MCP + CRM 实战：构建 AI 原生销售团队的智能工作流

如果你做 SaaS、做 B 端产品或者正在给销售团队搭内部工具最近大概率会被两个词反复刷屏一个是 MCP一个是 AI-native。前者是 Model Context Protocol模型上下文协议让 AI 应用能标准化地接外部工具和数据后者是一种产品设计取向默认 AI 是系统的一等公民而不是事后加上的聊天框。但问题来了概念都懂真正能落地的样板还很少。尤其是 CRM 这种极其成熟的赛道Salesforce、HubSpot 已经统治了十几年AI 进来还能改变什么一个开源项目叫 Salestrics它的定位很有意思——An open MCP server and CRM for AI-native revenue teams。翻译过来就是一个开源的 MCP 服务器也是一个面向 AI 原生收入团队的 CRM。这篇文章不打算复述项目简介。我想讲清楚几件更实际的事MCP 和 CRM 结合之后销售团队的工作流到底发生了什么变化Salestrics 这类项目在技术架构上是如何组织的如果你也想在自己的业务系统里做一个 MCP Server应该怎么写、怎么部署、怎么验证、怎么避开坑。文末会给出完整的可运行示例代码和生产环境建议。1. 这篇文章真正要解决的问题传统 CRM 最大的成本不是软件订阅费而是数据录入成本。销售每天打完电话、开完会、发完邮件还要把跟进记录、阶段变化、下一步动作手工填进系统。系统里的数据永远滞后甚至因为录入麻烦而长期失真。这本质上不是 CRM 功能不够而是人和系统之间的交互成本太高。AI-native revenue team 想解决的就是这个问题。销售不再需要花时间喂CRM而是让 AI Agent 从会议记录、邮件、聊天记录里自动提取客户信息、更新商机阶段、生成跟进任务。这时候CRM 不再只是一个数据库而是变成了 Agent 可以调用的工具集。这里就有一个关键点Agent 调用工具需要标准协议。过去每个 CRM 都有自己的 API每个 API 的认证方式、数据格式、错误处理都不一样。MCP 出现后AI 应用可以通过统一协议连接任意 MCP Server。Salestrics 的思路很直接把 CRM 本身变成一个 MCP Server让 Claude、Cursor、自研 Agent 都能用同样的方式读写客户数据。这篇文章适合三类读者正在做 AI Agent 应用需要接业务数据的开发者想给销售或客户成功团队搭内部工具的工程师关注 MCP 生态想知道一个真实 MCP Server 应该怎么设计的人。如果你是 CRM 产品经理本文的架构分析和工具设计部分也值得参考。2. 基础概念MCP、MCP Server 与 CRM 的边界先说 MCP。MCP 是一种开放的客户端-服务器协议由 Anthropic 在 2024 年提出目标是解决大模型应用连接外部工具和数据时接口碎片化的问题。类比一下LSPLanguage Server Protocol统一了编辑器与语言服务器之间的通信MCP 要统一的是 AI 应用与外部工具之间的通信。在 MCP 体系里有三个核心角色MCP Host运行 AI 应用的程序比如 Claude Desktop、Cursor或者你自己写的 Agent。MCP ClientHost 内部负责与 Server 建立连接的组件通常由 SDK 提供。MCP Server提供工具Tools、资源Resources、提示词Prompts的服务端。Tools 是 MCP 里最重要的能力。一个 Tool 本质上是一个可以被 AI 调用的函数包含名字、描述、输入参数协议。AI 模型根据用户意图决定调用哪个 Tool、传入什么参数然后拿到结果再组织语言回复。CRM 则是典型的业务系统。它管理的不只是联系人名单还有客户生命周期线索Lead、联系人Contact、商机Opportunity、订单Order、客户成功Customer Success。过程数据比结果数据更重要比如下一次跟进时间、商机阶段变化、客户风险等级。把 CRM 做成 MCP Server核心工作就是把业务操作封装成工具。例如create_lead创建线索list_contacts查询联系人update_opportunity_stage更新商机阶段get_customer_health_score读取客户健康度。AI Agent 通过对话就能完成这些操作。注意这不是简单的调用 API而是让 AI 能理解何时调用、调用哪个、参数怎么填。工具描述写得是否清楚直接影响 AI 的使用效果。这一点在后面实操部分会展开。Salestrics 的开源意义在于它把MCP Server CRM做了一个可运行、可改造的参考实现。想理解这个方向不用从零开始设计协议也不需要买一个商业系统的 API 权限。3. Salestrics 在解决什么AI 原生收入团队的真实工作流所谓 AI-native revenue team核心变化不是团队里多了一个 AI 工具而是整个工作流的设计前提变了数据收集、分析、执行这三个环节都不再以人手动操作为中心。举一个具体场景。传统销售团队每天的工作流程是这样的销售打完电话在 CRM 里新建一条跟进记录记录完成后手动修改商机阶段判断下一步动作可能需要查历史记录然后手动填写下次跟进日期管理者要看漏斗等销售更新完数据导出一份报表数据超过三天没更新报表失真管理层开始催销售补数据。