1. 为什么我要自己动手写一个 MCP

1.1 从一次加班到凌晨的 Excel 说起

上个月底，财务部门丢过来一个压缩包，里面是十二个分公司的销售明细表，每个表的结构还不太一样——有的用“销售额”，有的用“成交金额”，有的干脆把日期和订单号塞在同一列里。需求听起来很简单：合并成一张总表，按月份和产品线做透视，再生成一份带图表的汇总报告。我打开第一个文件的时候还觉得今晚十点前能收工，结果光是处理合并单元格和日期格式就耗到了凌晨两点。

这种场景我相信做数据处理的同行都不陌生。Excel 本身是个极好的工具，但一旦涉及跨文件、跨表、结构不统一的批量处理，手工操作就变成了纯粹的体力消耗。更麻烦的是，这类工作往往每周、每月都要重复一遍，每次都要重新踩一遍坑。

后来我开始用 Python 写脚本来自动化这些流程，pandas 加 openpyxl 的组合确实能解决大部分问题。但新的问题又来了：脚本越写越多，每个脚本都是针对特定文件结构硬编码的，换个数据源就得改代码。而且这些脚本散落在各个文件夹里，时间一长自己都忘了哪个是哪个。我需要一个更统一的入口，让 AI 能够理解我的意图，自动调用合适的处理逻辑。

这就是我开始研究 MCP 的起点。MCP 全称 Model Context Protocol，是一个让 AI 模型能够与外部工具、数据源进行标准化交互的协议。你可以把它理解成 AI 世界的 USB-C 接口——不管对面是数据库、文件系统还是某个具体的业务 API，只要按照 MCP 的规范封装好，AI 就能直接调用。对于我这种需要频繁处理 Excel 的人来说，这意味着我可以把常用的数据处理能力封装成 MCP 服务，然后让 AI 根据自然语言指令自动完成整个工作流。

1.2 MCP 到底解决了什么实际问题

在没有 MCP 之前，如果我想让 AI 帮我处理 Excel，通常有几种做法。第一种是把文件内容粘贴到对话框里，让 AI 给出处理建议或者生成代码，然后我再手动运行代码。这种方式的问题是 AI 看不到完整的文件结构，只能基于我粘贴的片段做判断，而且每次都要重复粘贴。第二种是写一个完整的 Python 脚本，把 AI 的调用嵌进去，但这样又变成了传统的程序开发，失去了 AI 灵活理解意图的优势。

MCP 的思路不一样。它把“能力”和“调用方式”分开：我只需要把 Excel 处理的能力按照 MCP 协议封装成一个服务端，AI 客户端就能自动发现这些能力，并根据我的自然语言描述来决定调用哪个工具、传什么参数。整个过程我不需要写死任何调用逻辑，AI 会根据上下文动态决策。

举个例子，我可以封装三个 MCP 工具：读取 Excel 结构、按条件筛选数据、生成透视汇总。当我说“把上个月销售额超过十万的订单找出来，按区域汇总”时，AI 会自动先调用读取工具了解表结构，再调用筛选工具过滤数据，最后调用汇总工具生成结果。我只需要用日常语言描述需求，剩下的编排工作交给 AI。

这种模式特别适合处理那些“每次都不太一样”的任务。比如同样是合并报表，这个月多了两个分公司，下个月某个分公司换了列名，传统脚本需要改代码，而 MCP 方案只需要 AI 重新理解一次表结构就行。

1.3 适合哪些人参考这套方案

这篇文章主要面向有一定 Python 基础、日常需要处理 Excel 数据、并且对 AI 辅助工作流感兴趣的读者。你不需要是 MCP 协议的专家，也不需要深入理解底层的通信机制，只要会写基本的 Python 函数，就能跟着我把第一个 MCP 服务跑起来。

如果你是完全的 Python 新手，建议先花半小时了解一下 pip 安装、虚拟环境创建和基本的文件读写操作，这些是后续所有步骤的基础。如果你已经用过 pandas 或者 openpyxl，那整个过程会非常顺畅。至于 AI 客户端的选择，我后面会给出具体的配置方法，你只需要有一个支持 MCP 协议的客户端就行。

2. 动手之前的整体设计思路

2.1 为什么选择 Python 作为 MCP 服务的实现语言

MCP 协议本身是语言无关的，理论上用任何语言都能实现。我选择 Python 主要有三个原因。第一，Excel 处理生态在 Python 里最成熟，pandas、openpyxl、xlrd 这些库经过多年迭代，稳定性和功能覆盖都没得说。第二，MCP 的官方 SDK 对 Python 支持得很好，封装程度高，不需要自己处理底层的 JSON-RPC 通信细节。第三，Python 的代码可读性强，后续如果要调整工具逻辑，改起来很快。

