资源
正文
MCP 是什么
MCP（Model Context Protocol）模型上下文协议由 Claude 的母公司 Anthropic 在 24 年底开源发布：
今天，我们开源了模型上下文协议 （MCP），这是一种将 AI 助手连接到数据所在系统（包括内容存储库、业务工具和开发环境）的新标准。其目的是帮助前沿模型产生更好、更相关的响应。
随着人工智能助手获得主流采用，该行业在模型能力方面投入巨资，在推理和质量方面取得了快速进步。然而，即使是最复杂的模型也会受到与数据隔离的限制，这些模型被困在信息孤岛和遗留系统后面。每个新数据源都需要自己的自定义实现，这使得真正互联的系统难以扩展。
MCP 解决了这一挑战。它提供了一个通用的、开放的标准，用于将人工智能系统与数据源连接起来，用单一协议取代零散的集成。其结果是一种更简单、更可靠的方式，让人工智能系统能够访问所需的数据。
graph TD
A[AI] --> B[人]
B --> C[浏览器]
B --> D[文件系统]
B --> E[数据库]
B --> F[Github]
在传统方法中，我们需要手动从浏览器、文件系统、数据库、Github 等手动截图或复制文本给 LLM 与其对话。
graph TD
A[AI] --> B[MCP Servers]
B --> C[浏览器]
B --> D[文件系统]
B --> E[数据库]
B --> F[Github]
MCP 通过标准化的协议自动化这一步骤。MCP 服务作为 AI 与外部工具的中间层。
graph TD
A[AI] --> B[MCP Server A]
A[AI] --> D[MCP Server B]
A[AI] --> F[MCP Server C]
A[AI] --> H[MCP Server D]
B --> C[浏览器]
D --> E[文件系统]
F --> G[数据库]
H --> I[Github]
每个 MCP 服务都专精于一类的工作。MCP 服务本质上是一个 NodeJS 或 Python 程序，通过 stdio（标准输入通道）与 AI 通信。
MCP 协议整合了各家大模型的 function call 标准。市面上几乎所有的大模型几乎都可以接入 MCP。
实战演示
准备工作
视频中列举出的支持 MCP 的客户端：
- Cursor
- Cline（开源免费）
- WindSurf
- Claude App
在 VSC 中下载并安装这个插件。
登陆后设置该插件，可以选择 OpenRouter（提供免费的 DeepSeek V3）。
在 OpenRouter 中创建一个 Key：
设置 Cline：
API Provider选择OpenRouterOpenRouter API Key输入所给出的 key（You will not be able to see it again.）Model选择deepseek/deepseek-chat-v3.1:free
测试一下，可以正常运行：
确保系统中安装了 NodeJS。命令行中下面命令可以正确执行。
1 | |
还得安装 Docker……
严格来说，如果你的 MCP Server 配置里使用的镜像是
ghcr.io/github/github-mcp-server，是必须通过 Docker 来运行的。MCP Server 官方目前提供的服务器都是 Docker 镜像形式，所以没有 Docker 是无法启动这个服务的。
1 | |
安装 MCP
选择 MCP Servers 选项，安装 Github 为示例。
对话框中会自动进行相应的步骤，逐步继续（Aprove）：
真漫长……
然后 DeepSeek 还安装失败了😅。手动安装 Configure MCP Servers 以配置 cline_mcp_settings.json：
1 | |
Github 中 Settings/Developor Settings 创建一个 tokens，设置好相应权限，将生成的 token （ghp_XXX）替换 ${input:github_token}：
Installed 中显示绿灯即可。
使用 MCP
直接问 Cline：我在 Github 上有哪些仓库？。DeepSeek 会自动选择相应的 MCP 进行推理。
然后说不让用免费模型了，😅。OpenRouter 国内使用、充值教程 - 知乎 冲个 $10。让继续用免费模型了。
漫长等待中……
安装并使用 filesystem MCP
Node.js 为文件系统作实现模型上下文协议 （MCP） 的服务器。
特性
- 读/写文件
- 创建/列出/删除目录
- 移动文件/目录
- 搜索文件
- 获取文件元数据
- 通过 Roots 进行动态目录访问控制
可以选择库中让 DeepSeek 帮忙安装 filesystem（但感觉还是笨笨的😅，搁这烧我 API 使用量呢）。
