現在很多 AI 程式設計助手都支援 MCP（Model Context Protocol），相當於給 AI 加了一雙手，能呼叫外部 API。但把 API 變成 AI 能用的工具，遠比聽起來麻煩。直接把 OpenAPI 規範扔給模型，結果往往是一堆龐雜的端點，AI 根本分不清該調哪個，更別提安全憑證的管理。
GetKeri 這個新工具想解決的就是這個環節。它把 OpenAPI spec 作為輸入，輸出一個經過篩選的 MCP server——不是把所有端點一股腦暴露給 AI，而是整理成任務級別的工具。比如一個電商 API 可能有幾十個端點，Keri 不會讓 AI 看到全部，而是按"查訂單""更新庫存"這樣的真實任務來組織。
不只是轉換，還多了測試和評分
值得注意的一點是，GetKeri 並不是簡單換個格式。它給每個生成的 MCP 工具打了就緒度評分，意思是這個工具對 AI 來說有多可靠、引數是否明確、文件是否完整。評分之前，系統還會跑模擬追蹤和實時呼叫測試，確保端點真的能通，響應符合預期。
對開發者來說，這等於在接入 AI 之前就做了一輪質檢。實測過的工具才會被放進最終配置裡，減少了 AI 在呼叫時出錯的可能性。最終輸出的是可直接安裝的 MCP 配置檔案，適配 Cursor 和 Claude 等常見環境，不需要手動寫一堆 YAML。
典型使用場景和落地建議
最合適的使用者大概是那些想把自研或第三方 API 接入 AI 智慧體的開發團隊。例如公司內部有一個訂單系統，想讓 Cursor 直接通過自然語言查詢資料，過去要自己寫 MCP server，現在用 GetKeri 生成配置就能快速跑通。它同時支援雲端託管和本地執行，本地模式意味著敏感介面可以留在自己的環境裡。
在安全性方面，GetKeri 強調更安全的 token 處理方式，不會把金鑰直接暴露給模型，而是通過服務端轉發或環境變數管理。這一點對生產環境尤其重要，畢竟直接讓 AI 持有真實憑證風險不小。
- 自動把 OpenAPI 規範對映成任務級 MCP 工具，而非生硬的全部暴露
- 提供就緒度評分、模擬追蹤和實時呼叫測試，減少接入後的翻車概率
- 輸出標準 MCP 配置，相容 Cursor、Claude 等主流環境
- 支援託管和本地兩種部署方式，金鑰處理更安全
幾個實際的注意點
如果你準備嘗試，有幾點值得留意。首先，雖然輸入只需 OpenAPI 檔案，但原始規範的質量直接影響生成效果，如果原本的 API 文件引數缺失或描述含糊，Keri 的評分會偏低，需要先補全後設資料。其次，免費層通常有呼叫量或專案數限制，團隊使用前最好確認套餐。最後，對於非常複雜或高度自定義的 API，自動生成的任務劃分可能需要手動微調，不能指望完全零干預。
整體來看，GetKeri 瞄準了一個很實際的問題：AI 與現有 API 之間的鴻溝。它沒有試圖做全能的編排平臺，而是專注把 OpenAPI 到 MCP 這一步做紮實，加入了測試和評分機制，讓開發者敢把 AI 接入到真實業務裡。對於正在建設 AI Agent 工作流的團隊，這個工具值得放進對比清單。
評論
暫無評論
成為第一個評論的人