摘要：本文以企业数据 MCP 的一次架构升级为例，记录从“大工具”拆分到原子化工具体系的设计思路，并介绍 MCP 在企业主体、风险、经营、财务和知识产权数据上的组织方式，以及支持 MCP 的 AI 应用如何完成连接、工具发现与自然语言调用。重点讨论工具粒度、查询精度和接入流程，不涉及商业套餐或推广信息。

1. 为什么要重构企业数据 MCP 的工具粒度

在企业数据场景中，用户提出的问题通常很具体，例如“查询股东信息”“核查被执行记录”“查看企业专利”。如果一个工具同时返回大量无关数据，模型虽然拿到了更多信息，但也会带来两个问题：一是上下文中混入大量非目标字段，增加模型筛选成本；二是不同业务场景复用同一“大工具”时，调用结果不够稳定，难以做到按需查询。

因此，2.0 版本的重点不是简单增加数据量，而是重新划分工具边界：把企业查询能力拆成更细的原子化 Tool，让模型根据用户意图选择对应工具。这样可以把“先返回一大包数据，再让模型筛选”的方式，改为“先识别需求，再调用最匹配的工具”。

2. 2.0 的整体工具架构

当前工具体系按数据域拆分为 5 类 MCP Server，共 54 个原子化工具。五类服务分别覆盖企业主体、风险信息、经营情况、财务数据和知识产权。每个 Server 独立暴露一组 Tool，AI 客户端连接后可通过 MCP 标准机制发现工具列表，并根据当前任务选择调用。

服务	标识	工具数	主要覆盖内容
企业主体	Company	8	工商登记、股东、分支机构、历史变更、对外投资等
风险信息	Risk	26	司法涉诉、执行、经营异常、行政处罚、股权冻结等
经营情况	Operation	11	行政许可、资质、招投标、招聘、融资、舆情等
财务数据	Finance	4	核心财务指标及上市公司三大财务报表
知识产权	IPR	5	专利、商标、软件著作权、作品著作权、网络备案

图 1  企业数据 MCP 的五类服务与 54 个工具

3. 原子化工具如何改善查询精度

3.1 企业主体查询

企业主体服务负责主体识别和基础信息查询。例如，当用户输入企业简称时，可以先通过“企业精准匹配”确定目标主体，再根据任务调用“核心登记信息”“股东信息”“历史变更记录”或“对外投资”等工具。主体识别与后续查询分开后，可以减少简称、同名企业带来的匹配偏差。

3.2 风险信息查询

风险服务包含 26 个工具，覆盖失信被执行、被执行人、限制高消费、终本案件、立案、开庭、裁判文书、经营异常、行政处罚、税务风险、股权冻结与出质等信息。拆分后，用户如果只关心“是否存在限制高消费”，模型无需同时拉取全部司法风险数据；如果任务是生成风险分析，则可以组合多个风险工具完成查询。

3.3 经营、财务和知识产权

经营情况服务用于补充企业经营活跃度和资质情况，例如招投标、招聘、融资、信用评级、行政许可等；财务服务面向适用企业提供核心财务数据及资产负债表、利润表、现金流量表；知识产权服务则覆盖专利、商标、著作权和网络备案。不同数据域独立后，模型可以按任务组合调用，而不必每次都获取全量企业信息。

4. MCP 接入流程：从配置到自然语言调用

接入方式遵循标准 MCP 客户端流程。用户先在服务端生成 API Key 和对应的 MCP JSON 配置，再将配置导入支持 MCP 的 AI 应用或 Agent 平台。以 WorkBuddy 一类客户端为例，配置通常位于“连接器 / MCP 服务管理”中；保存并确认信任后，客户端即可加载已配置 Server 的工具。

连接完成后，使用者不需要手写 HTTP 请求，也不必直接操作每个底层接口。可以直接用自然语言描述任务，例如：“查询某公司的工商和股东信息”或“分析某公司的主要司法风险”。模型根据意图选择工具，并把工具返回的数据整理为适合阅读的结果。

一个典型调用链

以“查询某公司的工商和股东信息”为例，调用过程可以拆成三步：首先进行企业精准匹配，确认主体；随后调用核心登记信息获取法定代表人、注册资本、成立日期、经营状态等数据；最后调用股东信息获取股东及出资情况。模型在完成多个 Tool 调用后，再把结果合并为一份结构化回复。

5. 适合 MCP 的企业数据任务

从工具编排角度看，企业数据 MCP 更适合“一个问题需要多类数据共同支撑”的任务。例如企业风险分析可能同时使用主体信息和多项司法风险工具；投资尽调可能继续加入经营、财务和知识产权数据；供应商审核则可能组合工商、资质、行政处罚和经营异常等信息。MCP 的价值在于把这些能力以统一工具协议暴露给模型，让模型根据上下文决定调用顺序和组合方式。

6. 升级后的设计取舍

原子化工具并不是越多越好。工具拆分过细，会增加模型选择成本；拆分过粗，又会重新出现返回内容冗余的问题。当前 54 个工具的划分思路是尽量让“一个明确的企业查询意图”对应一个工具，同时把跨维度的分析交给模型在上层编排。

从工程实践看，这种设计把职责分成两层：MCP Server 负责提供结构化、可调用的数据能力；AI 应用负责理解用户意图、选择工具、组合查询结果并生成最终表达。这样既保留了数据工具的确定性，也利用了大模型在任务理解和结果组织上的优势。

7. 小结

这次企业数据 MCP 的升级重点可以概括为三点：第一，把原先较笼统的查询能力拆成 5 类 Server、54 个原子化工具；第二，通过更清晰的工具边界减少无关数据返回，让模型按需调用；第三，使用标准 MCP 配置，让支持 MCP 的 AI 应用在连接后直接通过自然语言完成工具编排。对于企业数据这类维度多、查询目标差异大的场景，工具粒度和编排方式往往比“单次返回更多数据”更值得关注。

前往 质数幻方 - MCP 服务管理平台 ，开启企业数据智能查询体验。