OpenAPI-MCP-Generator 项目:如何通过编程方式生成 MCP 工具定义
2025-06-09 23:36:24作者:管翌锬
项目概述
OpenAPI-MCP-Generator 是一个强大的工具,它能够将标准的 OpenAPI 规范转换为 MCP(Machine-Callable Procedures)工具定义。这种转换使得开发者可以更方便地将现有的 RESTful API 集成到各种自动化工作流和工具链中。
安装与基础使用
要开始使用这个工具,首先需要通过包管理器安装:
npm install openapi-mcp-generator
安装完成后,你可以通过简单的导入语句来使用核心功能:
import { getToolsFromOpenApi } from 'openapi-mcp-generator';
核心 API 详解
getToolsFromOpenApi 函数
这是该工具的核心函数,负责从 OpenAPI 规范中提取 MCP 工具定义。
函数签名:
getToolsFromOpenApi(specPathOrUrl: string, options?: Options): Promise<McpToolDefinition[]>
参数说明:
specPathOrUrl:可以是本地 OpenAPI 规范文件的路径,也可以是远程规范的 URLoptions:可选配置对象,用于定制提取过程
配置选项详解:
baseUrl:覆盖 OpenAPI 规范中定义的 base URLdereference:是否解析规范中的 $ref 引用(默认 false)excludeOperationIds:要排除的操作 ID 数组filterFn:自定义过滤函数,用于筛选工具定义
使用示例:
// 基本用法
const tools = await getToolsFromOpenApi('./api-spec.json');
// 带配置的高级用法
const tools = await getToolsFromOpenApi('https://example.com/api-spec.json', {
baseUrl: 'https://api.example.com/v2',
dereference: true,
excludeOperationIds: ['deprecatedOperation'],
filterFn: tool => tool.method === 'get'
});
MCP 工具定义结构解析
每个 MCP 工具定义都包含以下关键属性:
- name:工具的唯一名称
- description:人类可读的描述信息
- inputSchema:定义输入参数的 JSON Schema
- method:HTTP 方法(get/post/put/delete 等)
- pathTemplate:带有参数占位符的 URL 路径模板
- parameters:OpenAPI 参数对象数组
- executionParameters:执行时需要的参数名称和位置信息
- requestBodyContentType:请求体的内容类型(如适用)
- securityRequirements:操作的安全要求
- operationId:原始 OpenAPI 规范中的操作 ID
- baseUrl:API 的基础 URL(如可用)
高级过滤技巧
按 HTTP 方法过滤
const postTools = await getToolsFromOpenApi(specUrl, {
filterFn: tool => tool.method.toLowerCase() === 'post'
});
按安全要求过滤
const secureTools = await getToolsFromOpenApi(specUrl, {
filterFn: tool => tool.securityRequirements.length > 0
});
按路径模式过滤
const productTools = await getToolsFromOpenApi(specUrl, {
filterFn: tool => tool.pathTemplate.includes('/products')
});
组合多个过滤条件
const safeProductTools = await getToolsFromOpenApi(specUrl, {
excludeOperationIds: ['deleteProduct'],
filterFn: tool =>
tool.pathTemplate.includes('/products') &&
tool.method.toLowerCase() === 'get' &&
tool.securityRequirements.length > 0
});
实际应用场景
- 自动化工作流集成:将现有 API 快速集成到自动化工作流系统中
- API 文档生成:基于 MCP 工具定义生成更丰富的文档
- API 测试自动化:利用工具定义自动生成测试用例
- 低代码平台集成:为低代码平台提供可调用的 API 操作
最佳实践建议
- 合理使用 dereference 选项:对于复杂的规范,启用此选项可以简化处理,但会增加内存使用
- 命名规范化:考虑对生成的工具名称进行后处理,确保命名一致性
- 安全考虑:特别注意处理带有安全要求的工具定义
- 性能优化:对于大型 API 规范,考虑分批处理工具定义
通过 OpenAPI-MCP-Generator,开发者可以轻松地将现有的 RESTful API 转换为更易于程序化调用的形式,大大提高了 API 在自动化场景中的可用性和集成效率。
登录后查看全文
热门项目推荐
GLM-5.1GLM-5.1是智谱迄今最智能的旗舰模型,也是目前全球最强的开源模型。GLM-5.1大大提高了代码能力,在完成长程任务方面提升尤为显著。和此前分钟级交互的模型不同,它能够在一次任务中独立、持续工作超过8小时,期间自主规划、执行、自我进化,最终交付完整的工程级成果。Jinja00
MiniMax-M2.7MiniMax-M2.7 是我们首个深度参与自身进化过程的模型。M2.7 具备构建复杂智能体应用框架的能力,能够借助智能体团队、复杂技能以及动态工具搜索,完成高度精细的生产力任务。Python00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
HY-Embodied-0.5这是一套专为现实世界具身智能打造的基础模型。该系列模型采用创新的混合Transformer(Mixture-of-Transformers, MoT) 架构,通过潜在令牌实现模态特异性计算,显著提升了细粒度感知能力。Jinja00
LongCat-AudioDiT-1BLongCat-AudioDiT 是一款基于扩散模型的文本转语音(TTS)模型,代表了当前该领域的最高水平(SOTA),它直接在波形潜空间中进行操作。00
ERNIE-ImageERNIE-Image 是由百度 ERNIE-Image 团队开发的开源文本到图像生成模型。它基于单流扩散 Transformer(DiT)构建,并配备了轻量级的提示增强器,可将用户的简短输入扩展为更丰富的结构化描述。凭借仅 80 亿的 DiT 参数,它在开源文本到图像模型中达到了最先进的性能。该模型的设计不仅追求强大的视觉质量,还注重实际生成场景中的可控性,在这些场景中,准确的内容呈现与美观同等重要。特别是,ERNIE-Image 在复杂指令遵循、文本渲染和结构化图像生成方面表现出色,使其非常适合商业海报、漫画、多格布局以及其他需要兼具视觉质量和精确控制的内容创作任务。它还支持广泛的视觉风格,包括写实摄影、设计导向图像以及更多风格化的美学输出。Jinja00
热门内容推荐
最新内容推荐
Unity资源提取全攻略:从格式壁垒到资产复用的技术突破掌控Ryzen处理器性能:RyzenAdj深度调校指南Screenbox媒体播放器:重构UWP平台的智能播放体验抖音直播回放下载:技术赋能内容留存的4个实施框架突破显示瓶颈:d2dx让暗黑破坏神2在现代PC焕发新生解放学术生产力:Zotero Duplicates Merger智能去重全攻略5步解锁Mac NTFS全功能:面向跨平台工作者的开源解决方案HMCL启动器配置指南:从基础安装到高级自定义的全流程解析如何用DsHidMini驱动轻松焕新PS3手柄:让旧手柄在Windows系统重获新生KK-HF Patch新手入门:7步打造完美游戏体验
项目优选
收起
暂无描述
Dockerfile
675
4.32 K
deepin linux kernel
C
28
16
Ascend Extension for PyTorch
Python
517
627
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
947
886
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
398
302
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.56 K
909
暂无简介
Dart
921
228
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.07 K
559
昇腾LLM分布式训练框架
Python
142
169
Oohos_react_native
React Native鸿蒙化仓库
C++
335
381