跳到主要内容

🔌 扩展能力

用 Python、HTTP 或一键安装的社区插件，让 OPL 数据空间做任何你真正需要的事情。

OPL 数据空间自带一套很强的默认能力，但你的工作流通常不是“默认工作流”。Extensibility 就是用来填平这个差距的：给模型接入实时数据、加合规规则、增加新模型提供方，或者把它接到任意外部服务上。你可以写几行 Python、指向一个 OpenAPI 端点，或直接从社区导入现成方案。平台应该适配你的工作，而不是反过来。

这里大体分成三层，绝大多数团队最后至少会用到其中两层：

  • 进程内 Python（Tools & Functions）：直接运行在 OPL 数据空间内部，零额外基础设施，迭代很快
  • 外部 HTTP（OpenAPI / MCP servers）：连接任意位置运行的服务，从 sidecar 到第三方 SaaS 都可以
  • Pipeline workers（Pipelines）：把重型或敏感处理卸载到独立容器，保证主实例保持轻量

为什么要用 Extensibility​

给模型真实世界能力​

默认情况下，LLM 只能基于训练数据和当前对话工作。通过 Tools，你可以让它去查天气、查询数据库、调用 API、执行计算。模型会根据上下文自己决定何时调用这些能力。

接入任意外部服务​

如果你有内部 API、带 OpenAPI 规范的第三方服务，或者已经在栈里跑着的 MCP server，只要把规范或地址接入 OPL 数据空间，它就能自动发现端点并暴露成可调用工具。

控制每一条消息​

Functions 允许你在消息到达模型之前（input filters）或返回给用户之前（output filters）做拦截和转换。无论是脱敏、格式约束、观测打点，还是动态注入系统提示词，都不需要去改模型本身。

卸载重型处理​

如果某个扩展需要 GPU、大依赖或者更严格的隔离，就把它放进 Pipeline，跑在另一台机器或独立容器里，主实例只通过标准 API 与它通信。

直接导入社区成果​

你可以从 OPL 数据空间 社区 站点一键导入成百上千个工具与函数，不必自己从零写起。

关键能力​

🐍 扩展功能让模型获得新能力的 Python 脚本，例如网页搜索、API 调用、代码执行
⚙️ Functions扩展平台能力，例如新增 provider（Pipes）、消息过滤（Filters）或 UI 动作（Actions）
🔗 MCP 支持原生支持基于 HTTP 的 Model Context Protocol
🌐 OpenAPI 服务器自动发现并暴露任意 OpenAPI 兼容端点
🔧 Pipelines运行在独立 worker 中的模块化插件框架，适合重型或敏感处理
📝 Skills用 Markdown 指令集教模型如何执行特定任务
⚡ Prompts带类型化输入和版本管理的 slash-command 模板
🏪 社区库一键导入社区构建的 Tools 与 Functions

架构速览​

理解每一层各适合什么，有助于少走弯路：

层运行位置适合场景代价
Tools & FunctionsOPL 数据空间进程内部实时数据、过滤器、UI 动作、新 provider与主服务共享资源
OpenAPI / MCP任意 HTTP 服务接入现有服务与第三方 API需要额外运行外部服务
Pipelines独立 Docker 容器GPU 工作负载、大依赖、隔离执行需要管理额外基础设施

多数用户会先从 Tools & Functions 开始，因为它无需额外部署，并且自带代码编辑器，能覆盖大部分场景。

使用场景​

实时数据增强​

销售团队写一个 Tool 去查 CRM API。当销售问“Acme 这笔交易最新情况如何？”时，模型就可以直接取回实时 pipeline 状态、最后跟进记录和金额，并生成带实况数据的 briefing。

企业合规过滤​

医疗组织可以部署一个 Filter Function，在输出消息中扫描 PHI 模式（例如 SSN、MRN、出生日期），先做脱敏，再返回给用户，同时把原始数据记入 SIEM。

多 provider 模型路由​

工程团队可以用 Pipe Functions 同时接入 Anthropic、Google Vertex AI 和自建 vLLM，与原有 Ollama 模型并存。用户在一个模型选择器里就能访问所有 provider。

重型 Pipeline​

研究团队如果需要基于 cross-encoder 做重排序，并且这个过程必须依赖 GPU，就可以把它部署成独立 Pipeline，让 OPL 数据空间自动把相关请求转发过去，而不让主实例变得臃肿。

限制​

安全​

Tools、Functions 和 Pipelines 都会在你的服务器上执行任意 Python 代码。只从可信来源安装、安装前先审查代码，并且把 Workspace 访问权限严格限制给可信管理员。详情请看 Security Policy。

资源共享​

进程内 Tools 和 Functions 会与 OPL 数据空间共享 CPU 和内存。昂贵扩展应尽量迁移到 Pipelines 或外部服务。

MCP 传输协议​

OPL 数据空间原生支持的 MCP 传输是 Streamable HTTP。如果你手头是 stdio 或 SSE 方案，可以用 mcpo 做转换代理。

继续深入​

主题你会学到什么
Tools & Functions如何编写 Python Tools、Functions（Pipes / Filters / Actions）以及开发 API
MCP如何连接 MCP server、配置 OAuth、排查常见问题
Pipelines如何部署 pipeline worker、构建自定义 pipeline、理解目录结构