MCP Bridge: A Lightweight, LLM-Agnostic RESTful Proxy for Model Context Protocol Servers
作者: Arash Ahmadi, Sarah Sharif, Yaser M. Banad
分类: cs.CR, cs.AI
发布日期: 2025-04-11 (更新: 2026-01-12)
备注: 29 pages, 11 figures
💡 一句话要点
提出MCP Bridge轻量级RESTful代理，解决LLM与MCP服务器在资源受限环境下的连接难题。
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 模型上下文协议 RESTful代理 大型语言模型 强化学习 安全执行 跨平台兼容 边缘计算 Qwen模型
📋 核心要点
- 现有MCP实现依赖本地进程执行，不适用于移动设备、浏览器和边缘计算等资源受限环境。
- MCP Bridge通过RESTful代理连接多个MCP服务器，提供统一API，支持多种LLM后端，并具备风险控制的安全机制。
- 通过强化学习微调Qwen模型，在MCPToolBench++上达到73.0%的F1分数，超越GPT-OSS-120B。
📝 摘要（中文）
大型语言模型（LLM）越来越多地通过模型上下文协议（MCP）等标准化接口与外部工具集成。然而，当前的MCP实现存在局限性：它们通常需要通过STDIO传输进行本地进程执行，这使得它们在移动设备、Web浏览器和边缘计算等资源受限的环境中不切实际。我们提出了MCP Bridge，一个轻量级的RESTful代理，它连接到多个MCP服务器，并通过统一的API公开它们的功能。与现有解决方案不同，MCP Bridge完全与LLM无关，支持任何供应商的后端。该系统实现了一种基于风险的执行模型，具有三个安全级别——标准执行、确认工作流和Docker隔离——同时保持与标准MCP客户端的向后兼容性。为了确保在此框架内的可靠执行，我们还使用四种强化学习技术（GRPO、Dr. GRPO、BNPO和DAPO）在Agent-Ark/Toucan-1.5M数据集上微调了Qwen3 4B和8B模型系列。在MCPToolBench++基准测试中，我们优化的模型实现了73.0%的F1分数，优于GPT-OSS-120B（62.17%），并且与70B+参数的基线模型相比仍具有竞争力。评估表明，MCP Bridge成功地解决了直接MCP连接的限制，同时提供了增强的安全控制和跨平台兼容性，从而在以前无法访问的环境中实现了复杂的LLM驱动的应用程序。
🔬 方法详解
问题定义：现有模型上下文协议（MCP）的实现通常依赖于本地进程执行，通过STDIO进行数据传输。这种方式在资源受限的环境（如移动设备、Web浏览器和边缘计算）中效率低下且难以部署。因此，需要一种轻量级、跨平台的解决方案，使得LLM能够方便地与各种MCP服务器交互，而无需复杂的本地配置。
核心思路：MCP Bridge的核心思路是引入一个RESTful代理层，将MCP服务器的能力通过标准的HTTP接口暴露出来。这样，LLM可以通过简单的API调用来访问MCP服务器，而无需直接建立本地连接。这种设计降低了部署复杂性，提高了可扩展性，并且能够支持多种LLM后端。
技术框架：MCP Bridge包含以下主要模块：1) RESTful API服务器：负责接收来自LLM的请求，并将其转换为MCP协议消息。2) MCP客户端：负责与实际的MCP服务器进行通信。3) 安全模块：实现基于风险的执行模型，包括标准执行、确认工作流和Docker隔离等安全级别。4) 模型优化模块：使用强化学习技术微调LLM，使其更好地遵循MCP协议规范。整个流程是LLM通过RESTful API向MCP Bridge发送请求，MCP Bridge根据安全级别进行处理，然后将请求转发给MCP服务器，最后将结果返回给LLM。
关键创新：MCP Bridge的关键创新在于其轻量级、LLM无关的设计，以及基于风险的安全执行模型。传统的MCP实现通常与特定的LLM绑定，并且缺乏灵活的安全控制。而MCP Bridge通过RESTful API实现了与LLM的解耦，并且提供了多种安全级别，以适应不同的应用场景。
关键设计：在安全模块中，论文设计了三种安全级别：标准执行、确认工作流和Docker隔离。标准执行直接执行来自LLM的请求；确认工作流需要用户确认才能执行；Docker隔离则将请求放在Docker容器中执行，以防止恶意代码的执行。此外，论文还使用GRPO、Dr. GRPO、BNPO和DAPO等强化学习技术微调Qwen模型，使其能够更好地遵循MCP协议规范，提高任务完成的准确率。
🖼️ 关键图片
📊 实验亮点
实验结果表明，经过强化学习微调的Qwen模型在MCPToolBench++基准测试中取得了显著的性能提升，F1分数达到73.0%，超越了GPT-OSS-120B（62.17%），并且与70B+参数的基线模型相比仍具有竞争力。这证明了MCP Bridge的有效性和优化模型的必要性。
🎯 应用场景
MCP Bridge可广泛应用于需要LLM与外部工具集成的场景，例如智能助手、自动化流程、机器人控制等。它尤其适用于资源受限的环境，如移动设备和边缘计算设备，使得这些设备也能充分利用LLM的能力。该研究为构建更安全、更灵活的LLM应用生态系统奠定了基础。
📄 摘要（原文）
Large Language Models (LLMs) are increasingly augmented with external tools through standardized interfaces like the Model Context Protocol (MCP). However, current MCP implementations face critical limitations: they typically require local process execution through STDIO transports, making them impractical for resource-constrained environments like mobile devices, web browsers, and edge computing. We present MCP Bridge, a lightweight RESTful proxy that connects to multiple MCP servers and exposes their capabilities through a unified API. Unlike existing solutions, MCP Bridge is fully LLM-agnostic, supporting any backend regardless of vendor. The system implements a risk-based execution model with three security levels-standard execution, confirmation workflow, and Docker isolation - while maintaining backward compatibility with standard MCP clients. However, reliable execution within this framework requires models that can strictly adhere to protocol schemas. To this end, we also fine-tuned the Qwen3 4B and 8B model family on the Agent-Ark/Toucan-1.5M dataset using four Reinforcement Learning techniques: Group Relative Policy Optimization (GRPO), Dr. GRPO, Beta Normalization Policy Optimization (BNPO), and Decoupled Alignment Policy Optimization (DAPO). Evaluated on the MCPToolBench++ benchmark, our optimized model achieves an F1 score of 73.0% that outperforms GPT-OSS-120B (62.17%) and remains competitive with the 70B+ parameter baselines. Evaluation demonstrates that MCP Bridge successfully addresses the constraints of direct MCP connections while providing enhanced security controls and cross-platform compatibility, enabling sophisticated LLM-powered applications in previously inaccessible environments.