Skip to main content
Glama
production-mcp-server

production-mcp-server

by TushGoel

production-mcp-server

CI Python License Tests

一个生产级 MCP(模型上下文协议)服务器,演示如何在企业环境中安全地向 AI 代理暴露工具。

大多数 MCP 示例展示的是如何 连接 工具与代理。本仓库展示的是如何 安全地大规模 实现这一目标——通过权限强制、行为护栏、爆炸半径控制,以及每次调用的结构化审计追踪。


问题 → 解决方案 → 影响

问题

AI 代理需要工具访问权限才能发挥作用——但不受约束的工具访问会导致生产事故。团队要么将代理完全锁定(无用),要么给予完全访问权限(危险)。

解决方案

一个受治理的 MCP 网关层,位于每个代理和每个工具之间:每次调用都经过权限检查、爆炸半径控制,并完全审计。

影响

代理凭借企业级授权在生产环境中安全运行。安全团队可以审计每一个操作。开发者无需担心副作用即可发布代理功能。


Related MCP server: evav-gateway

系统设计

graph TD
    A[🤖 AI Agent<br/>Claude / Any LLM] -->|MCP Protocol| B

    subgraph MCP Gateway — Governed Tool Access
        B[Request Received] --> C{Layer 1<br/>Permission Check}
        C -->|Missing permissions| D[❌ Denied<br/>Audit logged]
        C -->|Permitted| E{Layer 2<br/>Blast-Radius Guard}
        E -->|HIGH risk, no confirmation| F[❌ Blocked<br/>Audit logged]
        E -->|Confirmed or LOW/MED| G{Layer 3<br/>Input Validation}
        G -->|Path traversal / SQL injection| H[❌ Blocked<br/>Audit logged]
        G -->|Clean inputs| I[✅ Tool Handler Executes]
    end

    I --> J[(Tool Registry<br/>name · permissions · risk_level)]
    I --> K[📋 Audit Trail<br/>every call · permitted or denied]

    subgraph Tools
        I --> L[📊 Read Metrics]
        I --> M[🔍 Query Database]
        I --> N[🚀 Trigger Rollback<br/>HIGH RISK — requires confirmed=True]
    end

分层详解

层级

功能

重要性

工具注册表

存储每个工具的名称、描述、所需权限和风险等级

单一事实来源——未经注册的工具无法运行

权限强制

在执行前检查调用者权限是否符合工具要求

代理只能调用其被明确授权的工具

爆炸半径保护

对高风险操作要求 confirmed=True

代理无法意外触发破坏性操作

输入验证

阻止路径遍历、破坏性 SQL 及其他攻击模式

纵深防御——在任何处理程序运行之前进行验证

审计追踪

每次调用的不可变、仅追加日志

为合规性和调试提供完整可审计性

问题

当 AI 代理获得工具访问权限时,三种故障模式会立即显现:

  1. 不受限制的访问——代理调用本不该调用的工具,造成意外副作用

  2. 没有审计追踪——出问题时无法重建代理的操作

  3. 静默失败——权限错误被吞掉,导致调试无法进行

本服务器解决了以上所有三个问题。

架构

Agent (Claude / any LLM)
        │
        ▼ MCP Protocol
┌─────────────────────────────┐
│        MCP Server           │
│  ┌──────────────────────┐   │
│  │    Guardrail Layer   │   │  ← permission check → blast-radius guard → arg validation
│  └──────────┬───────────┘   │
│             │               │
│  ┌──────────▼───────────┐   │
│  │    Tool Registry     │   │  ← name, description, required_permissions, risk_level
│  └──────────┬───────────┘   │
│             │               │
│  ┌──────────▼───────────┐   │
│  │    Tool Handlers     │   │  ← plain Python functions, no security logic here
│  └──────────────────────┘   │
│             │               │
│  ┌──────────▼───────────┐   │
│  │     Audit Trail      │   │  ← every invocation logged, permitted or denied
│  └──────────────────────┘   │
└─────────────────────────────┘

关键模式

1. 受治理的工具访问

每个工具都通过明确的权限要求进行注册:

registry.register(ToolDefinition(
    name="trigger_rollback",
    description="Initiate a deployment rollback.",
    handler=trigger_rollback,
    required_permissions={"deployments:write", "deployments:rollback"},
    risk_level=RiskLevel.HIGH,
    requires_confirmation=True,  # blast-radius guard
))

2. 权限强制

护栏层在任何处理程序运行之前检查权限:

# Agent tries to trigger rollback but lacks deployments:write
guardrails.invoke(
    tool_name="trigger_rollback",
    arguments={"deployment_id": "d-123", "reason": "high error rate"},
    caller_id="monitoring-agent",
    caller_permissions={"deployments:read"},  # missing write permission
)
# → PermissionDeniedError: Caller 'monitoring-agent' lacks permissions
#   {'deployments:write', 'deployments:rollback'} for tool 'trigger_rollback'

3. 爆炸半径控制

高风险工具需要明确的确认标志——代理无法意外触发破坏性操作:

