一个可执行的验证性概念（POC），展示 AI 代理如何通过模型上下文协议（MCP）与现有的日常运营（BAU）REST 微服务协同工作。
该演示使用 Google Gemini 来发现 MCP 工具、检索客户与订单信息，并执行一次受控的订单取消操作。BAU 服务保持为独立的 REST API；MCP 提供这些 API 与代理之间的集成边界。
所包含的场景要求代理执行以下操作：
检索 CUST-1001 的客户档案。
列出该客户的订单。
识别状态为 Processing 的订单。
使用提供的理由取消 ORD-9002。
总结已完成的工作。
预期的工具调用顺序为：
Gemini agent
-> MCP tool discovery over stdio
-> MCP server
-> Customer and Order REST APIs
-> Tool results returned to Gemini
-> Final user-facing summaryRelated MCP server: MCP API Tool Demo
+------------------+ stdio +------------------+ HTTP +----------------------+
| Gemini agent | <----------------> | MCP server | <--------------> | Customer service |
| agent_runner.py | | server.py | | localhost:8001 |
+------------------+ +--------+---------+ +----------------------+
|
| HTTP
v
+----------------------+
| Order service |
| localhost:8002 |
+----------------------+工具 | 用途 |
| 检索客户档案、等级、状态和信用额度。 |
| 列出与某客户关联的订单。 |
| 当订单状态允许取消时取消该订单。 |
.
├── agent/
│ └── agent_runner.py # Gemini agent and MCP client
├── mcp_server/
│ └── server.py # MCP tools and REST integration
├── services/
│ ├── customer_service.py # Mock customer REST API
│ └── order_service.py # Mock order REST API
├── tests/
│ └── test_services.py # Service behavior tests
├── .env.example # Environment variable template
├── requirements.txt # Python dependencies
└── mcp_microservices_poc_blueprint.md
# Detailed design and implementation referencePython 3.11 或更高版本
来自 Google AI Studio 的 Gemini API 密钥
Windows PowerShell、macOS/Linux shell 或等效终端
运行代理时能够访问 Gemini API 的网络连接
本项目不需要 Anthropic 或 OpenAI API 密钥。
在项目目录中打开 PowerShell：
python -m venv .venv
.\.venv\Scripts\Activate.ps1
python -m pip install --upgrade pip
python -m pip install -r requirements.txt
Copy-Item .env.example .env打开 .env，将 your_gemini_api_key_here 替换为你的密钥：
GOOGLE_API_KEY=your_gemini_api_key_here
GEMINI_MODEL=gemini-3.6-flash切勿提交 .env 或将 API 密钥放入源代码中。所选模型必须对你的 Gemini 账户可用。
使用三个终端。在每个终端中激活 .venv。
python services/customer_service.py运行于 http://localhost:8001。
python services/order_service.py运行于 http://localhost:8002。
python agent/agent_runner.py代理将 MCP 服务器作为子进程启动，发现其工具，并执行示例工作流。
在两个服务运行期间执行以下命令：
Invoke-RestMethod http://localhost:8001/health
Invoke-RestMethod http://localhost:8002/health
Invoke-RestMethod http://localhost:8001/api/v1/customers/CUST-1001
Invoke-RestMethod http://localhost:8002/api/v1/orders/customer/CUST-1001在虚拟环境激活状态下：
python -m pytest -q测试覆盖了不区分大小写的客户查找、客户不存在、取消处理中的订单，以及防止取消已发货订单的保护逻辑。
变量 | 描述 | 默认值 |
| Gemini 认证密钥。 | 必填 |
| 代理使用的 Gemini 模型。 |
|
| 客户服务基础 URL。 |
|
| 订单服务基础 URL。 |
|
这是一个本地、刻意保持小规模的 POC，旨在使集成模式易于检查和运行。
客户和订单记录存储在内存中，服务重启时会被重置。
服务未实现身份验证或授权。
在真实系统中，取消操作应受到审批和业务策略控制的保护。
MCP 使用 stdio 进行本地进程集成。部署架构应使用经过身份验证的网络传输。
下游错误以工具文本形式返回以便查看；生产系统应使用结构化错误、重试、追踪和指标。
示例代理会发起真实的 Gemini API 请求，需要有效的密钥。
GOOGLE_API_KEY is not set确认项目目录中存在 .env 且包含有效密钥。从项目目录运行代理。
404 NOT_FOUND在 .env 中将 GEMINI_MODEL 设置为你的账户已启用的模型。本 POC 中的默认值为 gemini-3.6-flash。
确认依赖已安装到当前激活的虚拟环境中：
python -m pip install -r requirements.txt本项目将 MCP 固定在 1.x API 范围内，因为服务器实现使用了 FastMCP。
确认两个 REST 服务正在端口 8001 和 8002 上运行。如果端口已被占用，请更新服务端口以及 .env 中对应的 URL。
MCP server for your apps' tools and custom tools, plus hosted AI agents and approval-gated workflows
MCP server unifying ERPs, CRMs, APIs and knowledge base for Claude, ChatGPT and Gemini.
Unified MCP Server is a remote MCP connector for AI agents and vertical AI products that provides access to 22,000+ authorized SaaS tools across 400+ integrations and 24 categories directly inside LLMs (Claude, GPT, Gemini, Cohere). Tools operate only on explicitly authorized customer connections, enabling agents to safely read and write against live third-party systems.
MCP server connecting AI agents to 100+ apps (Gmail, Slack, Notion, GitHub) via one-click OAuth.