如果你更熟悉 JavaScript 或者 Go，也完全可以用对应的 SDK 来实现，核心思路是一样的。但考虑到 Excel 处理的场景，Python 的库生态优势太明显了，我建议还是用 Python 起步。

2.2 工具拆分的粒度怎么把握

这是设计 MCP 服务时最关键的一个决策。工具拆得太细，AI 需要调用很多次才能完成一个任务，效率低而且容易出错；拆得太粗，一个工具承担了太多职责，参数复杂，AI 理解起来也困难。

我的经验是：每个工具只做一件明确的事，但这件事的边界要足够清晰。比如“读取 Excel 文件”和“筛选数据”应该分开，因为读取是获取原始信息，筛选是基于条件的变换。但“筛选数据”和“排序数据”可以合并成一个“查询数据”工具，因为它们本质上都是对数据集的查询操作，只是条件不同。

具体到 Excel 处理场景，我最终设计了四个核心工具：

这四个工具覆盖了从读取到输出的完整链路，每个工具的职责都很单一，AI 编排起来逻辑清晰。后续如果要扩展，比如加一个“生成图表”的工具，直接新增就行，不影响已有的工具。

2.3 通信方式的选择：stdio 还是 SSE

MCP 协议支持多种传输方式，最常用的是 stdio（标准输入输出）和 SSE（Server-Sent Events）。stdio 方式下，MCP 客户端会启动服务端进程，通过标准输入输出流进行通信。SSE 方式下，服务端是一个独立的 HTTP 服务，客户端通过网络连接。

对于个人使用场景，我强烈建议用 stdio。原因很简单：配置方便，不需要额外管理端口和进程，客户端启动时自动拉起服务端，关闭时自动结束。SSE 方式更适合团队共享或者需要远程调用的场景，但会引入网络配置、认证、进程守护等一系列额外问题。

我一开始用的是 SSE，想着以后可以给同事共享，结果光是在不同机器上配置环境就折腾了半天。后来换回 stdio，整个世界都清净了。所以除非你确实有远程调用的需求，否则 stdio 是更务实的选择。

3. 环境搭建与核心依赖安装

3.1 Python 环境的准备与常见坑

首先确认你的 Python 版本。MCP 的 Python SDK 要求 Python 3.10 及以上，我建议直接用 3.11 或 3.12，兼容性最好。在命令行里运行python --version确认版本，如果低于 3.10，先去官网下载新版安装。

安装的时候有一个坑要注意：Windows 上如果从 Microsoft Store 安装 Python，有时候会出现权限问题，导致后续 pip 安装库的时候报错。我建议直接从 python.org 下载安装包，安装时勾选“Add Python to PATH”，这样后续在命令行里调用会方便很多。

虚拟环境是必须的。不同项目依赖的库版本可能冲突，用虚拟环境隔离是最稳妥的做法。创建和激活虚拟环境的命令如下：

# 创建虚拟环境 python -m venv mcp-excel-env # Windows 激活 mcp-excel-env\Scripts\activate # macOS/Linux 激活 source mcp-excel-env/bin/activate

激活后命令行前面会出现(mcp-excel-env)的标识，说明已经进入虚拟环境。后续所有安装操作都在这个环境下进行。

3.2 安装 MCP SDK 和 Excel 处理库

核心依赖就两个：MCP 的 Python SDK 和 pandas。openpyxl 是 pandas 读写 xlsx 文件的底层依赖，安装 pandas 时会自动带上，但有时候版本不匹配会导致读取报错，所以我会显式指定一下。

pip install mcp pandas openpyxl

如果你需要处理老版本的 xls 文件，还需要额外安装 xlrd：

pip install xlrd

安装完成后可以跑一个简单的验证脚本，确认 pandas 能正常读写 Excel：

import pandas as pd # 创建一个测试数据 df = pd.DataFrame({ '日期': ['2024-01-01', '2024-01-02'], '产品': ['A', 'B'], '销售额': [1000, 2000] }) # 写入文件 df.to_excel('test.xlsx', index=False) # 读取文件 df_read = pd.read_excel('test.xlsx') print(df_read)

如果这段代码能正常输出数据，说明环境没问题。如果报错，大概率是 openpyxl 版本问题，可以尝试pip install --upgrade openpyxl。

