乐于分享
好东西不私藏

别再把 MCP 当插件了:小团队先做这张权限表

别再把 MCP 当插件了:小团队先做这张权限表
 

别再把 MCP 当插件了:小团队先做这张权限表

 
   
     

熊二编程 · 技术专栏

     

MCP 接入前检查

     

先分清读、写、触发、授权

   
     
 
   

一句话:MCP 不是给 AI 装插件这么简单,它是在给 AI 开工具口。小团队最先该做的不是多接几个 server,而是列出一张权限表。

 
 

最近查 MCP 相关文档时,我发现一个很值得警惕的变化:OpenAI Agents SDK、Claude Code、GitHub Copilot、Cloudflare 这类平台,都在把 MCP 当成 AI 连接外部工具的通用入口。

 

这本身是好事。以前你把 Jira、GitHub、数据库、监控、微信后台的信息复制进聊天框,AI 只能根据你贴的材料回答。接上 MCP 以后,它可以直接读系统、调用 API、触发工作流,甚至代替你完成一段跨工具操作。

 

问题也在这里。当 AI 从“会说”变成“会动手”,权限就变成产品问题,不只是技术配置。

 
       
安装前先回答:这个 MCP server 能读什么、能写什么、用谁的身份、是否能触发外部动作、出错后能不能回滚?
 
 
   
     

01

     

WHY

   
       
     

MCP 改变的是动作边界

     

不只是“给模型更多上下文”。

   
 
 

MCP 官方文档把 tools 描述成可以被语言模型调用的能力,比如查询数据库、调用 API、执行计算。也就是说,MCP 不是只给模型一段资料,它会把真实系统的动作暴露给模型。

 

这也是为什么官方规范里反复出现人类确认、工具可见、输入展示、审计日志、访问控制这些词。因为一旦工具能改 issue、发消息、查客户、创建草稿、跑支付,AI 的一次“理解错误”就不再只是回答错了。

 
               从聊天到动作的变化            聊天框      只回答                        MCP 工具      能调用                        外部系统      仓库、数据库、工单、监控、支付、公众号后台                    

示意图:真正的风险来自工具和账号权限的组合。

 
 
   

不要误会:这篇不是反对 MCP。恰恰相反,MCP 会成为 AI 工程化的重要入口。只是越有用的工具,越不能按浏览器插件的心态安装。

 
 
   
     

02

     

TABLE

   
       
     

小团队先做四层权限表

     

别从安装命令开始,从动作分级开始。

   
 
 

如果团队只有两三个人,最实用的做法不是一上来设计复杂安全平台,而是先把每个 MCP server 按四层登记。谁能看懂这张表,谁才有资格点安装。

 
   
     

1读数据

     

例子:读 issue、查文档、看监控、查数据库。默认策略:先只读,记录数据范围,敏感数据脱敏后再给 AI。

   
   
     

2写数据

     

例子:改 issue、写评论、创建文档、修改配置。默认策略:需要确认,写入前显示字段、对象、差异和回滚办法。

   
   
     

3触发动作

     

例子:发邮件、合并 PR、部署、推送公众号草稿、调用支付。默认策略:人类审批,禁止静默执行。

   
   
     

4账号和钱

     

例子:生产库、客户资料、支付、云账号、私有仓库 token。默认策略:不用个人主账号,拆最小权限账号,先沙盒后生产。

   
 
 
   

你不需要一开始就做“AI 安全治理体系”。

   

但你至少要知道:AI 现在能代表谁,动哪里,留下什么痕迹。

 
 
   
     

03

     

FLOW

   
       
     

真正的接入顺序

     

先只读,再写入,最后才自动化。

   
 
 
               MCP 小团队接入顺序                  列工具            只读试跑            确认写入            日志审计            再自动化            任何一步解释不清,都不要进入下一步      
 
   
     

第一步:先列工具清单。不要只写 server 名,要写每个 tool 的动作,例如 read_issue、create_comment、query_db、send_message。

