MCP实战：用AI构建Excel自动化处理服务

每天跟Excel打交道的朋友应该都有这种体会处理报表本身不是最费时间的费时间的是那些重复性的操作——打开表格、定位列、写公式、复制粘贴、再生成新表。尤其是当数据源有变动、格式不统一的时候整个人都会烦躁起来。我最近用MCPModel Context Protocol写了一个Excel处理服务把这块工作彻底交给了AI。MCP可以理解为一个“AI工具插线板”它定义了一套标准协议让Claude、GPT这类大模型能够直接调用外部工具、读取外部文件、操作外部系统。换句话说AI不再只是一个聊天框它可以真正“伸手”帮你干活。这篇会从零开始讲清楚MCP的核心概念、SDK选型、工具注册方法以及一个完整的Excel自动化案例。适合正在做数据处理的开发者、对AI Agent感兴趣的工程师以及想给日常工作装上“AI外挂”的内容创作者。1. 为什么要自己写一个MCP服务1.1 传统Excel处理方式的痛点在MCP出现之前让AI处理Excel通常有三条路但每条路都走得不太舒服。第一条路把Excel导出成CSV然后复制粘贴给AI。这条路只适合一次性小数据数据一多就白搭而且每次粘贴都得校验格式、处理编码非常折磨。我见过不少人用这个办法让AI写个求和公式表面看是“AI处理Excel”实际上只是把AI当成了搜索引擎。第二条路用Python加openpyxl、pandas写一次性脚本。每次数据结构变一点脚本就要跟着改长期维护成本很高。更重要的是脚本本身是“死”的——它不会根据自然语言指令动态调整处理逻辑遇到意料之外的表格结构只能报错收场。第三条路用RPA工具录制鼠标键盘操作。录制简单但表格结构一变化就崩灵活性和可维护性都很差。RPA适合稳定的表单录入不适合需要“看懂数据”的分析任务。这三条路的共同问题是AI和工具之间没有真正打通。要么人工搬运数据要么AI只能纸上谈兵。MCP的思路完全不同——它把能力封装成工具Tool让模型自己决定要不要调用、怎么调用数据和执行结果都直接走协议返回给模型。这样一来AI既有了“眼睛”能读取数据又有了“手”能执行操作和写回结果。1.2 MCP协议到底做了什么MCP全称Model Context Protocol它于2024年11月被Anthropic开源是一个开放协议。它的定位非常明确让AI应用宿主能够以标准方式发现并调用外部能力提供者MCP服务器暴露的工具、资源和提示词。用个直白的生活类比MCP就像USB-C接口。以前每个设备都得配自己的充电线现在统一成一个标准接口什么设备都能插。MCP就是AI领域的“USB-C”任何AI客户端Claude Desktop、Cursor、VS Code里的Copilot甚至自己写的Agent框架连接上任何MCP服务器都能立刻用上它所暴露的能力。协议层面MCP基于JSON-RPC 2.0。每个客户端和服务器之间通过一条消息通道进行请求/响应通信通道可以是stdio标准输入输出也可以是流式HTTPSSE。核心交互有这么几类initialize握手确认协议版本与能力。tools/list客户端获取服务器支持的工具有哪些。tools/call客户端请求调用某个工具。resources / prompts暴露资源和提示词能力。MCP并没有规定工具内部必须用什么技术实现。你用Python、TypeScript、Go都能写只要能正确处理JSON-RPC消息就行。社区里已经有官方SDK比如Python的fastmcp、mcp库TypeScript的modelcontextprotocol/sdk。1.3 为什么选择MCP做Excel工作流而不是直接写脚本问一个很实际的问题既然最终都得写代码那直接写Python脚本不就行了为什么要套一层MCP第一MCP把“写死的脚本”变成了“可被模型动态编排的能力”。传统脚本是一个固定流程输入、处理、输出。MCP工具是原子能力比如“读取工作表某区域”“把指定列做去重后求和”“生成透视表”。AI能根据对话上下文动态决定调用顺序遇到异常还能自己换路径重试。实话说这种灵活性在传统脚本里很难实现。第二MCP服务器是一次开发、多处复用。你在Claude Desktop里调试好的Excel工具集拿到Cursor、n8n、自己写的Agent里都能直接用只要实现的是同一个协议。n8n这类工作流平台现在也原生支持MCP节点意味着你的工具可以无缝嵌入到自动化流程中。这种“一次封装到处调用”的体验普通脚本给不了。第三MCP服务器的边界和权限是可控制的。服务器暴露哪些工具、允许操作哪些路径都由你在代码里决定。相比给AI一个通用终端让它随便跑MCP的权限粒度要细得多也安全得多。比如你可以只让工具读写data目录下的文件其他路径一律拒绝。说白了MCP的定位是“AI的能力外设”。Excel只是其中一个典型场景还有人用MCP连接数据库、浏览器、设计软件甚至游戏引擎。