3.3 项目目录结构的设计

一个清晰的目录结构能让后续维护轻松很多。我的习惯是这样组织：

mcp-excel-server/ ├── server.py # MCP 服务主入口 ├── tools/ │ ├── __init__.py │ ├── reader.py # 读取相关工具 │ ├── query.py # 查询相关工具 │ └── export.py # 导出相关工具 ├── utils/ │ ├── __init__.py │ └── helpers.py # 通用辅助函数 └── requirements.txt # 依赖清单

把不同职责的工具拆到不同文件里，主入口只负责注册和启动。这样当工具数量增多时，代码不会变成一个几千行的巨型文件。对于刚开始的版本，你也可以把所有代码放在一个文件里，但一旦超过三个工具，建议还是拆开。

4. 核心工具的实现细节

4.1 读取 Excel 结构：让 AI 先“看懂”文件

这个工具是整个工作流的起点。AI 在不知道文件结构的情况下，无法生成正确的查询条件。所以读取工具需要返回足够的信息：列名、每列的数据类型、总行数、前几行样例数据。

import pandas as pd from mcp.server import Server from mcp.types import Tool, TextContent async def read_excel_structure(file_path: str) -> str: """读取 Excel 文件结构，返回列信息和样例数据""" try: df = pd.read_excel(file_path, nrows=100) # 构建列信息 columns_info = [] for col in df.columns: dtype = str(df[col].dtype) non_null = df[col].notna().sum() sample = df[col].dropna().head(3).tolist() columns_info.append({ 'name': col, 'type': dtype, 'non_null_count': int(non_null), 'sample_values': sample }) # 获取总行数（不加载全部数据） total_rows = len(pd.read_excel(file_path, usecols=[0])) result = { 'file_path': file_path, 'total_rows': total_rows, 'columns': columns_info } return json.dumps(result, ensure_ascii=False, indent=2) except Exception as e: return f"读取文件失败: {str(e)}"

这里有几个细节值得说明。第一，我用nrows=100只读取前一百行来获取结构信息，避免大文件加载过慢。第二，获取总行数时用usecols=[0]只加载第一列，这样内存占用最小。第三，样例数据取每列的前三个非空值，让 AI 能直观看到数据长什么样。

注意：如果 Excel 文件有多个 sheet，需要在参数里增加 sheet_name，默认读取第一个 sheet。有些文件第一个 sheet 是说明页，实际数据在第二个 sheet，这种情况如果不指定就会读错。

4.2 查询工具：把自然语言条件翻译成数据操作

查询工具的核心是把 AI 传来的条件转换成 pandas 的筛选逻辑。这里的设计难点在于：AI 传来的条件格式需要足够灵活，能表达等于、大于、包含、区间等多种操作。

我定义了一套简单的条件描述格式，用 JSON 数组表示多个条件的组合：

[ {"column": "销售额", "operator": "gt", "value": 10000}, {"column": "区域", "operator": "in", "value": ["华东", "华南"]} ]

支持的 operator 包括：eq（等于）、ne（不等于）、gt（大于）、gte（大于等于）、lt（小于）、lte（小于等于）、in（在列表中）、contains（包含字符串）、between（区间）。

def apply_filters(df: pd.DataFrame, filters: list) -> pd.DataFrame: """根据条件列表筛选数据""" result = df.copy() for f in filters: col = f['column'] op = f['operator'] val = f['value'] if col not in result.columns: raise ValueError(f"列不存在: {col}") if op == 'eq': result = result[result[col] == val] elif op == 'ne': result = result[result[col] != val] elif op == 'gt': result = result[result[col] > val] elif op == 'gte': result = result[result[col] >= val] elif op == 'lt': result = result[result[col] < val] elif op == 'lte': result = result[result[col] <= val] elif op == 'in': result = result[result[col].isin(val)] elif op == 'contains': result = result[result[col].astype(str).str.contains(str(val), na=False)] elif op == 'between': result = result[(result[col] >= val[0]) & (result[col] <= val[1])] else: raise ValueError(f"不支持的操作符: {op}") return result

这个实现看起来简单，但实际使用中有一个坑：数值比较时，如果 Excel 里的数字被读成了字符串，>操作会报错。我的处理方式是在筛选前先尝试把目标列转成数值类型，如果转换失败就保持原类型并给出提示。

