Apollo GraphQL 推出 MCP 服务器： AI 代理与企业 API 之间的新网关

最近，Apollo GraphQL 推出了其MCP服务器，使企业能够使用 GraphQL 安全高效地将 AI 代理与现有 API 集成。该平台通过减少开发开销、改善治理和加速 AI 功能交付，使团队能够扩大创新并更快地从 AI 投资中获得价值。

这一服务的核心是模型上下文协议（MCP）。它在大型语言模型（LLM）（如 ChatGPT 或 Claude）与企业系统之间建立了标准化接口。Apollo GraphQL MCP 服务器利用GraphQL创建了一个声明式的可扩展层，将 AI 代理与后端 API 连接起来，使它们能够执行数据查询、业务逻辑或协调多步操作等任务。Apollo GraphQL 首席技术官兼联合创始人Matt DeBergalis解释说：

API 是能力入口：向购物车添加商品、检查订单状态、安排预约、更新库存。当 AI 能够可靠地与这些系统交互时，我们就解锁了一种更强大的软件，使自然语言成为复杂业务操作的接口。通过提供 AI 语言理解和 API 基础设施之间的连接，MCP 使这一点成为可能。

Apollo GraphQL MCP 服务器协调 AI 模型对现有 API 的访问（图片来源）

对于协调复杂的、策略感知的多 API 工作流，GraphQL 是一个很好的抽象层候选者。它支持确定性执行、选择性数据检索和嵌入式策略执行——这些都是 AI 系统的核心要求，因为它们要与多个后端 API 交互并且必须提供一致且安全的结果。

GraphQL 与 MCP 的集成还有助于管理Token使用和响应准确性。通过使 LLM 只请求必要的字段，系统可以最小化开销并降低生成无关或误导性输出的风险——这对于性能和用户信任都至关重要。

GraphQL 的声明式特性和自文档化模式使 AI 代理能够有效地推理 API。LLM 可以探索模式元数据并动态生成查询，最小化手动配置工具的工作，支持更灵活的 AI 接口和适应性行为。

MCP 工具既可以是预定义的——使用静态 GraphQL 操作，也可以通过模式自省动态生成。静态工具提供可预测性；自省使 AI 能够进行开放式探索，包括渐进式模式学习和按需查询执行。

至关重要的是，团队可以通过Apollo连接器集成现有的 REST API，而无需重建或迁移服务。这意味着企业可以在尽可能降低干扰的情况下采用 AI 接口，使用 MCP 服务器在当前架构之上叠加智能。

作为一种协议，MCP 正在迅速成为 AI 开发者技术栈中的基础构建块。它标准化了语言模型访问外部工具和数据的方式，就像 HTTP 对 Web 所做的那样。随着其重要性的增长，HashiCorp、GitHub和Docker等主要参与者也开始推出他们的 MCP 兼容产品。这进一步表明，工具感知 AI 正成为常态，而不再是个例。

Apollo GraphQL 已经在GitHub上将 MCP Server 作为开源软件发布，遵循 Elastic License 2.0 协议。

针对此次发布，InfoQ 采访了 Apollo GraphQL 首席技术官兼联合创始人Matt DeBergalis。

InfoQ：您能否详细说明一下，在多团队或企业环境中提供 MCP 工具的治理模型？应该如何防止意外暴露或滥用敏感能力？

Matt DeBergalis：治理挑战是真实存在的——为了跟上 AI 的发展步伐，团队需要快速推出 MCP 工具，但他们也需要有这样的信心，就是这些工具不会暴露敏感数据或违反政策。我们的方法是用声明式方法实现 MCP 工具，将其作为编排层的一部分，用来抽象 API 和服务。当将 MCP 工具定义为 GraphQL 查询时，就声明了 AI 需要的数据，并让编排层处理如何获取它——包括跨多个系统的认证、筛选和策略执行的所有复杂细节。

 

这种声明式方法使治理变得可扩展。一个跨客户和发货系统的查询可以执行复杂的规则，如“仅向忠诚会员显示跟踪详情”。编排层提供确定性执行，因此，相同的工具其行为方式始终是不变的。团队获得了快速实验和快速交付的敏捷性，而且又不会牺牲未来。

InfoQ：在 AI-API 编排的早期采用者中，您看到了哪些特定的设计模式或架构反模式，是 GraphQL 和 MCP 正在帮助解决的？

DeBergalis：反模式是将 MCP 添加到每个 API 中，放弃了抽象层。这导致了一些挑战：非确定性执行、当 API 返回完整对象时 Token 使用效率低下、没有好的方法来执行跨系统策略，以及实现方式不健壮，编写起来很快，但随着 API、模型甚至 MCP 本身的演变，更新起来很困难。

 

解决方案是增加一个编排层，而 GraphQL 非常适合这个角色。它通过查询计划提供确定性执行，只返回所需的字段，以声明的方式强制执行策略，并允许快速迭代。GraphQL 和 MCP 是绝佳的组合——GraphQL 的声明式查询变成了 MCP 工具，为 AI 提供了一个清晰的接口，而编排层处理复杂性。这样，开放式标准 AI 技术栈就形成了。

InfoQ：Apollo MCP 服务器提供了哪些可观察性或调试工具，用于帮助开发人员追踪 AI 生成的查询和编排的 API 流？

DeBergalis：关键是查询计划——当 AI 调用 MCP 工具时，你可以看到准确的跨服务的确定性执行路径。声明性 GraphQL 查询显示了哪些 API 被调用，以什么顺序，以及带有什么样的参数。这不是一个黑盒子；这是一个你可以追踪、调试和优化的透明编排。

 

因为 GraphQL 是声明性的，所以你可以分析 AI 的行为模式，并根据实际使用情况改进你的 MCP 工具。对人类开发人员有效的可观察性同样适用于 AI 生成的查询。这种透明度是 AI 技术栈的基础——你需要信任并验证后台发生的事情。

InfoQ：在多域 MCP 部署中，AI 必须在由不同团队拥有的有界上下文中进行推理，你认为 Apollo Federation 扮演了什么角色？

DeBergalis：联合图成了 AI 的统一语义层。当团队拥有不同的领域——客户、库存、订单执行——联合图提供了一个一致的模型，AI 可以很方便地遍历。这就是 GraphQL 作为开放标准的力量：团队保持自主性，同时为共享语义理解做出贡献。

 

联合图的声明性质意味着 AI 能力可以快速进化而不中断。每个团队都可以更新他们的领域，AI 通过联合图自动获得新的能力。这种稳定性和敏捷性的结合是 AI 技术栈所需要的——开放标准让相互独立的团队能够快速前进，同时又在整体上保持一致。

声明：本文为 InfoQ 翻译，未经许可禁止转载。

原文链接：https://www.infoq.com/news/2025/05/apollo-graphql-mcp/