   
   
     

第二步:先只读试跑。让 AI 查询、总结、对照,先不要让它修改、发送、删除、部署。

   
   
     

第三步:写入必须确认。确认页至少展示对象、字段、差异、影响范围和操作者身份。

   
   
     

第四步:日志要能追。工具被谁调用、传了什么参数、返回了什么、最后有没有写入,都应该能查。

   
   
     

第五步:最后才考虑自动化。能人工确认跑通三五次,再把低风险动作交给 AI 自动做。

   
 
 
   
     

04

     

RULE

   
       
     

三个不要碰的红线

     

这些不是小心一点就行,而是应该直接禁掉。

   
 
 
   
     

红线 1:不要把个人主账号 token 直接写进项目共享配置。尤其是会进版本库的 `.mcp.json`、`.vscode/mcp.json` 或团队模板。

   
   
     

红线 2:不要让一个会读外部不可信内容的工具,同时拥有发送消息、导出数据、删除记录或生产写入权限。

   
   
     

红线 3:不要把“安装了官方或知名 server”当成安全证明。工具描述、输入、输出和权限组合,都要按自己的业务场景复核。

   
 
 

GitHub 文档里有一个细节很有代表性:组织或企业可以通过策略控制成员是否使用 MCP,而且策略默认是关闭的。Claude Code 也把 MCP 配置分成 local、project、user 等作用域。OpenAI Agents SDK 里也能做 tool filtering 和 require_approval。

 

这些不是文档里的装饰项。它们共同说明一件事:成熟平台并不默认假设“工具越多越好”,而是在给开发者留出限制工具、审批工具、按身份授权的接口。

 
   

小团队的最低可用配置

   

第一批 MCP,只接一个系统,只开放只读工具,只用测试账号,只在开发环境跑。

   

确认价值以后,再逐步开放写入,并把每个写入动作放到人工确认或审批日志后面。

 
 
   
     

05

     

ASK

   
       
     

判断一个 MCP 值不值得接

     

用业务问题筛掉炫技。

   
 
 

我建议小团队用三个问题筛选:

 
   
     

它能省掉哪种重复劳动?例如每天复制错误日志、查工单、整理客户反馈、更新草稿。

   
   
     

它错了会造成什么损失?是多读了一段无关信息,还是发错消息、删错数据、动了生产环境?

   
   
     

不用 MCP 有没有更简单办法?如果一次性导出 CSV、只读 API、脚本报表就够了,不要为了“Agent 化”增加长期风险。

   
 
 
   

今天可以直接保存的清单

   

每接一个 MCP server,就写 6 行:系统名称、可读数据、可写动作、触发外部动作、使用身份、审批和日志。少一行,就先不要接生产。

 
 
   

写在最后

   

MCP 会让 AI 从“会建议”变成“会操作”。这一步很重要,也很危险。

   

真正会用 AI 的团队,不是接了最多工具的团队,而是知道每个工具该在什么边界里工作的团队。

 
 
   

评论区聊一个具体问题

   

如果你现在只能给 AI 接一个 MCP,你会优先接 GitHub、数据库、Notion、监控、公众号后台,还是支付系统?为什么?

 
 
   

参考来源

   

MCP Tools: https://modelcontextprotocol.io/specification/2025-06-18/server/tools

   

OpenAI Agents SDK MCP: https://openai.github.io/openai-agents-python/mcp/

   

Claude Code MCP: https://docs.anthropic.com/en/docs/claude-code/mcp

   

GitHub Copilot MCP: https://docs.github.com/en/copilot/how-tos/provide-context/use-mcp-in-your-ide/extend-copilot-chat-with-mcp

   

Cloudflare MCP Authorization: https://developers.cloudflare.com/agents/model-context-protocol/protocol/authorization/

 
 
   #AI编程    #MCP    #开发者工具    #小团队工程化