AI 機構客戶工作流程的 MCP 工具：以工具而非檔案交付模型

大多數 AI 機構交付一個模型。他們遞交一個 GGUF 檔案、一份部署指南、一個 Ollama 命令。客戶執行模型，在幾週內獲得價值，然後模型閒置，因為將其整合到日常工作流程中需要客戶未預算的工作量。

MCP 改變了交付模式。與其遞交模型檔案，不如遞交一個 Claude Desktop 或 Cursor 工具——一個你的客戶在 5 分鐘內安裝並每天作為其現有 AI 工作流程的自然延伸使用的已配置 MCP 伺服器。

模型在你的基礎設施上執行。你對存取收費。價值每天交付。服務費自我驗證。

機構交付的轉變

舊的交付方式： 訓練模型 → 匯出 GGUF → 撰寫部署指南 → 客戶自行弄清楚如何執行它

新的交付方式： 訓練模型 → 在你的 VPS 上部署 → 構建 MCP 伺服器 → 給客戶一個配置片段 → 客戶將其添加到 Claude Desktop → 完成

客戶的設置是 4 行 JSON 和重啟 Claude Desktop。其餘的是你要維護的基礎設施。

構建客戶就緒的 MCP 工具

架構：

客戶的 Claude Desktop / Cursor
    ↓ MCP 協議
你的 MCP 伺服器（託管在你的 VPS 上）
    ↓ HTTP
你的 Ollama 實例（託管客戶的微調模型）

MCP 伺服器處理身份驗證（客戶的 API 金鑰）、路由（根據客戶身份呼叫哪個模型）和特定於此客戶用例的工具定義。

多客戶 MCP 伺服器範本：

// agency-mcp-server.mjs
import { Server } from '@modelcontextprotocol/sdk/server/index.js';
import { StdioServerTransport } from '@modelcontextprotocol/sdk/server/stdio.js';
import { CallToolRequestSchema, ListToolsRequestSchema } from '@modelcontextprotocol/sdk/types.js';

// 客戶登錄——將 API 金鑰映射到模型名稱和工具配置
const CLIENT_CONFIG = {
  'client-a-key-xxxx': {
    modelName: 'real-estate-client-a-v3',
    tools: ['generate_listing', 'draft_followup', 'score_lead'],
    clientName: 'Sunrise Realty'
  },
  'client-b-key-yyyy': {
    modelName: 'ecommerce-client-b-v2',
    tools: ['product_description', 'support_response', 'classify_ticket'],
    clientName: 'BlueLine Commerce'
  }
};

const TOOL_DEFINITIONS = {
  generate_listing: {
    name: 'generate_listing',
    description: '以我們仲介公司的語調為 Sunrise Realty 產生房產房源描述。',
    inputSchema: {
      type: 'object',
      properties: {
        property_details: { type: 'string', description: '臥室數、浴室數、面積、功能、地段' }
      },
      required: ['property_details']
    }
  },
  draft_followup: {
    name: 'draft_followup',
    description: '起草給房地產聯繫人的個性化跟進訊息。',
    inputSchema: {
      type: 'object',
      properties: {
        contact_context: { type: 'string', description: '這是誰，關係，上次互動，任何新聞' },
        goal: { type: 'string', description: '你想用這條訊息達成什麼' }
      },
      required: ['contact_context']
    }
  },
  // ... 其他工具
};

// API 金鑰透過 Claude Desktop 配置中的環境變數傳遞
const API_KEY = process.env.AGENCY_API_KEY;
const client = CLIENT_CONFIG[API_KEY];

if (!client) {
  process.stderr.write('Invalid API key\n');
  process.exit(1);
}

const server = new Server(
  { name: `agency-tools-${client.clientName}`, version: '1.0.0' },
  { capabilities: { tools: {} } }
);

server.setRequestHandler(ListToolsRequestSchema, async () => ({
  tools: client.tools.map(toolName => TOOL_DEFINITIONS[toolName])
}));

server.setRequestHandler(CallToolRequestSchema, async (request) => {
  const { name, arguments: args } = request.params;

  if (!client.tools.includes(name)) {
    throw new Error(`Tool ${name} not available for your account`);
  }

  const prompt = buildPrompt(name, args);

  const response = await fetch('http://localhost:11434/api/chat', {
    method: 'POST',
    headers: { 'Content-Type': 'application/json' },
    body: JSON.stringify({
      model: client.modelName,
      messages: [{ role: 'user', content: prompt }],
      stream: false
    })
  });

  const data = await response.json();
  return { content: [{ type: 'text', text: data.message.content }] };
});

function buildPrompt(toolName, args) {
  const prompts = {
    generate_listing: `撰寫以下房產的房源描述：\n${args.property_details}`,
    draft_followup: `起草跟進訊息。\n上下文：${args.contact_context}\n目標：${args.goal || '維護關係'}`,
    // ... 其他提示構建器
  };
  return prompts[toolName] || JSON.stringify(args);
}

const transport = new StdioServerTransport();
await server.connect(transport);

客戶端設置（你傳送給客戶的內容）

// claude_desktop_config.json 片段——你提供這個給客戶
{
  "mcpServers": {
    "agency-tools": {
      "command": "node",
      "args": ["/path/to/agency-mcp-client.mjs"],
      "env": {
        "AGENCY_API_KEY": "client-a-key-xxxx",
        "AGENCY_SERVER_URL": "https://mcp.youragency.com"
      }
    }
  }
}

或者如果你將其打包為 npm 二進位以使設置更簡單：

{
  "mcpServers": {
    "your-agency-name": {
      "command": "npx",
      "args": ["@youragency/mcp-client"],
      "env": {
        "API_KEY": "client-a-key-xxxx"
      }
    }
  }
}

客戶執行一次 npx @youragency/mcp-client（或透過 npx 自動安裝），添加配置，重啟 Claude Desktop。完成。

服務費的正當理由

沒有 MCP： 客戶有一個 GGUF 檔案。他們偶爾執行它。價值是偶發的。服務費感覺像是在為他們每天不使用的東西付費。

有了 MCP： 客戶每次打開 Claude Desktop 時都使用你的工具。他們產生的每個房源、起草的每封跟進信、分類的每張票——你的機構工具都在工作流程中。價值是每日可見的。

按工具存取的服務費層級：

• 基本（$400/月）：2 個工具，每季度重新訓練，電子郵件支援
• 標準（$700/月）：5 個工具，每月重新訓練，Slack 支援
• 高級（$1,200/月）：無限工具，每週模型更新，優先支援

「工具」框架比「模型維護」框架對客戶更直觀。他們在為每天使用的工具存取付費。

---

延伸閱讀

• MCP + 微調本地模型 — 架構概覽
• Claude Desktop 本地模型設置 — 客戶設置演練
• AI 機構服務費模式 — 構建每月經常性收入
• 管理多個微調模型 — 多客戶模型管理