AI-native 工作流变成这样会议软件自动生成转录文本Agent 监听会议结束事件Agent 调用 CRM 的 MCP Tool自动创建/更新联系人记录Agent 根据谈话内容提取商机阶段关键词更新阶段并生成下次跟进任务销售只需要在 Agent 给出的摘要上确认有问题才去修改。从流程上能看到AI 承担的是数据搬运 初步判断的工作销售承担的是确认 决策。这不只是省时间而是改变了数据质量。因为 AI 不会因为懒得填而漏掉记录它每次都会触发工具调用数据天然更完整。这里有一个容易被忽视的技术点Agent 调用 CRM Tool 后拿到的不只是一条创建成功的消息还应该有结构化的上下文。比如创建线索后返回 contact_id、org_id、created_atAI 才能把这个 ID 关联到后续对话里。换句话说MCP Server 的返回值设计决定了 Agent 能不能顺畅地做多步操作。后面代码部分会演示这个设计。Salestrics 想占据的位置恰好是 Salesforce 这类重型 CRM 和简单的 Airtable 表格之间的空白。它不承诺替代所有CRM功能而是先做好 AI Agent 最需要的那几个操作同时把数据模型和工具开放出来。4. 环境准备与前置条件要实际跑通一个 MCP Server CRM 的示例需要准备以下环境。以本人实际使用的通用工具链为例版本以你安装的最新稳定版为准本文重点演示思路不限定某个具体版本。运行时与语言Node.js 18 以上MCP TypeScript SDK 依赖较新的 ES 特性npm 或 pnpmPython 3.10 以上如果选择 Python 版 MCP SDK一个支持 MCP 的客户端比如 Claude Desktop或者直接用 MCP Inspector 调试。依赖安装我们用 TypeScript 版本的 MCP SDK。新建项目目录并初始化mkdir salestrics-demo cd salestrics-demo npm init -y npm install modelcontextprotocol/sdk zod npm install typescript tsx --save-dev创建 tsconfig.json{ compilerOptions: { target: ES2022, module: NodeNext, moduleResolution: NodeNext, outDir: ./dist, rootDir: ./src, strict: true, esModuleInterop: true, skipLibCheck: true } }这里的 strict 模式很重要。MCP SDK 的类型定义比较严格如果是新手建议从一开始就开 strict后面写工具参数的时候会被类型系统提醒很多低级错误。数据存储选择示例里用 SQLite 做存储主要是为了零配置、易演示。生产环境建议替换成 PostgreSQL理由在第 9 章会说明。如果你机器上没有 SQLite 的 Node 驱动安装npm install better-sqlite3 npm install --save-dev types/better-sqlite3MCP Inspector可选但推荐MCP 官方提供 Inspector 调试工具它可以在浏览器里连接你的 MCP Server手动调用工具查看返回结果。启动方式如下npx modelcontextprotocol/inspector node dist/server.js这个工具非常有用可以在不接入 AI 客户端的情况下先验证 Server 本身是否工作正常。5. MCP Server CRM 最小实现下面从零实现一个最小可用的 CRM MCP Server。业务字段刻意精简保留线索创建、联系人查询、商机阶段更新三个核心操作。实际 Salestrics 项目会复杂很多但核心模式是一致的。先定义数据库结构。创建src/db.ts// 文件路径src/db.ts import Database from better-sqlite3; const db new Database(crm.db); db.exec( CREATE TABLE IF NOT EXISTS leads ( id TEXT PRIMARY KEY, name TEXT NOT NULL, company TEXT, email TEXT, source TEXT, created_at TEXT NOT NULL DEFAULT (datetime(now)) ); CREATE TABLE IF NOT EXISTS contacts ( id TEXT PRIMARY KEY, lead_id TEXT, name TEXT NOT NULL, role TEXT, email TEXT, FOREIGN KEY (lead_id) REFERENCES leads(id) ); CREATE TABLE IF NOT EXISTS opportunities ( id TEXT PRIMARY KEY, name TEXT NOT NULL, stage TEXT NOT NULL DEFAULT qualification, amount REAL DEFAULT 0, contact_id TEXT, updated_at TEXT NOT NULL DEFAULT (datetime(now)), FOREIGN KEY (contact_id) REFERENCES contacts(id) ); ); export default db;这里有一个新手容易踩的坑better-sqlite3 是同步 API方便但也容易在事件循环里阻塞。