也可以阅读文档，从 servers/src/filesystem at main · modelcontextprotocol/servers 处找到这个 MCP 的 Docker 安装方式：
1 | |
合并之前的 MCP 配置文件（记得配置正确的桌面路径为 Docker 能识别的格式，这里是 src=/mnt/c/Users/19048/Desktop）：
1 | |
直接问 Cline：帮我看看我的桌面都有哪些文件？。授权后 DeepSeek 会自动选择相应的 MCP 进行推理。
MCP 的底层原理
graph TD
A[AI 客户端] <--> B[Cloudflare]
B[Cloudflare] <--> C[AI 服务端]
Cloudflare 有一个 AI Gateway 的功能，可以将 AI 客户端与 AI 服务端间加入一个中转站，以此可以记录日志。
配置 Cloudflare 网关
在 Connect, protect, and build everywhere | Cloudflare 的 Dashboard 中，选择 AI - AI Gateway，创建一个网关，点击右侧 API…
Platform 选择 OpenRouter，复制下 API Endpoint。
Cline 的 Settings 下：
API Provider选择OpenAI Compatible；Base URL选择 Cloudflare 提供的API Endpoint；Model ID从 DeepSeek V3.1 (free) - API, Providers, Stats | OpenRouter 处获得，这里是deepseek/deepseek-chat-v3.1:free
安装 Time MCP Server
无论是手动安装 servers/src/time/README.md at main · modelcontextprotocol/servers，还是 AI 辅助安装，能装上就成。
cline_mcp_settings.json 中设定时区为亚太/上海：
1 | |
问 Cline 一下时间。
在 Cloudflare 查看一下网关记录的日志：
观察一下请求的 json：
1 | |
Tip
这段请求的流程是：
- 系统设定助手为 “Cline”，有工具调用能力。
- 用户问“现在几点”。
- 助手识别到需要调用时间工具 → 调用
time.get_current_time。 - 工具返回北京时间 → 最终助手会把这个时间告诉用户。
MCP 与 AI 对接时，根据客户端的不同，对接方式也有所不同。
| 客户端 | 系统提示词 | Function Call |
|---|---|---|
| Cline | 是 | |
| 5ire | 是 | |
| Cherry Studio | 是 |
但是 DeepSeek R1 不支持 Function Call，所以不能在 5fire 中使用 DeepSeek R1 调用 MCP。
再观察一下响应的 json：
1 | |
Tip
这是 一次流式聊天补全 (chat.completion.stream) 的完整响应。
顶层结构：
-
id: 本次生成的唯一标识符。
-
provider: 模型服务提供者是
DeepInfra。 -
model: 调用的模型 ID。
-
choices: 包含模型最终的回答（非流式合并结果）。
-
usage: 记录 token 使用情况和推理成本。
-
streamed_data: 流式输出的数据片段，逐步拼出完整答案。
choices 给出最终答案：
-
delta.role: 模型输出的身份（这里是assistant）。 -
delta.content: 最终的完整回答，用 XML-like 标签包裹。
streamed_data 展示答案是如何逐步流式传回的。
-
prompt_tokens: 输入消耗了 31795 个 token。
-
completion_tokens: 模型生成了 41 个 token。
-
total_tokens: 总计 31836 个。
-
cost: 费用（这里是 0，因为用的是 free 模型）。
其它字段像 cached_tokens、reasoning_tokens 表示更细粒度的 token 分类。
usage 统计了 token 使用情况。
最后整理信息，返回给用户。
完整流程：
sequenceDiagram
participant MCP as MCP Server
participant Cline
participant LLM
Cline->>LLM: 用户提问 + MCP 使用方法
LLM->>Cline: 请求调用 MCP
Cline->>MCP: 调用 MCP
MCP->>Cline: 输出信息
Cline-->>MCP: 用户提问 + MCP 调用过程
MCP->>Cline: 最终结果
MCP Server 推荐