另一个坑是日期比较。Excel 里的日期格式五花八门，有的是2024-01-01，有的是2024/1/1，还有的是 Excel 内部的序列号。pandas 的to_datetime能处理大部分情况，但遇到混合格式会报错。我的做法是先用pd.to_datetime尝试转换，如果失败就保持字符串比较，并在返回结果里提示 AI 日期格式可能有问题。

4.3 汇总工具：分组聚合的灵活实现

汇总工具需要支持按一个或多个字段分组，对指定字段做求和、计数、平均、最大、最小等聚合操作。参数设计上，我用两个列表来分别描述分组字段和聚合配置：

async def aggregate_data( file_path: str, group_by: list, aggregations: list, filters: list = None ) -> str: """ 分组汇总数据 group_by: 分组字段列表，如 ["区域", "产品线"] aggregations: 聚合配置，如 [ {"column": "销售额", "function": "sum", "alias": "总销售额"}, {"column": "订单号", "function": "count", "alias": "订单数"} ] """ df = pd.read_excel(file_path) if filters: df = apply_filters(df, filters) # 构建聚合字典 agg_dict = {} for agg in aggregations: col = agg['column'] func = agg['function'] alias = agg.get('alias', f"{col}_{func}") agg_dict[alias] = pd.NamedAgg(column=col, aggfunc=func) result = df.groupby(group_by).agg(**agg_dict).reset_index() return result.to_json(orient='records', force_ascii=False)

这里用pd.NamedAgg是为了支持聚合结果重命名，这样 AI 在后续引用结果时可以用更语义化的列名。比如“总销售额”比“销售额_sum”更容易理解。

实操心得：分组字段如果有空值，pandas 默认会丢弃这些行。如果业务上需要保留空值分组，要在 groupby 里加dropna=False。我一开始没注意这个参数，导致汇总结果比预期少了几行，排查了半天才发现是空值被丢了。

4.4 导出工具：把结果写回 Excel

导出工具相对简单，但有几个细节需要注意。首先是输出路径的处理，如果目录不存在需要自动创建。其次是格式控制，比如是否包含索引、日期格式、数字精度等。

async def export_result( data: str, output_path: str, sheet_name: str = "Sheet1", include_index: bool = False ) -> str: """将 JSON 数据导出为 Excel 文件""" import os import json # 确保输出目录存在 output_dir = os.path.dirname(output_path) if output_dir and not os.path.exists(output_dir): os.makedirs(output_dir, exist_ok=True) # 解析数据 records = json.loads(data) df = pd.DataFrame(records) # 写入文件 df.to_excel(output_path, sheet_name=sheet_name, index=include_index) return f"已导出 {len(df)} 行数据到 {output_path}"

如果数据量很大，写入 xlsx 格式会比较慢，因为 openpyxl 需要构建完整的 XML 结构。超过十万行的时候，我会建议 AI 改用 csv 格式输出，速度快很多。这个判断逻辑可以放在工具内部，根据数据行数自动选择格式。

5. 把工具注册到 MCP 服务

5.1 服务端主入口的编写

所有工具函数写好后，需要在主入口里注册到 MCP 服务。注册的过程就是告诉服务端：有哪些工具可用、每个工具叫什么名字、接受什么参数、返回什么内容。

import asyncio from mcp.server import Server from mcp.server.stdio import stdio_server from mcp.types import Tool, TextContent app = Server("excel-processor") @app.list_tools() async def list_tools() -> list[Tool]: return [ Tool( name="read_excel_structure", description="读取Excel文件的结构信息，包括列名、数据类型、行数和样例数据", inputSchema={ "type": "object", "properties": { "file_path": { "type": "string", "description": "Excel文件的完整路径" } }, "required": ["file_path"] } ), Tool( name="query_data", description="按条件筛选和排序Excel数据", inputSchema={ "type": "object", "properties": { "file_path": {"type": "string"}, "filters": { "type": "array", "items": { "type": "object", "properties": { "column": {"type": "string"}, "operator": {"type": "string"}, "value": {} } } }, "sort_by": {"type": "string"}, "sort_order": {"type": "string", "enum": ["asc", "desc"]}, "limit": {"type": "integer"} }, "required": ["file_path"] } ), # ... 其他工具注册 ] @app.call_tool() async def call_tool(name: str, arguments: dict) -> list[TextContent]: if name == "read_excel_structure": result = await read_excel_structure(arguments["file_path"]) elif name == "query_data": result = await query_data(**arguments) elif name == "aggregate_data": result = await aggregate_data(**arguments) elif name == "export_result": result = await export_result(**arguments) else: result = f"未知工具: {name}" return [TextContent(type="text", text=result)] async def main(): async with stdio_server() as (read_stream, write_stream): await app.run(read_stream, write_stream, app.create_initialization_options()) if __name__ == "__main__": asyncio.run(main())

inputSchema的定义很关键，它决定了 AI 能否正确理解每个参数的含义和格式。description 要写得足够清晰，让 AI 知道这个参数是干什么的、什么情况下需要传。比如 filters 参数的 description 应该说明支持哪些操作符、value 的格式是什么样的。

