企业内网本地 LLM + MCP 工具链试点落地指南

1. 改写后的明确需求

将原请求改写为：

> 基于 XDA 文章中“本地 LLM 通过 MCP 接入搜索、文档、记忆、网页抓取和浏览器自动化”的经验，提炼一份适合企业内网小范围试点的落地技术文档。文档需要包含最小架构、部署步骤、样例配置、3 个以上可执行场景、安全边界、验收标准、失败处理和 4 周推广计划。

改写点：

2. 一句话结论

企业内网落地本地 LLM + MCP，不应先追求全自动智能体，而应先建设一套“小模型 + 少量高频 MCP 工具 + 只读数据源 + 人工确认 + 审计日志”的低风险试点环境，用 3–5 个内部场景验证价值后再扩展权限。

3. 试点边界

3.1 第一阶段目标

3.2 第一阶段不做什么

4. 最小可行架构

员工 / 研发 / 运维
  │
  ├─ Web UI / CLI / IDE 插件
  │
  ▼
内网 LLM 客户端
  - OpenAI-compatible API client
  - MCP client
  - 工具白名单
  - 会话日志脱敏
  │
  ├─ 本地/内网推理服务
  │    - Ollama / vLLM / LM Studio / 企业统一推理网关
  │    - 按场景选择模型
  │
  ├─ MCP Server 层
  │    - SearXNG：内网/公开资料搜索
  │    - Context7 或内部文档 MCP：技术文档查询
  │    - Qdrant：向量检索
  │    - OpenMemory/mem0：对话事实记忆
  │    - Crawl4AI：网页正文抓取
  │    - Playwright：需要登录/点击/分页的浏览器操作
  │
  ├─ 受控数据目录
  │    - data/policies/
  │    - data/runbooks/
  │    - data/code_samples/
  │    - data/incidents/
  │
  └─ 输出与审计
       - outputs/
       - logs/redacted_sessions/
       - audit/tool_calls.jsonl

5. 推荐组件清单

| 能力 | 推荐组件 | 企业内网用途 | 第一阶段权限 | |---|---|---|---| | 模型推理 | Ollama / vLLM / OpenAI-compatible gateway | 提供统一模型接口 | 仅内网访问 | | 搜索 | SearXNG MCP | 搜索内部知识库、公开资料镜像 | 只读 | | 最新技术文档 | Context7 或内部文档 MCP | 查询框架/API 文档 | 只读 | | 向量库 | Qdrant | 文档、代码片段、故障案例语义检索 | 只读检索，受控导入 | | 记忆层 | OpenMemory/mem0 | 保存用户偏好、团队上下文、环境事实 | 低敏事实，人工可清理 | | 网页抓取 | Crawl4AI MCP | 把网页转成 Markdown | 只读 | | 浏览器自动化 | Playwright MCP | 登录内网页面、翻页、导出报告 | 测试账号，只读 |

> 注意：Context7 默认依赖外部托管文档库；如果内网不允许访问外部服务，应替换为内部文档 MCP 或把官方文档离线镜像后导入向量库。

6. 目录结构建议

intranet-llm-mcp-pilot/
├── README.md
├── .env.example
├── docker-compose.yml
├── config/
│   ├── mcp.servers.json
│   ├── model-routing.yaml
│   └── security-policy.yaml
├── data/
│   ├── policies/
│   ├── runbooks/
│   ├── code_samples/
│   └── incidents/
├── scripts/
│   ├── ingest_docs.py
│   ├── run_readonly_agent.py
│   └── redact_logs.py
├── outputs/
└── audit/
    └── tool_calls.jsonl

7. 基础部署步骤

7.1 准备 .env

cp .env.example .env

.env.example：

LLM_BASE_URL=http://127.0.0.1:11434/v1
LLM_API_KEY=local-not-required
LLM_MODEL=qwen2.5:14b-instruct
QDRANT_URL=http://127.0.0.1:6333
SEARXNG_URL=http://127.0.0.1:8080
AUDIT_LOG=./audit/tool_calls.jsonl
OUTPUT_DIR=./outputs
DATA_ROOT=./data

要求：

7.2 启动基础服务

docker-compose.yml 示例：

services:
  qdrant:
    image: qdrant/qdrant:latest
    ports:
      - "127.0.0.1:6333:6333"
    volumes:
      - ./qdrant_storage:/qdrant/storage

  searxng:
    image: searxng/searxng:latest
    ports:
      - "127.0.0.1:8080:8080"
    volumes:
      - ./searxng:/etc/searxng

  crawl4ai:
    image: unclecode/crawl4ai:latest
    ports:
      - "127.0.0.1:11235:11235"