示例数据量小没问题生产环境换 PostgreSQL 时要注意异步连接。然后实现工具。MCP 的 Tool 需要明确的 name、description、inputSchema。description 是给 AI 看的写得越具体AI 判断越准确。// 文件路径src/tools/leadTools.ts import { db } from ../db.js; export const createLeadTool { name: create_lead, description: 创建一个新的销售线索。 当电话号码、视频会议或即时通讯中首次出现潜在客户信息时调用。 必须包含潜在客户的姓名公司名称尽量补充。 成功后返回新线索的唯一 ID。 , inputSchema: { type: object, properties: { name: { type: string, description: 线索联系人姓名 }, company: { type: string, description: 线索所属公司 }, email: { type: string }, source: { type: string, enum: [cold_call, meeting, email, referral, website], description: 线索来源 } }, required: [name] }, execute: async (args: any) { const id ${Date.now()}_${Math.random().toString(36).slice(2)}; db.prepare( INSERT INTO leads (id, name, company, email, source) VALUES (?, ?, ?, ?, ?) ).run(id, args.name, args.company || , args.email || , args.source || ); return { content: [ { type: text, text: JSON.stringify({ id, status: created }) } ] }; } };类似的查询联系人和更新商机阶段的工具// 文件路径src/tools/opportunityTools.ts import { db } from ../db.js; export const updateOpportunityStageTool { name: update_opportunity_stage, description: 更新商机的销售阶段。 当用户提到推进、签约、寄合同、报价、close 等关键词时需要检查当前商机阶段并更新。 合法的阶段值qualification初步筛选、proposal方案报价、negotiation商务谈判、won赢单、lost输单。 , inputSchema: { type: object, properties: { opportunityId: { type: string, description: 商机 ID }, stage: { type: string, enum: [qualification, proposal, negotiation, won, lost] } }, required: [opportunityId, stage] }, execute: async (args: any) { db.prepare( UPDATE opportunities SET stage ?, updated_at datetime(now) WHERE id ? ).run(args.stage, args.opportunityId); return { content: [ { type: text, text: JSON.stringify({ id: args.opportunityId, stage: args.stage }) } ] }; } };接下来把工具注册到 MCP Server// 文件路径src/server.ts import { McpServer } from modelcontextprotocol/sdk/server/mcp.js; import { StdioServerTransport } from modelcontextprotocol/sdk/server/stdio.js; import { createLeadTool } from ./tools/leadTools.js; import { listContactsTool } from ./tools/contactTools.js; import { updateOpportunityStageTool } from ./tools/opportunityTools.js; const server new McpServer({ name: salestrics-demo, version: 0.1.0 }); server.tool( createLeadTool.name, createLeadTool.description, createLeadTool.inputSchema, createLeadTool.execute ); server.tool( listContactsTool.name, listContactsTool.description, listContactsTool.inputSchema, listContactsTool.execute ); server.tool( updateOpportunityStageTool.name, updateOpportunityStageTool.description, updateOpportunityStageTool.inputSchema, updateOpportunityStageTool.execute ); const transport new StdioServerTransport(); await server.connect(transport);编译并启动npx tsc node dist/server.js启动后不会有明显输出因为 STDIO 模式是等待客户端输入。这是正常现象。如果你期待看到日志可以先跑 MCP Inspector。server.tool这个方法签名其实是 SDK 提供的便捷封装。它接受名称、描述、JSON Schema 和 execute 函数。真正执行时SDK 会校验 AI 传入的参数是否符合 schema不符合会直接报错返回给 AI。这种设计比在 execute 里手动校验安全很多。6. 让 Agent 真正用起来客户端配置与调用服务端写好后接下来把它接进 AI 客户端。以 Claude Desktop 为例在它的配置文件claude_desktop_config.json里添加 MCP Server 配置{ mcpServers: { salestrics: { command: node, args: [/绝对路径/salestrics-demo/dist/server.js], env: { CRM_DB_PATH: /绝对路径/salestrics-demo/crm.db } } } }注意command和args里的路径必须是绝对路径相对路径在部分客户端下解析有问题这是实际接入时最常见的报错原因之一。如果你不想依赖图形客户端可以用 MCP Client SDK 编写一个最小调用脚本。这里用 Node 写一个命令行测试// 文件路径src/testClient.ts import { Client } from modelcontextprotocol/sdk/client/index.js; import { StdioClientTransport } from modelcontextprotocol/sdk/client/stdio.js; const transport new StdioClientTransport({ command: node, args: [dist/server.js] }); const client new Client({ name: test-client, version: 0.1.0 }); await client.connect(transport); // 调用 create_lead 工具 const result await client.callTool({ name: create_lead, arguments: { name: Zhang Wei, company: Acme Inc, source: cold_call } }); console.log(JSON.stringify(result, null, 2)); await transport.close();运行npx tsx src/testClient.ts预期输出类似{ content: [ { type: text, text: {\id\:\1739860000000_xyz\,\status\:\created\} } ] }拿到这个结果说明 MCP Server 工作正常。接下来要关注的是另一件事AI 在真实对话里会不会正确调用这些工具这会考验工具描述的质量。比如用户说刚才那个电话里客户说他下周想看看报价Agent 应该调 update_opportunity_stage 吗如果 description 里写了当用户提到推进、报价等关键词时调用那 Agent 就更可能正确触发。反之如果只写更新商机阶段Agent 大概率要多绕一圈甚至不调用。7. 运行验证与效果判断部署完成不等于功能正常。MCP Server 的验证要分三层看。第一层系统级验证服务启动后进程是否存在STDIO 是否就绪环境变量是否正确注入。检查命令ps aux | grep dist/server.js如果进程存在但客户端连不上优先查 PATH。