本篇分享：用 Python + Flask 做后端，用 Slack 做前端交互，调用 OpenAI API 的结构设计，构建一个真正能派上用场的 MCP bot（Model-Connected Process bot）。

🧩 系统架构

上图就是交互路径，所有请求都从 Slack 出发，然后打通模型、业务逻辑、内部服务。

Flask 是整个 glue code 的核心，Slack 是用户接口，GPT 是大脑，中间业务 API 则是肌肉。

🧪 Flask Server 核心代码

用 Flask 写一个 webhook 接口，Slack 的 slash command 会打到这里：

from flask import Flask, request, jsonifyimport openaiimport osimport requestsapp = Flask(__name__)openai.api_key = os.getenv("OPENAI_API_KEY")@app.route('/slack/command', methods=['POST'])def handle_command():    user_input = request.form.get('text')    user_id = request.form.get('user_id')        prompt = f"你是一个企业助理，现在请根据以下指令生成内容：{user_input}"    response = openai.ChatCompletion.create(        model="gpt-4",        messages=[{"role": "user", "content": prompt}]    )    result = response.choices[0].message['content']        return jsonify({        "response_type": "in_channel",        "text": f"<@{user_id}> 的请求结果如下：\n{result}"    })if __name__ == '__main__':    app.run(port=5001)

几行代码就把一个“能干活”的 bot 原型跑起来了。再把这个核心 prompt 设计得足够靠谱 —— 它是整个 MCP 系统的灵魂。

⚙️ Slack 侧配置

来到 Slack App 中创建一个 Slash Command，比如 /mcp，设置 Request URL 为你的服务器地址，例如 https://yourdomain.com/slack/command。

权限方面要添加 commands 和 chat:write，然后生成 bot token，加到你代码里作为 Authorization 头或者环境变量。

别忘了验证请求来自 Slack，可以加上签名校验逻辑来防止恶意调用。

🧠 模型不只是聊天，它是控制中枢

重申：我们不是在做聊天机器人，我们是在构建一个可以理解语义、调动资源、完成任务的自动化大脑。

比如，我们的 HR MCP bot 接到“生成 HR 周报”的请求后，会自动：

抓取上周的 KPI 数据 📊聚合日报系统内容 🧾模板化输出，写好开头结尾 📃发给 HRBP 甚至同步上 Slack 📬

一整套链路，完全自动，一小时变 10 秒。

🔚 结语：模型很强，流程更关键

大模型能力强毋庸置疑，但想让它真为业务赋能，就得设计好“怎么用”。流程是它的舞台，数据是它的燃料，MCP 就是那个连起来的神经网络。

Slack + Flask + OpenAI API 是经验证下来顺手的一套组合 —— 简洁、快速、强大，完美适合小团队、创新场景。

📣 如果你也在做 AI 产品，或者想尝试 MCP 方向的落地，可以从这个小 bot 开始。