启动：

docker compose up -d
curl http://127.0.0.1:6333/collections
curl http://127.0.0.1:8080
curl http://127.0.0.1:11235/health

验收标准：

失败处理：

7.3 配置 MCP Server 白名单

config/mcp.servers.json 示例：

{
  "servers": {
    "search": {
      "command": "python",
      "args": ["-m", "mcp_searxng"],
      "env": {
        "SEARXNG_URL": "http://127.0.0.1:8080"
      }
    },
    "crawl4ai": {
      "command": "python",
      "args": ["-m", "mcp_crawl4ai"],
      "env": {
        "CRAWL4AI_URL": "http://127.0.0.1:11235"
      }
    },
    "qdrant_readonly": {
      "command": "python",
      "args": ["-m", "mcp_qdrant_readonly"],
      "env": {
        "QDRANT_URL": "http://127.0.0.1:6333"
      }
    }
  },
  "policy": {
    "default": "deny",
    "allowed_tools": [
      "search.query",
      "crawl4ai.fetch_markdown",
      "qdrant_readonly.search"
    ],
    "blocked_tools": [
      "shell.run",
      "database.write",
      "kubernetes.delete",
      "email.send"
    ]
  }
}

验收标准：

8. 场景一：企业制度 / 运维手册问答

8.1 目标

让模型基于内网制度、运维手册、故障复盘文档回答问题，并返回引用来源。

8.2 样例文件

data/policies/change_policy.md：

# 变更管理制度

- 生产变更必须提前 1 个工作日提交审批。
- 数据库 DDL 必须提供回滚方案。
- 高峰期禁止执行高风险变更。
- 紧急变更必须在 24 小时内补充复盘。

data/runbooks/postgres_lock_runbook.md：

# PostgreSQL 锁等待处理手册

1. 查询锁等待会话。
2. 联系业务确认影响范围。
3. 禁止直接 kill 生产会话，除非获得 DBA 确认。
4. 处理完成后记录 SQL、时间、影响表和审批人。

8.3 导入向量库

scripts/ingest_docs.py 示例逻辑：

from pathlib import Path

DATA_ROOT = Path("data")

for path in DATA_ROOT.rglob("*.md"):
    text = path.read_text(encoding="utf-8")
    print({
        "path": str(path),
        "chars": len(text),
        "collection": "internal_docs"
    })
    # 实际项目中：分块、生成 embedding、写入 Qdrant

运行：

python scripts/ingest_docs.py

8.4 测试问题

如果我需要在生产库执行 DDL，需要准备什么？

期望输出形态：

结论：生产 DDL 至少需要提前审批、回滚方案和风险窗口确认。
依据：
- data/policies/change_policy.md：数据库 DDL 必须提供回滚方案。
- data/policies/change_policy.md：生产变更必须提前 1 个工作日提交审批。
注意：如果是紧急变更，需 24 小时内补充复盘。

验收标准：

失败处理：

9. 场景二：本地代码审查助手

9.1 目标

让模型对代码样例做只读审查，输出风险点、证据行、修改建议，不直接改代码。

9.2 样例代码

data/code_samples/user_api.py：

import sqlite3


def get_user(user_id):
    conn = sqlite3.connect("users.db")
    sql = f"SELECT * FROM users WHERE id = {user_id}"
    return conn.execute(sql).fetchone()

9.3 审查提示词

你是企业内部代码审查助手。请只读审查下面代码：
1. 找出安全、可靠性、可维护性问题。
2. 每个问题必须指出证据行或代码片段。
3. 给出最小修改建议。
4. 不要直接写文件，不要执行命令。

9.4 期望输出形态

风险等级：高
问题 1：SQL 注入风险
证据：f"SELECT * FROM users WHERE id = {user_id}"
建议：改为参数化查询。

问题 2：SELECT * 可维护性差
证据：SELECT *
建议：显式列出需要字段。

问题 3：连接未关闭
证据：sqlite3.connect 后未使用上下文管理器
建议：使用 with sqlite3.connect(...) as conn。

验收标准：

失败处理：

10. 场景三：网页抓取 + 内部研究简报

10.1 目标

让模型通过 SearXNG 搜索主题，再用 Crawl4AI 抓取网页正文，生成带来源的内部简报。

10.2 输入样例

请调研最近 MCP 生态中适合企业内网使用的工具，输出 5 条以内简报，每条附来源 URL。

10.3 工具调用策略

search:
  max_results: 5
  allow_domains:
    - github.com
    - modelcontextprotocol.io
    - docs.anthropic.com
    - microsoft.github.io
crawl:
  max_pages: 5
  output_format: markdown
  timeout_seconds: 20
summary:
  require_source_url: true
  max_bullets: 5

