想必您也曾有过这样的经历：从 GitHub 存储库中拉取模型上下文协议（MCP）服务器，费力完成容器化部署，自行配置身份验证，然后只能祈祷它能在生产环境中正常运行。这正是当前企业采用 MCP 的现状：协议前景可期，但部署过程却困难重重。
红帽 AI 产品组合中的红帽 OpenShift AI 3.4 采用了截然不同的方法。我们推出 MCP 目录（现已提供开发人员预览版）：一个精选的 MCP 服务器目录，支持直接在红帽 OpenShift 上发现、部署和管理服务器。该目录预装了来自红帽、技术合作伙伴以及开源社区的 MCP 服务器，后续还会积极添加更多资产。您还可以“自带”MCP 服务器，支持目录的生命周期管理和运行时连接能力，同样适用于您在集群上部署的任何 MCP 服务器。
试用红帽 OpenShift AI，亲自探索 MCP 目录。
这并非一份静态清单。目录中的每一个 MCP 服务器，都能完成从发现到在集群上运行的全流程，并且内置生命周期管理和运行时连接能力。之后，它就可以在生成式 AI 工作室中使用，这是 OpenShift AI 中的界面，可在其中进行 AI 代理及应用相关的实验和测试。这也标志着我们正在搭建的企业级 MCP 生态系统正式起步。
MCP 目录：从发现到部署
此前，OpenShift AI 中的 AI hub 主要聚焦于模型。随着 OpenShift AI 3.4 的推出，MCP 服务器作为核心资产加入目录。这也是迈向更全面 AI 资产版图的重要一步，后续版本还将持续拓展。
目前市场上的大多数 MCP 目录（包括 Smithery、Docker MCP 目录及官方 MCP 注册表）都仅专注于“发现”功能。它们可以帮助您查找服务器，但部署、安全防护和生命周期管理仍需您自行负责。这往往意味着需要下载来源不明的容器镜像，并祈祷下一次更新不会破坏您的工作负载。
OpenShift AI 中的 MCP 目录填补了这一空白。当您在 AI hub 浏览该目录时，看到的都是经验证适合企业使用的 MCP 服务器，其特征包括：
- 生产级连接：支持流式 HTTP 传输
- 安全托管： 镜像基于红帽通用基础镜像构建，并完成漏洞扫描。
- 自动部署：选择一台服务器后，MCP 生命周期 Operator 会将其部署到您的集群上，创建 Kubernetes 资源并公开服务。
部署后，MCP 网关将负责运行时连接，提供身份感知路由和单工具指标，从而让您的平台团队能够清晰掌握各代理对工具的调用情况。
最终形成一条从发现、部署到使用的受监管路径：选择、部署、连接、使用。
请注意，截至 OpenShift AI 3.4，MCP 生命周期 Operator 已作为开发人员预览版提供，MCP 网关则作为技术预览版提供。
图 1：流程图展示了红帽 OpenShift AI 中 MCP 服务器生命周期的 4 个阶段：在 MCP 目录中发现，通过 MCP 生命周期 Operator 进行部署，通过 MCP 网关进行连接，以及在生成式 AI 工作室中使用。完整呈现了从目录到代理的受监管路径。
现成可用的 MCP 服务器
该目录包含 3 个层级的 MCP 服务器，每个层级都针对真实的企业工作流。以下是当前可用的服务器。
三款红帽 MCP 服务器
将您的 AI 代理直接连接到您已在运行的平台。
- 红帽 OpenShift：代理可以通过自然语言查询集群状态、管理工作负载并对部署进行故障排除。如果凌晨 2 点某个 Pod 发生故障，工程师只需让代理调取最近 50 行日志以及受影响部署的资源状态即可。无需在不同仪表板之间切换上下文，也无需执行 kubectl 操作。
- 红帽 Ansible 自动化平台：将代理连接到您的自动化工作流。代理可以触发 Ansible Playbook，检查作业状态，并跨基础架构编排配置更改。对于代理驱动的运维（AgentOps）团队而言，这意味着无需离开代理上下文，即可完成涵盖检测、诊断和修复的事件响应工作流。
- 红帽 Lightspeed（原名红帽智能分析）：通过 AI 代理呈现平台智能和建议。团队无需手动查看红帽 Lightspeed 公告，而是由代理提取最新建议，结合集群状态进行关联分析，并提出修复步骤建议，从而将运维见解直接引入代理式工作流中。
五款技术合作伙伴 MCP 服务器
将您的代理扩展到更广泛的企业堆栈。
- Confluent Cloud：允许 AI 管理和调试 Kafka 和 Flink 上的数据流操作。
- EDB Postgres AI： 借助 EDB pg-airman MCP 服务器，将代理连接到 EDB Postgres AI 平台，执行查询、架构管理及数据库运维操作。
- IBM Terraform：让代理置备和管理基础架构即代码，弥合 AI 驱动的决策与基础架构执行之间的差距。
- Microsoft Azure：使代理能够管理 Azure 资源、置备服务，并自动执行云运维和 OpenShift 工作负载。
- Dynatrace：为代理式工作流提供实时见解。代理可以查询性能数据，获取代码级见解，以便在整个环境中进行故障排除、优化和修复。
两款社区 MCP 服务器
完善数据层（在目录中列于“其他 MCP 服务器”下）。
- MongoDB：通过代理查询和管理文档集。适用于检索增强生成（RAG）工作流，以及依托非结构化或半结构化数据的各类应用。
- MariaDB：为需要查询和管理结构化数据存储的代理提供关系数据库连接。
图 2：红帽 OpenShift AI hub 内的 MCP 目录，其中显示按层级（红帽、合作伙伴等）组织的 MCP 服务器卡片；每个卡片都有一个部署操作，显示从发现到部署的受监管路径。
具体来说，在 MCP 目录推出前，若要将上述任何服务器连接到您的代理，需先在 GitHub 上查找、基于源码构建容器、调试传输问题并配置身份验证，完成这一系列操作后才能调用工具。现在，您只需在目录中选择服务器，MCP 生命周期 Operator 会处理其余事宜。
欢迎前往 GitHub 探索 MCP 生命周期 Operator，了解如何在 Kubernetes 上部署和管理 MCP 服务器。
构建企业级 MCP 生态系统
OpenShift AI 3.4 中提供的 MCP 服务器仅仅是个开始。我们正在构建一个全面的生态系统，以满足生产环境的各项需求。
- AI 快速入门：我们正在与合作伙伴协作，提供可直接运行的行业特定用例。这些实验环境可帮助团队在开源基础架构上，将 AI 构想从实验阶段推进到生产环境。
- 规模化精选收录：我们从合作伙伴授权到技术扫描的完整验证流程，均具备可扩展性。随着 MCP 服务器逐步成熟，我们将持续向管道中添加新资产。
- 企业治理：我们将在 MCP 网关已奠定的基础上增加一个执行层。这包括用于验证来源的供应链控制、针对认证资产的信任分级，以及对代理所进行的工具调用的全面可审计性。
开始使用
MCP 目录为平台团队提供了一条从发现到部署的受监管、生产就绪型路径，其中包含精选的服务器、经过验证的镜像以及对集群的生命周期管理。
该目录现已随红帽 OpenShift AI 3.4 以开发人员预览版形式提供。 试用红帽 OpenShift AI，探索 MCP 目录并在 OpenShift 上部署您的首个 MCP 服务器。您是否计划参加在亚特兰大举行的 2026 年红帽全球峰会（5 月 11 日至 14 日）？欢迎莅临现场，观摩 MCP 目录与 MCP 生命周期 Operator 的实际应用。