浏览器自动化有Playwright MCP接口安全测试有BurpSuite MCP3D建模有Blender MCP。理解了这层你就不会再把它当成一个普通的API封装工具。2. 动手前的核心概念梳理2.1 传输方式stdio和SSE怎么选MCP服务器和客户端之间通信官方支持两种主要传输方式一定要先弄清楚区别。stdio模式客户端以子进程方式启动服务器通过标准输入stdin发送JSON-RPC消息服务器通过标准输出stdout返回结果。这种模式最简单是本地开发调试的主力。Claude Desktop里配置的type: stdio就是这种。SSE模式Server-Sent Events服务器跑在一个HTTP端点上客户端通过HTTP POST发送请求服务器通过SSE流推送事件。这种模式适合远程服务器、多客户端共享场景也是把MCP能力部署到云上的基础。我建议开发第一个MCP的时候先用stdio。原因很简单可以用命令行直接验证服务器是否正确响应断点调试方便不用处理CORS、跨域、鉴权这些网络问题。等跑通了再升级到SSE也不迟。顺带提醒一句网上有些公开示例会直接让你填一个远程MCP服务器的SSE地址有的地址还带着token参数。我不建议把别人的云端服务地址直接写进自己的配置里一是你控制不了那个服务的行为二是数据会经过第三方。自己部署一个本地服务器才能完全掌控数据和行为。2.2 MCP是软件协议不是硬件驱动协议有个高频疑问“MCP是软件协议还是硬件协议为什么网上说的都是抽象概念”答案很明确MCP是应用层软件协议和HTTP、WebSocket是同一类概念。它跟USB HID这类硬件驱动协议没有任何关系。MCP解决的问题是AI应用和外部工具之间如何描述能力、如何发起调用、如何返回结构化结果。它不关心具体干活的代码用什么语言写。理解了这一点再看代码就会清爽很多。MCP封装的每个工具本质上就是一个有名字、有描述、有参数Schema、有返回值的函数。你用任何语言实现这个函数都行SDK只是帮你处理了协议层的序列化、反序列化和握手细节。2.3 三大能力原语Tool、Resource、PromptMCP服务器可以暴露三类能力理解它们的区别很重要。Tool工具主动动作。比如“读取Excel工作表”“合并CSV文件”“写入单元格”。模型根据用户意图决定调用哪个工具。这是Excel场景里用得最多的一类。Resource资源被动数据。比如某个固定路径的Excel文件、某个报表模板客户端可以读取这些内容作为上下文补充。适合暴露有固定结构的模板文件。Prompt提示词模板预设的交互模式。比如“帮我汇总这个目录下所有Excel的销售数据”定义好模板后模型会按模板补全变量执行。适合封装常见分析套路。在Excel处理场景中90%的需求集中在Tool上。Resource用于暴露模板Prompt用于定义分析套路。新手第一版只实现Tool就够用后面再按需补充。2.4 安全边界为什么不能把整张表都丢给模型刚开始做的时候很容易踩一个坑图方便把整个Excel文件读成文本全部塞给AI。数据量大时这个方案在Token消耗和上下文长度上都不现实。更重要的是AI对超大文本的理解精度会显著下降尤其是数字、日期这类容易混淆的格式。正确做法是让MCP工具只返回“窗口化数据”。比如读取一个表默认只读取前N行、指定列或者先返回工作表名和列名的元信息让模型决定下一步。这样既省Token又不会因为数据量过大导致模型回答失真。我自己实测下来一份5000行左右的销售明细表用分页读取的方式每次取1000行最终只让模型看2000行做汇总Token开销大约在2000到3000。相比直接把5000行全部塞进上下文大概1.5万Token成本降低了一半以上模型对数字的识别准确率也更高。所以“窗口化读取 分步决策”不仅仅是为了省钱本身就是提升准确性的有效手段。3. 开发环境与SDK选型3.1 技术栈为什么我用Python加fastmcpMCP官方有Python和TypeScript两套SDK。我推荐新手用Python加fastmcp这个社区库理由有三点。第一Excel处理生态成熟。openpyxl、pandas、xlsxwriter全都在Python生态里处理xlsx、xls、csv都是顺手的事。MCP服务的核心业务代码80%是在跟Excel文件打交道Python能把精力集中在业务逻辑上而不是折腾DLL引用和COM对象。第二fastmcp把协议细节封装得很干净。你只需要写一个装饰器函数SDK自动帮你生成JSON Schema和工具描述几乎不需要手写JSON-RPC。这比直接用官方mcp库写原始协议要友好一个量级。第三调试方便。Python的logging可以直接输出到stderr用Claude Desktop或者mcp-inspector连接时可以实时看到日志。对比TypeScript在子进程模式下需要额外处理流Python的调试体验更直接。