图形客户端的环境变量往往和 shell 不同可能需要把 node 的绝对路径写进 command 字段which node # 输出 /usr/local/bin/node 之类的路径第二层协议级验证用 MCP Inspector 连接后左侧会列出所有工具。逐个调用检查返回结果里的content[0].text是否为合法 JSONisError是否为 false。这一步能发现绝大多数 schema 错误。第三层业务级验证这一步最关键也是最容易被忽略的让 Agent 模拟完整业务场景。示例提问方式我刚刚跟 Acme Inc 的张伟通完电话他说下周可以看报价帮我记录一下这个线索并把商机推到方案报价阶段。如果系统设计合理Agent 应该依次调用 create_lead、创建商机、update_opportunity_stage。检查数据库sqlite3 crm.db select * from leads; select * from opportunities;如果只有线索没有商机说明 Agent 只执行了第一步要么是产品提示不够要么是工具返回值里没有足够的信息让 Agent 决定下一步。这时要去优化工具描述或返回值结构而不是责怪模型。8. 常见问题与排查思路下面整理了实际接入 MCP Server CRM 时最容易遇到的问题。问题现象可能原因排查方式解决方案客户端显示未发现工具MCP Server 启动失败或路径错误查看客户端日志检查 command/args 是否为绝对路径修正配置先本地 npx tsc 确认编译通过工具调用返回 isError trueexecute 内部抛异常在 execute 里加 try/catch 并输出错误信息返回结构化错误文本便于 AI 理解和向用户解释Agent 始终不调用某个工具工具描述不清晰或 schema 属性描述缺失检查 description 是否说明何时调用补充触发场景和关键词语义create_lead 成功但后续无法关联返回值缺少 ID 或上下文不完整查看 AI 的下一步推理是否引用了 id 字段返回 id、org_id、created_at 等结构化字段数据出现重复线索没有唯一性判断逻辑查询数据库确认重复规则在 create_lead 执行前按 email/company 查询一次SQLite 文件被占用多进程同时打开同一文件检查是否有两个 server 进程生产环境换 PostgreSQL9. 生产环境最佳实践与安全边界到这里你已经有能力跑通一个 MCP 化的 CRM。但生产环境和企业级使用有一些边界必须提前想清楚。认证与授权MCP 协议本身不负责身份认证。当 Agent 调用 create_lead 时它是以什么身份写入的在单机 demo 里无所谓但真实系统里必须区分哪些销售只能读哪些可以写Agent 调用时传递的 user_id 是什么。建议做法是 Client 在请求上下文里携带用户身份Server 端做权限判断。工具幂等性AI 生成的参数可能重复。比如用户连续点了两次同步会议记录Agent 可能发起两次 create_lead。要避免重复数据工具应该支持幂等键比如external_id传入时先去重。这也是 MCP Server 设计中被低估的一点。敏感数据脱敏CRM 里存的是客户信息很多还涉及合同金额、联系方式。当这些数据被传给外部大模型时要明确哪些字段可以出企业边界哪些必须脱敏。MCP Server 可以在返回前做字段过滤不要把全部数据库行丢给模型。审计日志所有 AI 触发的数据变更都必须记录是哪次对话、哪个用户、哪个 Agent、调用哪个工具、改了什么。不只是合规要求也是排查AI 误操作的最后手段。建议给每个工具增加 request_id 和 user_id 的透传参数。存储选型SQLite 适合原型但并发写入是瓶颈。生产环境换成 PostgreSQL并且给 leads.email、opportunities.stage 建索引。事务方面涉及多步操作创建线索 创建商机时不能让 Agent 分两次独立调用去维护一致性更稳妥的是提供一个批量创建工具在服务端事务里完成。模型选择MCP 协议把工具暴露给模型但模型能不能正确用起来取决于模型本身的工具调用能力。实际经验是工具数量控制在 15 个以内时调用准确率比较可观超过 30 个即使是较强模型也会开始犯迷糊。如果业务有 50 个 CRM 操作要把高频工具优先暴露低频操作放到次级菜单或单独 Server。10. 总结与下一步MCP 和 CRM 的结合本质上是把人操作业务系统变成了Agent 操作业务系统。Salestrics 这类开源项目提供了一个很好的切口它证明了这个方向不一定需要大型厂商的支持一个开源的 MCP Server 加一套合理的数据模型就能支撑 AI-native revenue team 的日常核心流程。如果你准备动手实践建议按这个顺序推进先跑通本文的最小 MCP Server 示例接进 Claude Desktop 或 Cursor 做一两个真实场景测试然后逐步增加业务工具比如联系人导入、阶段变更历史、待办提醒最后补齐权限、审计和幂等再考虑生产上线。这个方向后续值得深入的内容包括MCP Resources 怎么把 CRM 的报表数据暴露给 AI 做检索、MCP Prompts 怎么把销售跟进话术预置成模板、多用户隔离怎么通过上下文头实现、以及如何在 CI/CD 里对 Agent 的调用结果做自动化回归测试。每一步都有不少坑也会有不少收获。