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

写 prompt 的要点有二：

所有要用到 MCP 服务的地方，要列出该服务的名称，提示 AI 模型使用；
每次任务的开头，都提示 AI 模型使用 sequential-thinking 将任务拆解为多个步骤执行，提升任务完成度。

执行过程

在我提交第一个 prompt 后，可以看到 AI 模型使用 sequential-thinking 工具将这个任务分成了5个步骤，并使用 Fetch 工具开始获取网页内容：

第二步，AI 模型从网页中提取了 28 个链接，对应原网页中的不同文章标题：

左侧为 AI 模型使用 Fetch 工具抓取的链接，右侧为目标网页内容

第三步，AI 模型想要在桌面创建文件夹以保存文件，但是我在 fetch 工具中限定了可访问的路径，因此它改为使用我指定文件夹的路径。

第四步，AI 模型开始逐个将链接正文保存到文件夹中。它在这一步保存了一篇文章，并总结处理方式。

第五步，AI 模型开始分批保存剩余的链接，第一批保存任务结束后，我终止了它后续的任务。

为了不影响阅读体验，这里我省略了中间获取多个链接正文的过程

第二个 prompt 的执行过程较为简单，不作详细说明，直接将过程和结果的截图贴在下面：

结果评估

在这个场景中，AI 模型正确地理解了我的意图，使用 MCP 工具将目标页面中的文章保存到我本地的文件夹中，并总结全部的文档内容，形成独立的总结文件。

美中不足的两点，一是存在没能抓取网页全部内容的情况，不确定是模型能力不足还是 fetch 工具的问题。二是总结效果一般；这与模型能力应该有直接关系。

数据分析

场景介绍

在这个场景中，我提前下载了美国房地产市场销售数据（共 220 多万条），导入到本地的 MySQL 数据库中，并根据数据结构列出了以下的大纲。我要求 AI 模型根据我列出的大纲，查询数据库，将数据补充到文档中。

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 filesystem 工具读取 @california_housing_price_trends.md 文档中第二节的标题，根据标题内容使用 MySQL 工具依次查询数据库，并将查询结果添加到文档中

执行过程

可以看到 AI 模型根据我列出的 7 个标题，将任务拆分成了 7 步，依次根据每一步的标题来查询数据库。

完成查询后，修改了原文档的内容，将结果插入到对应的标题下：

作为检查，我将 AI 模型输出的 SQL 语句转化成标准的 SQL 语句（形如 { "query": "SELECT state, ROUND(AVG(price), 2) as avg_price\nFROM realtor-data\nGROUP BY state\nORDER BY avg_price DESC\nLIMIT 15;" }），自行执行数据库查询，得到的结果与它返回的结果一致。这表明结果并不是 AI 模型自己杜撰的。

结果评估

在这个场景中，AI 模型同样准确理解了我的指令，根据我在文档中列出的标题，使用 MySQL 工具从数据库获取了我想要的数据，并将结果插入到原文档正确的标题下。

小结

从上述两个场景实例中可以看出，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。

MCP 服务还有很多，我在文中列出的场景尚显单薄，欢迎各位读友在评论区集思广益，将 AI模型 + MCP 的组合融入到自己的工作流中。