我为抓包工具 RelayCraft 开发了 MCP Server，让 AI 直接调试 HTTP 流量AI 写代码已经很成

如果你还不了解 RelayCraft，可以先看我之前发布的这篇文章。

为什么要做这个

AI 写代码已经很成熟，但在“代码跑起来之后”的调试阶段，仍然存在明显断层：AI 看不到真实接口返回、状态码和响应结构，开发者只能手动截图或复制，再切回对话窗口补充上下文。

这会带来两个问题：

效率问题：信息搬运成本高，调试链路频繁被打断。
协作问题：AI 无法直接访问一线运行数据，只能被动等待“喂数据”。

Whistle、Charles、Fiddler 等工具可以抓流量，但 AI 直接不可用。你没法一句话让 AI 去抓包工具里“自己看请求结果”。

Google 的 Chrome DevTools MCP 解决了部分页面分析场景，但并不以 HTTP 流量调试为核心能力。

因此，我们在 RelayCraft 中增加了 MCP Server 能力，让 AI 可以直接读取、修改并验证流量数据，形成完整闭环。

RelayCraft MCP 闭环流程：

flowchart LR
    classDef observe fill:#1d4ed8,stroke:#60a5fa,stroke-width:2px,color:#ffffff;
    classDef modify fill:#6d28d9,stroke:#a78bfa,stroke-width:2px,color:#ffffff;
    classDef verify fill:#059669,stroke:#34d399,stroke-width:2px,color:#ffffff;
    classDef note fill:#111827,stroke:#374151,stroke-width:1px,color:#d1d5db;
    classDef looplabel fill:#0f172a,stroke:#22c55e,stroke-width:1px,color:#86efac;

    A["1 看 (Observe)<br/>list_flows / get_flow / search_flows"]:::observe
    B["2 改 (Modify)<br/>create_rule"]:::modify
    C["3 验 (Verify)<br/>replay_request + get_flow"]:::verify

    A -->|"定位问题"| B
    B -->|"应用规则"| C
    C -.->|"重放后生成新 Flow"| A

    N1["AI 可直接读取请求与响应"]:::note
    N2["规则即时生效（可追溯来源）"]:::note
    N3["确认生效后进入下一轮调试"]:::looplabel

    A --- N1
    B --- N2
    C --- N3

MCP 是什么（工程视角）

不讲抽象定义：MCP 是让 AI 调用专业工具的标准化桥梁协议。

以前 AI 只能等你“喂数据”；有了 MCP，AI 可以自己调工具：查文件、查接口、读上下文、执行操作、再验证结果。

HTTP 流量调试天然适合 MCP，因为它本身就是一个循环：发现问题 → 分析问题 → 修改行为 → 验证结果。

RelayCraft MCP 能做什么

1）AI 能“看到”流量

当前可直接调用：

list_flows：列出抓到的请求，支持域名 / 状态码 / 方法过滤
get_flow：查看单条请求完整 Headers + Body
get_session_stats：查看会话统计（错误率、慢请求、Top 域名）
search_flows：按关键词搜索 URL / Header / Body

流量查看能力

2）AI 能“改”流量

create_rule 支持 6 种规则类型：

Map Local（本地 Mock）
Map Remote（重定向到目标地址）
Rewrite Header（改请求/响应头）
Rewrite Body（改响应体）
Throttle（模拟弱网）
Block（屏蔽请求）

Rewrite Body 提供 4 种模式，覆盖绝大多数调试场景：

set：整段响应体直接替换（快速 Mock）
replace：精确替换固定文本（改字段名、改环境标记）
regex_replace：按正则批量替换（脱敏、批量改参数）
status_code：只改状态码，不改响应体

例如，只需告诉 AI：“把接口返回中的 Product 替换成 product”，系统就会自动生成并执行对应规则，无需手写配置。

规则创建能力

规则执行示例 1

规则执行示例 2

3）改完之后能“验”

replay_request 是闭环里的关键工具。AI 自己直接发出的请求不一定经过代理；但重放历史请求一定会经过代理端口，被 RelayCraft 捕获。随后可直接用 get_flow 查看修改后的真实结果。

完整闭环：看 → 改 → 验。

重放后的请求会重新进入流量列表，AI 可以直接检查规则是否生效。

4）每条规则都有来源

RelayCraft 为规则提供来源标签：

user：用户在 UI 手动创建
ai_assistant：RelayCraft 内置 AI 助手创建
ai_mcp：外部 MCP 客户端（如 Cursor、Claude Desktop）创建

这样在团队协作中，规则变更可追溯、可审计、可解释。

规则来源标识

同类产品的 MCP 探索

流量调试 MCP 是未来的刚需，因此并不只有 RelayCraft 在做，行业已经出现多条路径：

Proxyman 较早推进 MCP 集成，能力覆盖较完整（请求列表、详情查看、规则管理、录制控制、部分应用控制），脚本生态成熟，在 Claude Code、Cursor 等工具中的接入体验较顺畅；当前主要面向 macOS，闭源。
Charles 暂无官方 MCP 方案，社区存在实验性桥接实现，但在一体化体验上仍有提升空间。
Whistle 社区已出现 MCP 方向探索，受既有架构影响，深度集成仍在演进中。
mitmproxy 存在 MCP 实验实现，但核心定位偏“可编程代理库”，对普通开发者的使用门槛相对更高。

RelayCraft 当前的 MCP 能力已经可以实现功能闭环。我们规划了更多能力，预计会在 v1.2 版本持续完善，包括但不限于：