当然如果你本身是前端或Node开发者用modelcontextprotocol/sdk写TypeScript版也完全可行。原则只有一个选你熟悉的技术栈别把精力浪费在学习语言上。3.2 环境准备与依赖安装先建一个干净的环境避免污染系统Python。我用venv处理python -m venv .venv source .venv/bin/activate # Windows下用: .venv\Scripts\activate pip install mcp openpyxl pandas fastmcp这里有个细节fastmcp内部依赖官方的mcp包来做底层协议传输所以两个都要装。装完可以用下面这条命令验证版本python -c import fastmcp; print(fastmcp.__version__)如果输出正常环境就准备好了。3.3 项目结构规划一个最小的MCP项目结构大概是这样mcp-excel/ ├── server.py # MCP服务器主文件 ├── tools/ │ ├── read.py # 读取Sheet │ ├── write.py # 写入/追加数据 │ └── summary.py # 聚合统计分析 ├── requirements.txt └── data/ # 示例Excel文件我的建议是别一上来就把模块拆得太散。先在一个server.py里堆工具跑通了再拆。MCP工具的复用点是“能力”而不是“业务场景”所以按能力聚合文件会更好维护。等你积累了五六个工具后再拆分成模块也不迟。4. 实现一个Excel MCP服务器4.1 服务器骨架与初始化用fastmcp写服务器非常直接核心就三行from fastmcp import FastMCP mcp FastMCP(excel-helper) if __name__ __main__: mcp.run()FastMCP(excel-helper)创建了一个名为excel-helper的MCP服务器mcp.run()默认以stdio模式运行读取stdin上的JSON-RPC。启动后程序会等待stdin输入看起来像“卡住了”这是正常的。可以用mcp-inspector发消息验证也可以在命令行里手动输入一个JSON-RPC消息试试。4.2 第一个工具读取Excel表格读取工具是整个服务器的基础。设计参数时要想清楚模型需要什么信息、什么格式最省Token。import json import pandas as pd from fastmcp import FastMCP mcp FastMCP(excel-helper) mcp.tool() def read_sheet( path: str, sheet_name: str None, max_rows: int 20, include_columns: list[str] None, ) - str: 读取Excel文件中指定Sheet的数据返回JSON字符串。 - path: Excel文件路径 - sheet_name: Sheet名缺省时打开第一个Sheet - max_rows: 最多返回行数避免数据过大 - include_columns: 只返回指定列名列表 xl pd.ExcelFile(path) if sheet_name is None: sheet_name xl.sheet_names[0] df pd.read_excel(path, sheet_namesheet_name) if include_columns: df df[include_columns] preview df.head(max_rows).fillna().astype(str) result { sheet_names: xl.sheet_names, used_sheet: sheet_name, total_rows: len(df), columns: list(df.columns), preview_rows: json.loads(preview.to_json(orientrecords)), } return json.dumps(result, ensure_asciiFalse, indent2)这里有几个关键细节。include_columns用了None作为默认值没有用可变默认值这是Python函数定义的基本修养。返回前对数据做了fillna()和astype(str)防止NaN被序列化成null、防止int64类型无法json.dumps。更重要的是返回值结构模型拿到total_rows和columns之后才能决定是否要继续读取更多数据。这就是“窗口化读取”的实现基础。另外docstring不要写“读取Excel”这么简单要把每个参数的含义写清楚特别是max_rows要说明建议范围模型会根据你的描述调整行为。4.3 第二个工具写入与追加数据Excel写入要区分场景新建文件写入和已有文件追加。