# Without confirmation — blocked
guardrails.invoke("trigger_rollback", {...}, confirmed=False)
# → GuardrailViolationError: HIGH risk tool requires confirmed=True

# With confirmation — permitted
guardrails.invoke("trigger_rollback", {...}, confirmed=True)

4. 输入验证

参数级检查在任何工具处理程序之前运行:

# Path traversal — blocked automatically
guardrails.invoke("read_file", {"path": "../../etc/passwd"}, ...)
# → GuardrailViolationError: Path traversal detected

# Destructive SQL — blocked automatically
guardrails.invoke("query", {"query": "DROP TABLE users"}, ...)
# → GuardrailViolationError: Destructive SQL pattern detected

5. 结构化审计追踪

每次调用——无论允许还是拒绝——都会被记录:

# After some invocations
events = audit.get_events()
print(events[0].to_json())
# {
#   "tool_name": "read_deployment_status",
#   "caller_id": "oncall-agent-v1",
#   "arguments": {"deployment_id": "d-abc"},
#   "result": "{'status': 'healthy', ...}",
#   "permitted": true,
#   "timestamp": "2026-08-26T14:30:00+00:00",
#   "duration_ms": 12.4
# }

print(f"Denied requests: {audit.denied_count()}")

项目结构

production-mcp-server/
├── src/
│   ├── server.py          # MCP server entry point — tool registration + FastMCP wiring
│   ├── registry.py        # Tool registry — metadata, permissions, risk classification
│   ├── guardrails.py      # Guardrail layer — 3-layer enforcement on every invocation
│   ├── audit.py           # Structured audit trail — append-only event log
│   └── tools/
│       └── example_tools.py  # Example handlers — swap with your real data sources
├── tests/
│   ├── test_guardrails.py    # Permission enforcement, blast-radius, input validation
│   └── test_registry.py      # Tool registration and lookup
├── examples/
│   └── basic_usage.py        # Standalone usage without the MCP server
└── pyproject.toml

安装

pip install -e ".[dev]"

运行服务器

python -m src.server

将任何兼容 MCP 的客户端(如 Claude Desktop、Claude Code 等)连接到服务器。

运行测试

pytest tests/ -v

扩展

添加新工具

  1. 在 src/tools/ 中编写处理函数:

def read_config(config_key: str) -> str:
    return os.environ.get(config_key, "not_found")
  1. 使用权限和风险等级注册它:

registry.register(ToolDefinition(
    name="read_config",
    description="Read a configuration value by key.",
    handler=read_config,
    required_permissions={"config:read"},
    risk_level=RiskLevel.LOW,
))
  1. 通过 FastMCP 暴露:

@mcp.tool()
def config(config_key: str) -> str:
    return guardrails.invoke("read_config", {"config_key": config_key}, ...)

护栏层和审计层会自动生效——无需修改。

集成你的认证层

将 server.py 中的静态 CALLER_ID / CALLER_PERMISSIONS 替换为你的真实身份提供方:

# Example: derive permissions from an OAuth token in the MCP session context
def get_caller_context(session) -> tuple[str, set[str]]:
    token = session.headers.get("Authorization")
    claims = verify_jwt(token)
    return claims["sub"], set(claims["permissions"])

为什么这很重要

在生产环境中拥有工具访问权限的 AI 代理需要与任何特权服务相同的控制:最小权限授权、输入验证、爆炸半径限制和完整的审计追踪。本仓库是使用 MCP 协议实现这些模式的参考示例。

许可证

MIT


作为代理基础设施栈的一部分

本仓库是生产级 AI 代理基础设施组合中的一部分:

仓库

说明

agentic-ops

完整系统设计:这些组件如何在生产部署中协同工作,消除了 95% 的手动值班分流

production-mcp-server

← 你在这里:MCP 治理层

agent-eval-framework

如何衡量代理质量,并在发布前捕获回归问题

Maintenance

ActivitySlowing
ResponsivenessNo issues

Related MCP Connectors

Related MCP Servers

  • A
    license
    Not graded
    quality
    C
    maintenance
    Enables AI agents to securely call MCP tools with risk scoring, checkpoints, rollback, and approval workflows.
    10 npm
    MIT
  • A
    license
    Not graded
    quality
    D
    maintenance
    Governed MCP gateway that lets AI agents call tools with policy enforcement, prompt-injection screening, a kill-switch, and tamper-evident signed audit logs.
    Apache 2.0
  • A
    license
    Not graded
    quality
    B
    maintenance
    Enables agents to invoke declared API capabilities through a governed MCP surface where each call is risk-tiered — low-risk calls execute immediately, medium-risk writes queue for human approval, and high-risk actions are withheld from the tool list entirely. Every call, decision and denial is recorded in an audit trail, and responses carrying third-party text are scanned for prompt-injection signals before an agent can read them.
    2
    MIT
  • A
    license
    Not graded
    quality
    B
    maintenance
    Enables AI agents to securely reach enterprise tools and other agents through a governed gateway with pinned tool definitions, delegated authorization, content inspection, human approval, and signed audit trails.
    Apache 2.0