cloudflare/mcp

解决的问题

本项目为 AI Agent 与包含超过 2,500 个端点的庞大 Cloudflare API 进行交互提供了一种高 Token 利用率的方法。传统的 Model Context Protocol (MCP) 服务器通常将每个端点作为单独的工具公开，这会消耗数百万 Token 的上下文窗口空间。本服务器将这种开销从数百万 Token 降低到约 1,000 Token。

工作原理

服务器不采用列出所有 API 端点作为工具的方式，而是使用“代码模式 (Code Mode)”模式。AI Agent 不接收完整的 API 规范；相反，它使用三个主要工具：

• docs: 搜索 Cloudflare 开发者文档。
• search: 允许 Agent 编写 JavaScript 代码在服务器端查询 API 规范，以找到正确的端点。
• execute: 允许 Agent 编写 JavaScript 来调用发现的 Cloudflare API 端点。

服务器使用 Dynamic Worker Loader API 在隔离的 Workers 中执行这些代码。

适用对象

希望使用 LLM 驱动的 Agent 自动执行 Cloudflare 服务（如 Workers、KV、R2、D1、Pages 和 DNS），且不想耗尽 Agent 上下文窗口的开发者和 AI Agent 用户。

亮点

• 极高的 Token 利用率：将上下文使用量从约 200 万 Token（原始 OpenAPI 规范）降低到约 1k Token。
• 支持 Code Mode：将 API 发现和执行的逻辑转移到服务器端 JavaScript 执行。
• 广泛的 API 覆盖：支持几乎所有的 Cloudflare 产品，包括 GraphQL Analytics API。
• 灵活的身份验证：同时支持 OAuth 和 API 令牌。
• 可选的原生模式：如果需要，可以通过查询参数禁用，返回传统的 MCP 工具注册方式。