我写了两个工具write_sheet用于新建或覆盖append_rows用于在现有Sheet末尾追加。from openpyxl import load_workbook import os mcp.tool() def write_sheet( path: str, data: list[list], sheet_name: str Sheet1, ) - str: 新建或覆盖写入Excel文件。 - path: 目标文件路径 - data: 二维数组第一行为表头 - sheet_name: Sheet名 df pd.DataFrame(data[1:], columnsdata[0]) if data else pd.DataFrame() df.to_excel(path, sheet_namesheet_name, indexFalse) return json.dumps({ status: ok, rows: len(df), path: path, sheet: sheet_name }, ensure_asciiFalse)覆盖写入要非常小心。我建议在工具参数里加一个overwrite开关默认False必须显式传True才允许覆盖已有文件。这个保护看着简单实际能挡掉不少误操作。附加追加工具mcp.tool() def append_rows( path: str, data: list[list], sheet_name: str None, ) - str: 在已有Excel文件的Sheet末尾追加数据。 - path: 目标文件路径 - data: 需要追加的二维数组 - sheet_name: Sheet名缺省使用第一个Sheet if not os.path.exists(path): return json.dumps({error: file not found}, ensure_asciiFalse) wb load_workbook(path) if sheet_name is None: sheet_name wb.sheetnames[0] ws wb[sheet_name] start_row ws.max_row 1 for i, row in enumerate(data): for j, value in enumerate(row): ws.cell(rowstart_row i, columnj 1, valuevalue) wb.save(path) return json.dumps({ status: ok, appended: len(data), start_row: start_row }, ensure_asciiFalse)这里有个细节append_rows没有用pandas的to_excel而是直接用openpyxl逐格写入。原因是pandas的to_excel每次都会重建整个文件追加时必须用openpyxl操作工作簿对象否则之前的内容会丢。这个坑我踩过第一次写追加功能时想着“反正都是写Excel用pandas多方便”结果文件被整个覆盖了还好当时只是测试数据。4.4 第三个工具数据清洗与聚合Excel工作流中最常见的需求就是去重统计、按条件汇总。这个工具能帮AI省掉大量“理解pandas语法”的成本。mcp.tool() def summarize( path: str, sheet_name: str None, group_by: str None, agg_column: str None, agg_func: str sum, ) - str: 对Excel数据做分组聚合返回统计结果。 - path: Excel文件路径 - sheet_name: Sheet名缺省使用第一个Sheet - group_by: 分组列名 - agg_column: 聚合列名 - agg_func: 聚合方式支持sum/mean/count/min/max df pd.read_excel(path, sheet_namesheet_name or 0) if not group_by or not agg_column: return json.dumps({error: 需要group_by和agg_column参数}, ensure_asciiFalse) result df.groupby(group_by)[agg_column].agg(agg_func).reset_index() records json.loads(result.to_json(orientrecords)) return json.dumps(records, ensure_asciiFalse, indent2)举例说明给AI一张销售明细表模型调用summarizegroup_by设为“产品”agg_column设为“销售额”就能得到各产品总销售额。