为 AI 模型赋予「三头六臂」：MCP 服务实用指南

借助 MCP，AI 模型可以真正完成我们想要它做的事情，而不仅仅局限于你问我答的单一对话场景。

如果用机器人来比喻市面上的 AI 产品——

不断迭代更新的 AI 模型，比如 DeepSeek-R1、GTP4o、Claude 3.5 sonnet，就像是机器人的大脑，处理任务，返回结果；

面向用户推出的 app，比如 ChatGPT、DeepSeek、Claude，让我们得以与 AI 模型沟通，就好像是机器人的耳与口；

能够调用 AI 模型的 API，则像是脑机接口，直接将信息传输给大脑，并接收大脑返回的信息。

但如何调动机器人的躯干和四肢，让它直接为我们做事呢？本文接下来要介绍的 MCP 就能实现。MCP 的全称是 Model Context Protocal，是由 Anthropic 发起的开放协议，提供了一种将 AI 模型连接到不同数据源和工具的标准化方法。基于这种协议搭建的 MCP 服务能让 AI 获得「三头六臂」。

目前，Anthropic 和第三方已经提供了不少 MCP 服务，比如：

Anthropic 自己推出的服务：
- Filesystem ，AI 可以读写、创建或是移动本地文件
- Slack ，查看和回复 Slack 频道消息
- Brave Search ，使用 Brave 的 Search API 进行 Web 和本地搜索
- Fetch ，网页内容的获取和转换
- Sequential Thinking ，帮助大模型「deep think」，将任务细分成多个步骤依次完成
- Google Maps ，从谷歌地图获取定位、路线和地点详细信息
第三方提供的官方服务：
- Obsidian Markdown Notes ，阅读和搜索 Obsidian 仓库的笔记
- Cloudflare ，在 Cloudflare 开发者平台上部署和管理资源
用户贡献的开源服务：
- MySQL MCP ，读写 MySQL 数据库数据，以及执行 SQL 查询
- Notion MCP ，通过 Notion API 与 Notion 工作区交互

更多 MCP 服务可以查看 Anthropic 官方文档。

这些服务为 AI 模型处理任务的能力带来的提升，我认为可以总结为以下三点：

指定信源：如果直接与训练好的 AI 模型对话，它回答问题依据的要么是训练模型时使用的语料，要么是在网上搜索的信息。这些数据缺乏可信度，具体到工作生活中的某个场景，又因为缺乏针对性而导致 AI 模型的回复只能是泛泛而谈。借助 MCP 服务，我们可以让 AI 模型从本地文件、数据库、第三方平台（如Google Drive、Google Maps、Notion）来获取数据，根据问题指定数据源，来得到可采纳度更高的答案。
任务执行：很多时候提问只是第一步，在现有的 AI app 中得到答案后，我们往往需要根据 AI 模型的回答再去完成其他的操作，或是将 AI 模型的回答粘贴到他处。借助 MCP 服务，我们可以让 AI 模型直接完成后续的动作。比如在 Todoist 中创建待办，在 Obsidian 和 Notion 中创建笔记，在 Slack 中回复消息，在 GitHub 上提交文件。
模型无关：MCP 是一个公开标准，并不依附于特定的模型或提供商（尽管目前事实上是由 Anthropic 主导）。比如 Memory 这个服务可以在本地保存你和 AI 聊天过程中与你有关的信息，后续即便你切换成其他模型，也不会损失已有的信息。又比如 Brave Search 提供的网页搜索能力，Fetch 提供的网页信息抓取能力，Sequential Thinking 提供的任务规划能力等等，与任何模型搭配都能起到提升效果。

如何配置 MCP 服务

基于 Anthropic 官方文档的说明，要使用 MCP 服务，首先你需要有一个支持 MCP 协议的客户端，目前主要包括：

Claude 客户端；
IDE 软件，如 Cursor（需要调整配置文件）、Windsurf；
插件，比如 VS Code 插件 Cline、Continue，Emacs 插件 mcp.el；
自己搭建客户端（官方文档有完整教程，适合喜欢折腾的同学）。

其次你需要在客户端的 MCP 配置文件中添加配置代码。比如我使用 Windsurf 作为 MCP 客户端，配置了 Brave Search、fetch、filesystem、mysql、sequential-thinking 这五个 MCP 服务，则需在mcp_config.json文件中配置如下：

{
  "mcpServers": {
    "sequential-thinking": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-sequential-thinking"
      ]
    },
    "mysql": {
      "command": "uv",
      "args": [
        "--directory",
        "/opt/homebrew/lib/python3.11/site-packages/mysql_mcp_server",
        "run",
        "mysql_mcp_server"
      ],
      "env": {
        "MYSQL_HOST": "localhost",
        "MYSQL_PORT": "3306",
        "MYSQL_USER": "root",
        "MYSQL_PASSWORD": "...", // 数据库密码
        "MYSQL_DATABASE": "..." // database 名称
      }
    },
    "filesystem": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-filesystem",
        "..." // 允许访问的文件夹路径
      ]
    },
    "brave-search": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-brave-search"
      ],
      "env": {
        "BRAVE_API_KEY": "..." // brave-search 创建的 API Key
      }
    },
    "fetch": {
      "command": "uvx",
      "args": [
        "mcp-server-fetch"
      ]
    }
  }
}

如果你使用的是 Claude 客户端，部分服务也提供了命令行来快速添加。

应用场景举例

接下来我以两个场景演示 MCP 对 AI 模型的提升效果。使用的 MCP 客户端是 Windsurf，AI 模型是 Windsurf 软件提供的 Cascade Base（这个模型肯定远不如 Claude sonnet 3.5 或是 GPT-4o，但是它免费😊。所以下面展示的生成质量可能不是特别好，重点看方法）。

抓取网页信息并总结

场景介绍

这个例子我希望 AI 模型完成以下任务：

从「有知有行」网站的「保险保障」专题页面上抓取链接，并将每个链接的正文信息保存为单独的文件；
总结全部保存文件的内容，形成专门的总结文档。

我提交给 AI 模型的 prompt 如下：

使用 sequential-thinking 思考并完成下面的工作：
使用 fetch 工具查询网址：https://youzhiyouxing.cn/topics/skeleton/nodes/32，并获取网页正文中的每个链接的内容，使用 filesystem 工具将每个网页的内容保存为一个单独的文件，保存在 MCPtest-文档文件夹中

使用 sequential-thinking 思考并完成下面的工作：
使用 filesystem 工具读取 MCPtest-document 文件夹中全部文件的内容，形成条理清晰的总结，为每一条总结注释来源，并保存在 MCPtest-文档文件夹中