可以从 Smithery - Extend your agent’s capabilities 获取更多有意思的 MCP！
punkpeye/awesome-mcp-servers: A collection of MCP servers. 这个仓库里也有很多 MCP 推荐。
安装 Cherry Studio
Cherry Studio 也是一个 AI 客户端，下载之。
配置模型。
配置 MCP（这个软件判断对应的目录下是否存在 uv.exe / bun.exe 以判断是否安装成功，如果自动安装失败，则需要手动安装）：
Fetch
添加 - 从 JSON 导入…
从 Fetch网页内容抓取 · MCP 中获取配置的 JSON：
1 | |
对话框中选用 fetch 的 MCP Server：
测试后可以使用。
高德地图 MCP
原视频推荐的百度地图 MCP，发现我的账号 API 申请太麻烦了，换高德了！
先整一个高德地图的 Key，使用 Web 服务。
申请好后记住 Key，配置好 MCP。
配置完成！
这时候启用这个 MCP，问 AI 地图相关的问题的时候，就会请求这个 MCP 服务器以获得更精确的资料（但是速度也变慢了）。
最后告诉我这么干太颠了……一日游不可行😅。
经过详细的路线规划，我发现从南京浮桥站出发，途经仙林、镇江、扬州，最后返回南京浮桥的一日游路线在时间上存在较大挑战：
主要问题：
- 时间过长：仅公共交通单程就需要：
- 南京浮桥 → 仙林：约 50 分钟
- 仙林 → 镇江：公交约 3 小时（建议高铁）
- 镇江 → 扬州：公交约 2 小时（建议高铁）
- 扬州 → 南京浮桥：约 4 小时
- 总耗时：如果全部使用公共交通，总行程时间将超过 10 小时，这还不包括在各个城市的游览时间。
现实建议：
方案一（推荐）：精简行程
- 上午：南京浮桥 → 仙林（地铁 2 号线转 4 号线，约 50 分钟）
- 下午：仙林 → 南京市区其他景点
- 晚上：返回浮桥站
方案二：分段游览 如果确实想去镇江和扬州，建议：
- 分两天游览：一天南京 + 仙林，另一天镇江 + 扬州
- 使用高铁：南京南站 ↔ 镇江南站（约 30 分钟），镇江南站 ↔ 扬州东站（约 20 分钟）
方案三：选择性游览
- 只选择南京市区和仙林大学城区域
- 或者只选择南京和镇江/扬州中的一个城市
具体路线建议（如果坚持一日游）：
- 南京浮桥 → 仙林：地铁 3 号线转 2 号线，约 50 分钟
- 仙林游览：建议 2-3 小时
- 返回南京：由于时间限制，建议放弃镇江和扬州行程
这样的行程安排更加现实可行，能够确保您有足够的时间享受每个地点的美景，而不是把大部分时间花在路上。
MCP 建站
EdgeOne Pages 直接部署
这个服务可以快速部署一个网页。有了 MCP 就可以实现自动写代码并部署。
按照 API Token 申请一个 API：
按照指南安装 edgeone-pages-mcp-server，设定好 API。
1 | |
表白 pro 神并部署：
EdgeOne Pages 还有更多模板可以使用，其边缘计算的特性让国内访问速度极佳。
阿里云百炼平台
感觉就是一个云端的 Cherry Studio……试一下高德的 MCP：
1 | |
开通高德的 MCP 后，新建一个智能体，配置 API，指令及对应的 MCP 服务。
然后就会给一个不靠谱的上学路线……
将这个智能体发布，还可以部署到微信公众号机器人中。
AI 知识库
对于上下文过于多的任务（如搭建 AI 知识库），有一种方法是 RAG（Retrieval-Augmented Generation），检索增强生成。
flowchart TD
A[大文件] -->|拆分| B[文本块]
B -->|嵌入模型| C[向量]
C --> D[向量数据库]
E[用户提问] -->|嵌入模型| F[用户向量]
F[用户向量] --> |检索数据| D[向量数据库]
D --> |匹配度最高的 K 个文本块| H[重排序模型]
H --> |按问题相关性重新排序| G[大模型]
G --> |归纳总结| E
这需要一个嵌入模型，如果需要更好的知识库检索精度则需要重排序模型。可以从 硅基流动 SiliconFlow - 致力于成为全球领先的 AI 能力提供商 处获得一个免费的 API：
在 Cherry Studio 中启用硅基流动，并启用嵌入模型 BAAI/bge-m3 和重排序模型 BAAI/bge-reranker-v2-m3。
在 Cherry Studio 中创建一个使用嵌入模型 BAAI/bge-m3 和重排序模型 BAAI/bge-reranker-v2-m3 的知识库。
喂给这个知识库点书《两晋演义》_txt全集下载_在线全文阅读 - 古典小说 - 爱上阅读：
添加知识库后，大模型便可以根据知识库中的信息来回答并给出引用。
还有一种霸王硬上弓的方法，使用上下文窗口超大的大模型。如 Gemini。
Note
检索环节的痛点