这个工具的价值在于AI不需要理解pandas语法只要知道“有个工具能帮我按某列聚合计算某列”就够了。用户用自然语言说“按产品汇总销售额”模型自动就能把参数映射好。4.5 关键设计决策工具描述是给模型看的说明书MCP工具的描述文字会被模型当作“使用说明书”读取。描述越具体模型越能准确决定什么时候调用、传什么参数。我踩过一个真实案例read_sheet没有约束返回行数时模型经常傻乎乎地请求读一万行。后来在docstring里写了“为避免Token过载max_rows建议在100以内如需更多数据请多次调用”模型的调用行为立刻变得合理了。所以工具描述不是给人类看的注释它是提示词的一部分。写的时候要站在“模型视角”去写什么情况下用、参数取值范围、错误时的备选方案都写清楚。这个认知是我开发MCP过程中最值钱的经验之一。5. 接入客户端从Claude Desktop到自定义Agent5.1 在Claude Desktop中配置MCP服务写好了接下来把它接到客户端里。以Claude Desktop为例打开设置在Developer里的Edit Config编辑claude_desktop_config.json{ mcpServers: { excel-helper: { command: python, args: [/绝对路径/server.py], env: {} } } }有两个路径坑一定要注意。command最好写python的绝对路径特别是用虚拟环境时要写.venv里的python路径否则客户端找不到依赖包。args里的server.py也要写绝对路径别用相对路径。Windows下command写成python.exe的完整路径更稳妥。配置好后重启Claude Desktop在对话里直接说“帮我看一下data目录下的销售汇总表”或“把data/orders.xlsx按地区汇总一下销售额”。第一次调用时你能在对话界面上看到AI请求工具、拿到结果、继续操作的完整过程那种体验还是很奇妙的。5.2 用mcp-inspector调试每个工具接入客户端之前强烈建议先用mcp-inspector把所有工具调试一遍。它是一个网页调试面板能以可视化的方式连接你的MCP服务器。npx modelcontextprotocol/inspector python server.py启动后它会显示initialize握手结果、工具列表以及每次调用的入参和返回结果。我建议在接入正式客户端之前先把所有工具都跑一遍确认IO和异常处理。尤其要测一下非法路径、空表格、列名不存在这些边界情况别直接上生产环境。5.3 在自定义Agent中调用MCP如果你不想用现成客户端而是在自己的Python Agent里调用这个MCP服务可以用mcp SDK的ClientSession。这段代码展示了MCP协议的最小闭环初始化、列出工具、调用工具。import asyncio from mcp import ClientSession, StdioServerParameters from mcp.client.stdio import stdio_client async def main(): server_params StdioServerParameters( commandpython, args[server.py] ) async with stdio_client(server_params) as (read, write): async with ClientSession(read, write) as session: await session.initialize() tools await session.list_tools() print(available tools:, [t.name for t in tools]) result await session.call_tool( read_sheet, {path: data/orders.xlsx, max_rows: 5} ) print(result.content) asyncio.run(main())理解了这个流程你就掌握了MCP的精华。剩下的所有配置和封装都是在完善这个“发现工具、调用工具”的循环。6. 完整案例用MCP重构日报汇总工作流6.1 手工工作流的痛点拆解假设你每天要做一份销售日报数据分散在5个区域团队的Excel表格中每个表结构并不完全一致。传统手工流程是这样的打开5个Excel手动复制每个表的“销售额”列打开汇总模板粘贴写公式求和生成图表另存为日报。每天20分钟一周就是近2小时。更难受的是每次某个表格多了一个Sheet、列名改了一个字公式和引用就会错乱。这种工作流的本质是“人肉数据搬运”。所有环节中机器能做的事和AI能做的事都被浪费了最耗时的复制粘贴恰恰是价值最低的操作。