Multi-MCP Orchestration 實戰 — 一次控制多個 MCP Server

2026-05-13 · MCP 進階 · Eric Cheung

前言：一個 MCP Server 唔夠用

快速結論（TL;DR）

Multi-MCP Orchestration 即係 AI 做 Central Orchestrator，同時連接 GitHub、Database、Slack 等專門 Server，按任務自動揀合適工具
喺 Claude Code config 一次過註冊多個 Server 之後，AI 會自動發現所有 Tools/Resources/Prompts，唔使手動指定用邊個
最佳實踐包括：Server 名要清晰、Tool Description 要精準、避免 Tool Name 撞名、Secrets 全部放 Environment Variables、按需啟用 Server
Debug 重點係檢查 tool description 夠唔夠 specific、每個 Server 獨立 process 唔怕互相拖累、用 claude mcp list 檢查連接狀態

Day 1-4 我哋學咗點樣建立單一 MCP Server。但現實開發中，你需要嘅唔只一個：GitHub Server 管理 code、Database Server 查詢 data、Slack Server 通知團隊、File Server 管理 project... 每個領域都有專門嘅 MCP Server。

今日嘅課題係：點樣同時註冊同管理多個 MCP Server，令 Claude Code 可以跨工具執行複雜嘅 orchestration 工作流。呢個就係所謂嘅「MCP Orchestration」。

Part 1：MCP Orchestration 架構

核心概念

Multi-MCP Orchestration 係指 AI 作為 Central Orchestrator，同時連接多個 domain-specific 嘅 MCP Server，根據任務需要自動選擇合適嘅 Server 執行操作，甚至將多個 Server 嘅輸出組合成一個完整嘅工作流。

三層架構

Layer 1 — AI Orchestrator（Claude Code）: 理解自然語言指令、拆解任務、決定調用邊啲 Server、組合結果
Layer 2 — MCP Servers（Domain Services）: GitHub MCP / DB MCP / Slack MCP / File MCP / n8n MCP 各自專精一個領域
Layer 3 — External Services（底層服務）: GitHub API / PostgreSQL / Slack API / File System / n8n Webhook

Part 2：註冊 Multiple MCP Servers

Claude Code Config — 一次註冊 5 個 Server

{
  "mcpServers": {
    "github": {
      "command": "node",
      "args": ["./servers/github-mcp/index.js"],
      "env": { "GITHUB_TOKEN": "$GITHUB_TOKEN" }
    },
    "database": {
      "command": "node",
      "args": ["./servers/db-mcp/index.js"],
      "env": { "DATABASE_URL": "$DATABASE_URL" }
    },
    "slack": {
      "command": "node",
      "args": ["./servers/slack-mcp/index.js"],
      "env": { "SLACK_BOT_TOKEN": "$SLACK_BOT_TOKEN" }
    },
    "filesystem": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-filesystem",
        "/path/to/project"],
    },
    "n8n": {
      "type": "http",
      "url": "https://n8n-mcp.example.com/mcp",
      "headers": { "x-api-key": "$N8N_API_KEY" }
    }
  }
}

註冊之後，Claude Code 會自動發現所有 Server 嘅 Tools/Resources/Prompts，然後根據你嘅自然語言指令選擇合適嘅 Server。你唔需要手動指定用邊個 — AI 會自己判斷。

Part 3：Cross-Tool Workflow 實戰

Workflow 1：Bug Report → Fix → Deploy（跨 4 個 Server）

User: "有個 bug：login page 喺 mobile 爆 layout，
       幫我 create issue、fix、然後通知 team"

Claude Code orchestrates:
  ┌─► GitHub MCP: create_issue("Fix login mobile layout")
  │   → returns: Issue #128 created
  ├─► File MCP:  read src/components/Login.jsx
  │   → AI 分析 code，發現 flex 冇 responsive breakpoint
  ├─► File MCP:  write updated Login.jsx with fix
  ├─► GitHub MCP: create_pr(head: "fix/mobile-login",
  │     title: "Fix #128: Add responsive breakpoints to Login")
  │   → returns: PR #129 created
  └─► Slack MCP:  send_message(#dev-team,
        "✅ PR #129 ready for review — fixes mobile login")

Workflow 2：每週自動化 Report（跨 3 個 Server）

User: "Generate weekly dev report for this repo"

Claude Code orchestrates:
  ├─► GitHub MCP: list_issues(state: "closed", since: "7 days")
  │   → returns: 12 closed issues
  ├─► GitHub MCP: list_prs(state: "merged", since: "7 days")
  │   → returns: 5 merged PRs
  ├─► AI 分析數據，生成 structured report
  ├─► File MCP: write docs/weekly-report-2026-05-13.md
  └─► Slack MCP: send_message(#engineering,
        "Weekly report ready: docs/weekly-report-2026-05-13.md")

Part 4：Orchestration 最佳實踐

1. Server Naming Convention

用清晰嘅 server name 令 AI 可以準確判斷：`github` 好過 `server1`、`database-prod` 好過 `db`。AI 會用 server name 嚟理解每個 server 嘅用途。

2. Tool Description 要精準

當有多個 Server 提供類似功能時，精準嘅 tool description 尤其重要。例如 GitHub MCP 同 GitLab MCP 都有 `create_issue` — description 要清楚寫明係「Create an issue on GitHub」。

3. 避免 Tool Name Conflict

唔同 Server 嘅 tool name 唔應該撞名。如果用 prefix naming（e.g. `github_create_issue`、`jira_create_issue`），AI 嘅選擇會更加準確。

4. 善用 Environment Variables

API keys、tokens、URLs 一律放 environment variables，唔好 hardcode 入 config。呢個係 security best practice。

5. 按需啟用 Server

唔係全部 Server 都要 24/7 註冊。如果你呢個星期只係需要改 frontend，可以暫時 disable Database MCP。越少 Server → AI 選擇越精準。

Part 5：Debugging Multi-MCP Issues

常見問題同解決方案

AI 揀錯 Server → 檢查 tool description 係咪夠 specific。加多啲 context 俾 AI 判斷。
Server Crash 影響其他 Server → 每個 MCP Server 獨立 process，一個 crash 唔影響其他。AI 會收到 error 然後嘗試 fallback。
速率限制（Rate Limit） → GitHub API 有 rate limit，過量 call 會被 block。喺 GitHub MCP Server 加 rate limiting + caching。
認證問題 → 確保每個 Server 嘅 environment variables 都設定正確。用 `claude mcp list` 檢查連接狀態。

總結：由 Tool User 到 System Orchestrator

掌握 Multi-MCP Orchestration 之後，你嘅角色由「寫 code 嘅人」升級為「設計自動化系統嘅架構師」。你定義每個 MCP Server 做咩、AI Orchestrator 決定點樣組合佢哋 — 就好似一個指揮家，唔需要自己演奏每種樂器，但知道點樣令成個樂團奏出完美嘅樂章。

Written by Eric Cheung · Learn One AI Thing Every Day · Day 5: Multi-MCP Orchestration