
            (15+ 次调用, $26/天, 慢)

Code Mode:  用户 → LLM 写代码 → 一次执行全部 → 结果
            (1 次调用, $0.87/天, 快)

结果：每年节省 $9,536 (基准测试来源)

核心功能

快速开始

零配置文件！ 直接添加到 Claude Desktop 配置：

模式 1：HTTP MCP（远程）

{
  "mcpServers": {
    "gateway": {
      "command": "npx",
      "args": ["-y", "utcp-mcp-gateway"],
      "env": {
        "MCP_URL": "https://mcp.context7.com/mcp",
        "MCP_NAME": "context7",
        "LLM_API_KEY": "sk-xxx",
        "LLM_BASE_URL": "https://api.openai.com/v1",
        "LLM_MODEL": "gpt-4o-mini"
      }
    }
  }
}

模式 2：stdio MCP（本地）

{
  "mcpServers": {
    "gateway": {
      "command": "npx",
      "args": ["-y", "utcp-mcp-gateway"],
      "env": {
        "MCP_COMMAND": "npx",
        "MCP_ARGS": "-y,@anthropic/mcp-server-filesystem",
        "MCP_NAME": "filesystem",
        "MCP_TRANSPORT": "stdio",
        "LLM_API_KEY": "sk-xxx"
      }
    }
  }
}

⚠️ Windows 用户： 使用 cmd /c npx 代替 npx： ``json "command": "cmd", "args": ["/c", "npx", "-y", "utcp-mcp-gateway"] ``

环境变量

配置好后重启 Claude Desktop，试试：*"搜索 React useState 用法"*

工作原理

┌──────────────┐     ┌─────────────────────────────────┐     ┌─────────────┐
│   你的 AI    │────▶│      utcp-mcp-gateway           │────▶│  任意 MCP   │
│ (Claude 等)  │     │  ┌─────────┐  ┌─────────────┐   │     │ (Context7)  │
└──────────────┘     │  │  UTCP   │  │ LLM 过滤器  │   │     └─────────────┘
                     │  │  搜索   │  │ 10K→300字符 │   │
                     │  └─────────┘  └─────────────┘   │
                     └─────────────────────────────────┘

Gateway 向你的 AI 暴露 4 个工具：

上下文感知摘要

使用 call_tool_chain 时，设置 filter_response: true 并提供 purpose 参数，LLM 会根据你的目的智能提取相关信息：

call_tool_chain({
  code: "const docs = await context7.context7_get_library_docs({...}); return docs;",
  filter_response: true,
  purpose: "查找 React useState 的用法示例"
})

LLM 会只提取与你目的相关的信息，而不是泛泛的摘要。

调用流程示例

用户: "React useState 怎么用？"

1. AI 调用 search_tools("react")        → 返回带 TypeScript 接口的工具
2. AI 调用 call_tool_chain 执行代码：
   const id = await context7.context7_resolve_library_id({ libraryName: "react" });
   const docs = await context7.context7_get_library_docs({ libraryId: id, topic: "useState" });
   return docs;
3. Gateway 执行代码并返回结果
4. AI 收到结构化响应

Token 节省实测

配置说明

单个 MCP

MCP_URL=https://mcp.context7.com/mcp
MCP_NAME=context7

多个 MCP（推荐：编号方式）

使用编号环境变量进行清晰配置：

{
  "mcpServers": {
    "gateway": {
      "command": "npx",
      "args": ["-y", "utcp-mcp-gateway"],
      "env": {
        "MCP_1_NAME": "context7",
        "MCP_1_URL": "https://mcp.context7.com/mcp",
        
        "MCP_2_NAME": "filesystem",
        "MCP_2_COMMAND": "npx",
        "MCP_2_ARGS": "-y,@anthropic/mcp-server-filesystem,/path/to/dir",
        
        "LLM_API_KEY": "sk-xxx",
        "MAX_RESPONSE_CHARS": "10000"
      }
    }
  }
}

编号变量：

• MCP_1_NAME, MCP_1_URL - 第一个 MCP（HTTP 模式）
• MCP_2_NAME, MCP_2_COMMAND, MCP_2_ARGS - 第二个 MCP（stdio 模式）
• 最多支持 MCP_20_*

多个 MCP（备选：分号方式）

{
  "env": {
    "MCP_URL": "https://mcp.context7.com/mcp;https://mcp.deepwiki.com/mcp",
    "MCP_NAME": "context7;deepwiki"
  }
}

LLM 配置

智能路由配置 (v0.1.20+)

工作原理：

• list_tools 返回精简摘要而非完整 schema（节省 token）
• search_tools 使用 LLM 理解意图并推荐相关工具（使用全量描述确保准确性）
• LLM 不可用时回退到关键词搜索
• 工具名模糊匹配，容错 LLM 返回格式不完全一致的情况
• 超大响应（>200k 字符）预截断后再进行 LLM 摘要

OpenAPI 配置 (v0.1.24+)

直接从 OpenAPI/Swagger 规范注册 REST API：

# 示例：APIs.guru（公开的 API 目录）
OPENAPI_1_NAME=apisguru
OPENAPI_1_URL=https://api.apis.guru/v2/openapi.yaml

# 带认证的示例
OPENAPI_2_NAME=my_api
OPENAPI_2_URL=https://api.example.com/openapi.json
OPENAPI_2_AUTH_TYPE=api-key
OPENAPI_2_AUTH_TOKEN=sk-xxx
OPENAPI_2_AUTH_VAR=X-Api-Key
OPENAPI_2_AUTH_LOCATION=header

工作原理：

• 下载并解析 OpenAPI 2.0/3.0 规范
• 每个操作转换为一个 UTCP 工具
• 工具名 = OpenAPI 规范中的 operationId
• 工具描述 = OpenAPI 规范中的 summary 或 description
• 支持 API Key、Bearer、Basic 和 OAuth2 认证

注意事项：

• API 操作必须有 operationId（没有的会被跳过）
• 文件上传参数（type: file）不被 UTCP SDK 支持

______________________________________________________________________

Credits / 致谢

这个项目建立在令人惊叹的开源工作之上：

• UTCP（通用工具调用协议） -使这成为可能的协议
• @utcp/代码模式 -代码执行能力
• @utcp/sdk -UTCP-SDK
• @模型上下文协议/sdk -Anthropic的MCP SDK

许可证

麻省 理工© 2025 清洁