实测：阿里云百炼上线「全周期 MCP 服务」，AI 工具一站式托管

长话短说：

今天，阿里云百炼正式上线了 MCP（Model Context Protocol）服务的完整平台能力，覆盖从服务注册、云托管，到 Agent 调用、流程组合的全生命周期。

很不错！这事儿算是一个转变：工具调用，不再是模型厂的「私有功能」，而是被抽象为一种通用能力，并具备了完整的产品形态。

于是，第一时间我上手试了试，本文也会顺着讲清楚三件事：

1. 1. 这套 MCP 服务，能做什么？
2. 2. 怎么用？
3. 3. 和 Plugin 有什么区别？

01｜MCP 能干啥

这里我测了两个典型的 Agent 例子，分别是「导航推荐助手」和「网页抓取助手」。

单 MCP 调用：高德地图 + AI 导游

这是一个简单的智能体应用，目标是：根据用户的旅行目的地，生成当天的城市游推荐方案，并串联天气、位置、美食和导航任务。

整个过程没有写代码，只是在百炼广场上开通高德地图（Amap Maps）的 MCP 服务，然后在「创建智能体应用」后，拉取这个 MCP 服务。

下面的视频是原速，可以感受下：

输入一个城市，比如“西安”，Agent 会自动：

1. 1. 查询当天西安天气
2. 2. 基于定位列出附近的景点、餐饮店
3. 3. 安排出行路径（如骑行/地铁）
4. 4. 给出推荐行程描述和地图跳转链接

整个任务链由 Agent 自动执行，所有服务来自百炼托管的 MCP 接口，无需我们部署服务器、写 API 代码或解析参数文档。

多 MCP 调用：网页抓取 + 数据生成

这是一个稍微复杂的 Case，通过构建工作流，让 AI 帮我取抓取网页，然后进行页面提取，最后保存在 Notion 里。

从流程上来说，就是

1. 1. 大模型识别对话中的 URL
2. 2. 通过 Firecrawl 抓取这个页面的信息
3. 3. 通过大模型对信息进行总结
4. 4. 将总结后的信息，上传到 Notion

这一套工具链同样通过 MCP 服务构建，串联了「Firecrawl」、大模型本身的处理，以及「Notion」等多个内容，全部可复用、可组合，也不依赖特定模型。

02｜百炼上的 MCP 怎么用？

在百炼 MCP 平台上，开发者可以通过两种方式使用 MCP 服务。

地址在这里：https://bailian.console.aliyun.com/?tab=app#/mcp-manage

第一种：直接用官方托管服务（选服务）

目前，百炼已经上线了 15 款 MCP 的云服务，并提供了 61 款社区 MCP 的介绍，更多的还在路上。

这种方式适合绝大多数场景，几乎“零门槛”：

1. 1. 打开 MCP 服务广场
2. 2. 找到你需要的服务（如高德、GitHub、Notion）
3. 3. 点开通，填写 API key（如有）
4. 4. 就能在 Agent 或流程中直接调用

服务由百炼托管在函数计算上，调用即加载、通过 API 按量计费。

上面测试的高德导航、网页抓取等场景，都是走这一套流程。开发者不需要管部署，不需要写 Glue Code，调用非常稳定，尤其适合原型验证和组合式 Agent 设计。

第二种：自建服务（注册服务）

如果你有自己的 API，或者需要引入社区里的 MCP server（比如从 GitHub 上 clone 的开源项目），也可以走“自建部署”的路径：

1. 1. 打开“注册服务”界面
2. 2. 贴一下 npx 安装 或 Python 脚本（Python 暂还是灰的）
3. 3. 系统会自动创建一个函数计算实例来托管你的服务
4. 4. 注册成功后，该服务就能作为 MCP 工具被调用

这条路径稍微偏“开发者向”，但整个过程比传统的服务器部署方式要简单得多：

• • 不需要自己买机器
• • 不需要配置负载均衡或权限系统
• • 可以通过文本配置定义 schema，自动生成模型调用示例

比较适合企业开发者将内部服务 MCP 化，或技术团队接入外部服务做统一封装。一句话总结就是：

以前做一个“插件”要写代码、跑服务、调结构，现在开个服务就是点几下配置。

03｜MCP 和 Plugin 的区别

我相信，很多人还会有个反应：这不就是 Plugin？

对此，我也特意和百炼的朋友聊了这个问题，得到的回答很明确：

Plugin 是为某个模型写的私有接口描述；MCP 是跨模型、跨平台可复用的通用协议。

差别主要体现在三个层面：

协议开放性

Plugin 是各厂商其自己模型设计的，无法直接复用到其他模型平台。而 MCP 的目标是让所有模型理解同一种“服务语言”。无论 Claude、GPT、百炼自有模型，理论上都能读懂相同的 MCP 接口描述，并做出合理调度。

服务部署方式

Plugin 开发者需要自己部署服务，并管理调用、安全、负载等细节。MCP 在百炼的实现中，服务由平台托管，开发者只需提供逻辑，其他都交由平台自动完成（如函数计算、鉴权转发等）。

调用范式

Plugin 更像是“硬编码调用”：定义好 schema，模型识别后调用一次函数。MCP 支持的是多步调度、多工具组合，更适合 Agent 执行复杂任务时使用。

写在最后：从工程对接，到能力平台

在 MCP 之前，让 AI 调用外部工具，更像是一项繁琐的工程任务，你需要写描述、调接口、配参数、部署服务等等...现在，这些正在被重新定义为一种标准化的、平台化的能力。

在我看来，这是一种焦点的转移：

• • 过去，重心在“人”：工具主要服务于开发者，AI 需要被动适应。
• • 现在，重心在“AI”：服务被设计成易于 AI 理解和使用，主动拥抱模型。

非常有趣。