5.2 在 AI 客户端中配置 MCP 服务

不同的 AI 客户端配置方式略有差异，但核心都是告诉客户端：有一个 MCP 服务，通过什么命令启动，工作目录在哪里。以常见的配置文件为例：

{ "mcpServers": { "excel-processor": { "command": "python", "args": ["/path/to/mcp-excel-server/server.py"], "env": { "PYTHONPATH": "/path/to/mcp-excel-server" } } } }

如果你用的是虚拟环境，command 需要指向虚拟环境里的 python 解释器，比如/path/to/mcp-excel-env/bin/python（macOS/Linux）或C:\path\to\mcp-excel-env\Scripts\python.exe（Windows）。

配置完成后重启客户端，如果一切正常，客户端会显示已连接的 MCP 服务，并且能看到注册的工具列表。这时候你就可以用自然语言让 AI 调用这些工具了。

常见问题：如果客户端启动后没有显示 MCP 服务，先检查 python 路径是否正确，再检查 server.py 是否能独立运行。可以在命令行里直接执行python server.py，如果报错会直接显示出来，比在客户端里排查方便得多。

6. 完整工作流实战演示

6.1 场景设定：合并多个月度报表

假设我有三个 Excel 文件，分别是 1 月、2 月、3 月的销售明细，每个文件的列名略有差异。我需要把它们合并成一张总表，按产品线汇总销售额，并导出结果。

在没有 MCP 之前，我需要写一个脚本，手动处理列名映射、合并、分组、导出。有了 MCP 之后，我只需要在 AI 客户端里描述需求，AI 会自动编排工具调用。

第一步，我先让 AI 了解每个文件的结构：

请读取 data/2024-01.xlsx、data/2024-02.xlsx、data/2024-03.xlsx 这三个文件的结构。

AI 会依次调用 read_excel_structure 工具，返回每个文件的列名和样例数据。假设返回结果显示：1 月文件有“产品线”“销售额”“日期”三列，2 月文件有“产品”“成交额”“日期”三列，3 月文件有“产品线”“销售额”“月份”三列。

第二步，我告诉 AI 列名映射关系：

2 月文件的“产品”对应“产品线”，“成交额”对应“销售额”。3 月文件的“月份”对应“日期”。请分别读取这三个文件，统一列名后合并。

AI 会调用 query_data 工具读取每个文件的数据，然后在返回结果的基础上做列名统一。这里有一个细节：query_data 返回的是 JSON 格式的数据，AI 需要在内存中做列名映射，而不是让工具去做。这是因为列名映射的逻辑是业务层面的，不适合硬编码在工具里。

第三步，让 AI 做汇总：

按产品线汇总销售额，计算每个产品线的总销售额和订单数。

AI 会调用 aggregate_data 工具，传入 group_by=["产品线"]，aggregations=[{"column": "销售额", "function": "sum", "alias": "总销售额"}, {"column": "订单号", "function": "count", "alias": "订单数"}]。

第四步，导出结果：

把汇总结果导出到 output/summary.xlsx。

AI 调用 export_result 工具，把上一步的汇总数据写入指定路径。

整个过程中，我没有写一行代码，只是用自然语言描述了需求。AI 根据每个工具的 description 和 inputSchema 自动决定了调用顺序和参数。这就是 MCP 的价值所在：把固定的能力封装好，让 AI 负责灵活的编排。

6.2 处理过程中的参数计算与选择

在实际操作中，有几个参数需要根据数据情况动态调整。比如读取文件时，如果文件很大，nrows=100可能不够，需要增加到 500 或 1000 才能让 AI 看到足够的数据特征。我的经验是：如果文件列数少于 20 列，100 行样例足够；如果列数很多或者数据类型复杂，增加到 500 行。

再比如汇总时的聚合方式选择。如果销售额列有负数（退款），求和结果可能比预期小，这时候需要确认业务上是否应该取绝对值还是保留负数。这个判断 AI 做不了，需要我在指令里明确说明。