10.4 期望输出形态

主题：MCP 企业内网工具简报

1. Playwright MCP 适合需要浏览器会话的自动化场景。
   来源：https://...
   内网适配建议：第一阶段只读账号、禁止提交表单。

2. Context7 可用于开发文档查询，但如果内网禁止外连，需要离线替代。
   来源：https://...
   内网适配建议：用内部文档索引替代外部托管服务。

验收标准：

失败处理：

11. 场景四：只读运维日报 Agent

11.1 目标

让模型读取脱敏后的日志摘要、巡检结果和变更记录，生成每日运维日报。

11.2 输入文件

data/incidents/daily_check_2026-05-25.md：

# 每日巡检

- PostgreSQL 主库连接数峰值：75%
- Redis 内存使用率峰值：68%
- Kubernetes 异常重启 Pod：2 个
- 当日生产变更：1 个，已审批
- 未关闭告警：3 个

11.3 只读 Agent 脚本骨架

scripts/run_readonly_agent.py：

from pathlib import Path

DATA_ROOT = Path("data/incidents").resolve()
OUTPUT_DIR = Path("outputs").resolve()
OUTPUT_DIR.mkdir(exist_ok=True)


def safe_read(relative_path: str) -> str:
    path = (DATA_ROOT / relative_path).resolve()
    if not str(path).startswith(str(DATA_ROOT)):
        raise ValueError("path outside allowed data root")
    return path.read_text(encoding="utf-8")


def write_report(name: str, content: str) -> Path:
    path = (OUTPUT_DIR / name).resolve()
    if not str(path).startswith(str(OUTPUT_DIR)):
        raise ValueError("path outside output dir")
    path.write_text(content, encoding="utf-8")
    return path


source = safe_read("daily_check_2026-05-25.md")
report = f"""# 运维日报\n\n## 原始巡检摘要\n\n{source}\n\n## 待人工确认\n\n- 异常重启 Pod 的业务影响范围\n- 未关闭告警是否需要升级\n"""
print(write_report("ops_daily_2026-05-25.md", report))

运行：

python scripts/run_readonly_agent.py

验收标准：

失败处理：

12. 记忆层设计：OpenMemory/mem0 与 Qdrant 分工

12.1 适合进入 OpenMemory/mem0 的内容

12.2 不适合进入 OpenMemory/mem0 的内容

12.3 适合进入 Qdrant 的内容

12.4 清理策略

每周：抽样检查新增记忆是否包含敏感信息。
每两周：清理重复、冲突、过期记忆。
每月：导出记忆审计报告，由系统负责人确认。

验收标准：

13. 企业安全与合规边界

13.1 数据边界

13.2 权限边界

13.3 模型边界

14. 审计日志格式

audit/tool_calls.jsonl 示例：

{"time":"2026-05-25T09:30:00+08:00","user":"alice","tool":"qdrant.search","input_hash":"sha256:...","allowed":true,"reason":"readonly retrieval"}
{"time":"2026-05-25T09:31:12+08:00","user":"alice","tool":"database.write","input_hash":"sha256:...","allowed":false,"reason":"blocked in phase 1"}

最低要求：

15. 4 周推广计划

第 1 周：单机验证

目标：跑通模型、MCP client、Qdrant、SearXNG、Crawl4AI。

交付物：

通过标准：

第 2 周：小团队试点

目标：让 3–5 名内部用户试用文档问答、代码审查、网页简报。

交付物：

通过标准：

第 3 周：策略固化

目标：把工具权限、数据目录、日志保留、审批流程固化为配置和制度。

交付物：

通过标准：

第 4 周：有限扩展

目标：扩大到 1–2 个团队，但不增加生产写权限。

交付物：

通过标准：

16. 管理层摘要

17. 最小验收清单

18. 试点完成后的决策

可以继续推进的信号

应该停止或收缩的信号

19. 附录：第一阶段推荐工具数量

原文作者的经验是：本地小模型不适合常驻过多工具，5–6 个高频工具更稳。企业内网试点可以采用以下初始组合：

必选：
1. 内部文档检索 MCP
2. Qdrant 只读检索 MCP
3. Crawl4AI 网页抓取 MCP
4. SearXNG 搜索 MCP

可选：
5. Playwright MCP，只给测试账号和只读页面
6. OpenMemory/mem0，只保存低敏偏好和环境事实

暂不建议第一阶段接入：