Inner-MCP：通过内部模型代理降低 Codex 上下文消耗的 MCP 服务器

Inner-MCP 是一个创新的 MCP 服务器，它在现有 MCP 工具之上构建代理层，使用内部模型进行规划、推理和工具编排，从而显著减少发送到 Codex 的上下文量，帮助节省 Token 消耗。

• 原作者/维护者：aditya-gupta11
• 来源平台：GitHub
• 原项目名：Inner-mcp
• 原始链接：https://github.com/aditya-gupta11/Inner-mcp
• 发布时间：2026-06-10

---

随着 AI 编程助手（如 OpenAI Codex）的普及，开发者们越来越依赖这些工具来完成复杂的编程任务。然而，一个普遍存在的痛点是：当需要调用大量工具或处理复杂工作流时，Codex 的上下文窗口会被迅速填满。

Model Context Protocol（MCP）作为连接 AI 助手与外部工具的标准协议，允许 Codex 访问各种数据源和服务。但当 MCP 服务器暴露的工具数量增加时，Codex 需要接收的工具描述、参数模式等元数据也会线性增长，导致：

1. Token 消耗激增：每次请求都携带大量工具定义
2. 上下文利用率下降：实际业务逻辑可用的上下文空间被压缩
3. 响应延迟增加：处理大量工具描述需要时间

---

Inner-MCP 项目提出了一种优雅的解决方案：在 Codex 和底层 MCP 工具之间引入一个智能代理层。这个代理层对外只暴露一个统一的工具接口，而内部则负责处理所有复杂的规划、推理和工具编排工作。

核心架构设计：

Codex ←→ Inner-MCP Server ←→ 内部模型（规划/推理）
                ↓
         底层 MCP 工具池

这种设计的精妙之处在于：Codex 只需要了解一个工具的定义，而实际的工作流复杂度由内部模型管理。

---

Inner-MCP 的核心是其内部使用的第二个模型。当 Codex 调用 Inner-MCP 暴露的单一工具时，内部模型会接管后续的所有工作：

内部模型首先解析 Codex 传来的请求，理解用户的真实意图和需要完成的任务。

基于理解的目标，内部模型制定执行计划，决定需要调用哪些底层 MCP 工具、以什么顺序调用、以及如何处理工具间的依赖关系。

内部模型执行规划好的步骤，调用相应的 MCP 工具，处理中间结果，并在必要时调整计划。