6.2 MCP化改造后的执行链路改造后的工作流就简单了把5个文件放进data/input目录打开Claude Desktop对AI说“请汇总data/input目录下5个Excel的销售数据按地区分组合并输出一张汇总表到data/output/日报.xlsx”。AI接到指令后内部会做这些事先列出目录文件确认有哪些Excel。对每个文件调用read_sheet读取前几行了解表结构。必要时继续读取更多数据或指定列。识别“地区”“销售额”等字段映射关系。调用write_sheet把结果写入新文件。整个过程AI不需要手动复制粘贴也不依赖固定表结构。遇到列名不一致的情况模型会主动问“某个文件里没有销售额列是否使用实收金额代替”。这种动态协商能力是传统脚本永远做不到的。6.3 为什么这个方案更抗变化看到这里你可能会问这不就是把Python脚本改成了AI调用吗表结构变化时AI怎么知道怎么处理答案是AI拥有自然语言理解能力它可以即席理解新表结构。比如某天区域团队新增了一列“退款金额”AI会在汇总时合理排除或单独标注。而传统脚本遇到多一列通常直接报错或悄悄算错。MCP工具返回的是结构化数据AI能根据列名和内容进行推理。它不需要理解每个单元格的公式逻辑只需要知道“数据长什么样”和“用户想要什么结果”。这种“用工具拿数据、用语言做决策”的组合就是AI工作流的核心模式。6.4 实测表现与Token成本我实测下来一份5000行左右的销售明细表用read_sheet分页读取每次1000行、最终读取2000行做汇总对主流大模型来说Token开销大约在2000到3000。如果直接全量读取Token开销轻松破万而且数字识别准确率明显下降。这里有个实用技巧如果数据量确实很大可以让MCP工具先返回列名和一个抽样行的值让模型先“看懂”表结构再决定是否全量读取。很多情况下模型只需要看到结构就能完成推理不需要看每一行。7. 常见问题与排查技巧7.1 工具报错“Tool not found”典型原因是服务器更新后客户端没有刷新工具列表。重启客户端或重新initialize即可。还有一种情况是配置文件里写的命令指向了另一个server.py改一下路径就好。7.2 中文路径乱码问题Windows下读取含中文的Excel路径pandas一般能处理但openpyxl在保存时有概率遇到编码问题。建议统一使用绝对路径并在工具内部用os.path.abspath规范化避免相对路径歧义。7.3 数据序列化报错工具返回必须是JSON可序列化的。pandas的Timestamp、numpy的int64和float64都不能直接json.dumps。我统一用astype(str)或tolist()处理并加上fillna()防止NaN被序列化成null。如果你自建了返回结构最好在return前加一个json.dumps测试提前发现问题。7.4 stdout和stderr混淆stdio模式下日志必须打印到stderr工具结果打印到stdout。如果在工具函数里误用了print()把调试信息写到stdout会导致客户端解析JSON-RPC消息失败。调试时统一用logging模块或者写print(..., filesys.stderr)。这个问题很隐蔽因为本地运行时看起来一切正常但接上客户端就莫名其妙断开。7.5 安全建议给路径加白名单MCP服务器赋予了AI读写本地文件的能力默认配置应该只允许访问指定目录不要把一个“什么都能读”的Excel工具连接到任意客户端。我习惯在工具函数里检查传入的path是否在合法目录白名单内不在就返回错误信息而不是执行操作。ALLOWED_DIR os.path.abspath(./data) def _safe_path(path: str) - str: p os.path.abspath(path) if not p.startswith(ALLOWED_DIR): raise ValueError(路径不在允许范围内) return p加了这层保护后即使AI被恶意提示词诱导去读其他目录的文件也会被工具自己拦住。虽然MCP工具本身有权限边界但多一层防御总没坏处。我个人开发这个MCP服务后体会最深的是MCP最大的价值不在于“让AI能操作Excel”这个具体功能而在于它提供了一个真正标准化的AI工具接口。以前我们给AI写工具每个项目都需要自己定义调用方式、参数格式、错误处理现在有了MCP所有客户端和服务器之间只要遵循同一套协议就能自由组合。最后分享一个小技巧开发MCP服务时不要追求“大而全”。把一个工具写好——描述准确、参数精简、返回稳定——远胜于堆十个半吊子工具。先跑通一个read_sheet把它接到Claude Desktop上试用一周再逐步加入写入、聚合、导出功能。这种增量式的开发节奏踩坑最少体验也最好。如果你也在跟Excel死磕试着用这个思路做一次重构我相信你会回来感谢自己。