- 文档拆分策略
- 拆得太细：上下文被打断，检索到的块缺乏完整语义。
- 拆得太粗：容易带入大量无关信息，增加无效 token 开销。
- Embedding 表达能力有限
- 对长文本、专业领域术语、代码等场景，嵌入模型的语义表示可能不到位。
- 不同语言/领域的跨域检索效果差。
- Top K 检索的局限
- 固定 K 值不一定合适：K 小可能漏掉关键信息，K 大则增加冗余和干扰。
- 向量相似度 ≠ 语义相关度，可能检索到“看起来像”但实际无关的块。
生成环节的痛点
- 上下文拼接成本高
- 将多个检索块拼接进 prompt，容易超出模型上下文窗口。
- 需要做二次筛选、压缩或排序。
- 事实幻觉（Hallucination）
- 模型可能不使用检索结果，而“编”答案。
- 即便检索结果相关，模型也可能错误引用或曲解。
- 结果难以解释
- 用户难以判断回答是否真的基于知识库，还是模型自己补充的。
- 缺乏引用和溯源机制。
系统工程层面的痛点
- 向量数据库性能
- 数据量大时检索延迟高，需要索引优化（如 HNSW、IVF、PQ 等）。
- 热更新、删除文档时容易引发索引碎片。
- 知识更新难
- 大文件新增或修改，需要重新拆分和嵌入，成本高。
- 如何保证知识库与真实业务数据的一致性是个问题。
- 多模态支持不足
- 当前多数 RAG 系统主要是文本，图片/音频/视频嵌入和检索难度更大。
交互体验层面的痛点
- 用户查询多样性
- 用户提问方式不一，embedding 无法完全捕捉语义差异。
- 对复杂问题，需要多步推理，但 RAG 一般只做单次检索。
- 答案的可信度
- 用户想知道“答案来自哪一段文档”，如果系统不给出处，信任度下降。
- 难以处理模糊问题
- 当知识库没有答案时，系统往往回答模棱两可，甚至给出错误答案。
总结来看：
- 检索质量 和 生成可靠性 是 RAG 的核心痛点；
- 知识更新与维护成本 和 用户体验（解释性、可信度） 是工程上的大挑战。
Trae
有一个规则功能。
在项目中创建 .trae/rules/projct_rules.md：
1 | |
让 AI 拆解成任务列表。
1 | |
尝试着让 AI 帮忙写（但是也需要不断地调试才可以）：
无影 AgentBay
就是一个可以云电脑 + MCP 的概念，实现类似于 Manus 的效果。
从 无影AgentBay 整一个 API。花费￥0.01 购买 100 云环境积分！
再整一个镜像。
在 无影 AgentBay · MCP 中填写 API 密钥，得到 MCP Server 的安装 json：
1 | |
试用之。
n8n
安装 n8n
- n8n-io/n8n: Fair-code workflow automation platform with native AI capabilities. Combine visual building with custom code, self-host or cloud, 400+ integrations.
- AI Workflow Automation Platform & Tools - n8n
Important
n8n 使用许可
您只能出于内部业务目的或非商业或个人用途使用或修改本软件。您只能出于非商业目的免费分发软件或将其提供给他人。不得更改、删除或模糊软件中的任何许可、版权或许可人的其他声明。对许可人商标的任何使用均须遵守适用法律。
如果无法遵守，可以考虑使用 Dify。
使用 Docker 配置镜像：
1 | |
执行命令：
1 | |
第一次巨慢😭~漫长地等待后：
1 | |
浏览器打开 http://localhost:5678 进入 n8n 的控制台。
使用 n8n 定期发新闻邮件
进入 Create Workflow：
添加一个 Trigger manually 的 trigger：
Note
| 触发方式 | 描述 | 适用场景 |
|---|---|---|
| Trigger manually（手动触发） | 通过在 n8n 界面点击按钮来运行工作流。 | 测试或快速启动流程，不依赖外部事件。 |
| On app event（应用事件触发） | 当某个应用里发生事件时触发，如 Telegram 收到消息、Notion 数据更新、Airtable 数据变更等。 | 监听应用动作，自动执行工作流。 |
| On a schedule（定时触发） | 按每天、每小时或自定义时间间隔执行工作流。 | 定期任务，如每天备份数据、每小时检查邮箱。 |
| On webhook call（Webhook 触发） | 接收到 HTTP 请求时触发工作流。 | 外部系统或服务向 n8n 发送数据时触发，如表单提交、API 回调。 |
| On form submission（表单提交触发） | 用户在 n8n 生成的 webform 提交数据时触发工作流。 | 问卷、调查或数据收集自动处理。 |