还有一个容易忽略的参数是日期范围。如果三个文件的时间范围有重叠，合并后会出现重复数据。我通常会在合并前先让 AI 检查每个文件的日期范围，确认没有重叠后再合并。这个检查可以通过 query_data 工具实现：按日期排序，取第一条和最后一条记录。

6.3 实操现场记录与结果验证

跑完整个流程后，我会做几个验证。第一，检查总行数是否等于三个文件行数之和。第二，抽查几个产品线的汇总数据，手工计算一遍确认无误。第三，检查导出文件的格式是否正确，特别是数字列有没有变成文本。

有一次我发现汇总结果里某个产品线的销售额明显偏低，排查后发现是 2 月文件的“成交额”列里有几个单元格是文本格式的数字，pandas 读取时当成了字符串，求和时被跳过了。解决办法是在读取后强制转换类型：df['成交额'] = pd.to_numeric(df['成交额'], errors='coerce')。这个转换逻辑我后来加到了 query_data 工具里，作为可选参数coerce_numeric，默认开启。

7. 常见问题与排查技巧

7.1 工具调用失败的高频原因

在实际使用中，工具调用失败最常见的原因有三类：路径问题、参数格式问题、数据类型问题。

路径问题通常表现为“文件不存在”。MCP 服务的工作目录和 AI 客户端的工作目录可能不一致，所以文件路径最好用绝对路径。如果必须用相对路径，要确保服务端的工作目录设置正确。

参数格式问题多见于 filters 和 aggregations 这类复杂参数。AI 有时候会把 operator 写成 “greater_than” 而不是 “gt”，或者把 value 写成字符串 “10000” 而不是数字 10000。解决办法是在工具的 description 里给出明确的示例，让 AI 照着格式传参。

数据类型问题最隐蔽。比如 Excel 里的日期列，pandas 可能读成字符串，也可能读成 datetime 对象，取决于单元格格式。如果筛选条件里写的是字符串日期，而实际列是 datetime 类型，比较就会失败。我的处理方式是在 apply_filters 里做类型推断：如果列是 datetime 类型而 value 是字符串，尝试把 value 转成 datetime 再比较。

7.2 性能优化的几个实用技巧

当处理大文件时，性能问题会变得明显。以下是我实测有效的几个优化手段：

其中“关闭样式解析”这个技巧比较隐蔽。openpyxl 默认会解析单元格的样式信息，但数据处理场景根本用不到这些。可以在 read_excel 时传入engine='openpyxl'并设置read_only=True，这样读取速度会快很多。

7.3 常见问题速查表

避坑技巧：在开发阶段，建议在工具函数里加详细的日志输出，记录每次调用的参数和返回结果。这样当 AI 调用出错时，可以通过日志快速定位是参数问题还是逻辑问题。日志可以写到文件里，也可以直接输出到 stderr，stdio 模式下 stderr 不会干扰 MCP 通信。

8. 后续扩展与个人体会

这套 MCP 服务我用了大概两个月，最大的感受是：把重复性的数据处理逻辑封装成工具之后，我的工作重心从“怎么写代码”变成了“怎么描述需求”。以前遇到一个新的报表需求，我要花时间想 pandas 的 API 怎么调、参数怎么传；现在只需要把需求说清楚，AI 会自动选择合适的工具和参数。

后续我计划在这几个方向做扩展。第一是增加图表生成工具，让 AI 能直接输出带图表的 Excel 报告。第二是增加数据校验工具，在合并前自动检查列名一致性、数据类型一致性、空值比例等。第三是增加模板功能，把常用的处理流程保存成模板，下次直接调用。

如果你也想动手写自己的 MCP 服务，我的建议是从最简单的工具开始，先跑通一个“读取文件”的工具，确认整个链路没问题，再逐步增加复杂度。不要一上来就设计一个大而全的服务，那样很容易在调试环节卡住。另外，工具的 description 值得花时间打磨，它直接决定了 AI 能不能正确理解和使用你的工具。我一开始 description 写得很简略，结果 AI 经常传错参数，后来把每个参数的格式和示例都写清楚，调用成功率明显提升。

最后分享一个我在调试时常用的小技巧：在 MCP 服务里加一个echo工具，功能就是原样返回传入的参数。当 AI 调用其他工具出错时，可以先让它调用 echo 工具，确认 AI 理解的参数格式和我期望的是否一致。这个工具虽然简单，但排查参数问题时特别有用。