| When executed by another workflow（被另一个工作流触发） | 工作流被另一个 workflow 调用时触发。 | 拆分大型工作流或复用子流程。 |
| On chat message（聊天消息触发） | 当用户发送聊天消息时触发工作流。 | 配合 AI 节点，实现聊天机器人或自动回复。 |
| Other ways…（其他方式触发） | 包含特殊触发方式，如工作流出错、文件变化等。 | 监控或自动化异常处理。 |
添加 RSS Read 作为数据来源：
URL 使用 Hacker News RSS 中的 Points：https://hnrss.org/newest?points=5（当且列表热度 ≥5 的新闻）。
之后使用 Firecrawl 对获取到的新闻链接进行爬虫。左下角用户 Settings，安装 n8n-nodes-firecrawl（原视频版本要安装，现在这个版本自带安装了）。
安装好后，重启整个 Docker 镜像。之后就出现了 FireCrwal 这个节点。使用其 Scrape A Url And Get Its Content 这个功能。
但是要先从 Firecrawl - The Web Data API for AI 获得又一个 API Key…有免费额度，也可以本地部署 Firecrawl。
将这个 API 配置上。
之后 Firecrawl 就可以将 RSS 指向的网址转换为其中的内容数据。为了不过度使用，加入 Limit 限制一次的内容。
之后便可以使用 AI Agent，使用如下提示词：
1 | |
依靠 AI 总结爬取的数据（需要设置 Chat Model）。
使用 Pin Data，固定输出的数据，便于测试。
使用 Markdown，将 AI 输出的 Markdown 格式转为邮件支持的 HTML 格式。
在 QQ 邮箱中配置 SMTP 服务。生成的密码让第三方程序也可以使用该 QQ 邮箱账号发送信息。
配置 Send email 节点。
将邮件发送到指定邮箱中。
将 Trigger manually 替换成 On a schedule。最终的 graph 如下所示。
可以将项目流程激活，就能够发送邮件了。
可以将整个图标 Download 成 json 文件以便于分享。
开发 MCP
配置环境
MCP 本质上就是一个可运行的 Python/NodeJS 程序，因此可以使用 Python/JavaScript 开发一个 MCP。
| 编程语言 | MCP 命令 | 协议 | 发布方式 |
|---|---|---|---|
| Python | uvx | STDIO | pypi |
| 远程调用 | SSE | 服务器部署 | |
| NodeJS | npx | STDIO | npm |
| 远程调用 | SSE | 服务器部署 |
Tip
| 对比维度 | STDIO（Standard Input/Output） | SSE（Server-Sent Events） |
|---|---|---|
| 通信方式 | 通过进程的标准输入/输出（stdin/stdout） | 基于 HTTP 的长连接，服务端向客户端推送 |
| 数据流向 | 双向（进程间可互相写入/读取） | 单向（服务器 → 客户端） |
| 典型场景 | 本地命令行工具、子进程通信、插件调试 | 浏览器实时更新（消息流、通知、日志） |
| 依赖环境 | 不依赖网络，直接在本地 I/O 层通信 | 依赖 HTTP 协议和网络环境 |
| 实现难度 | 简单，容易调试（直接打印/读写） | 稍复杂，需要保持 HTTP 长连接 |
| 性能特点 | 本地快、轻量级、无网络延迟 | 可跨网络实时推送，适合分布式环境 |
| 在 FastMCP 中应用 | 本地开发调试 MCP 插件（stdio 模式） |
部署成网络服务，客户端通过 SSE 接收实时响应 |
从 Model Context Protocol 处找到开发的 SDK。以 Python 为例。
官方要求使用 uv。先从 uv 下载并安装（时代变了，conda 被淘汰了？）。
1 | |
1 | |
重新打开 Powershell，新建一个工程目录，在该目录下初始化：
1 | |
安装开发工具包：
1 | |
1 | |
Stdio 协议
快速开始：
1 | |
Tip
导入和初始化
1 | |
FastMCP("Demo")创建了一个名为 Demo 的 MCP 服务器。- MCP（Model Context Protocol）是 OpenAI 提出的一个协议，方便 模型和外部服务交互（像插件一样）。
定义一个工具（tool）
1 | |
@mcp.tool()装饰器把函数注册为一个 工具。- 工具可以被模型调用，相当于“能力接口”。
"""Add two numbers"""告诉 AI 大模型，要是需要执行两数相加的任务可以调用这个函数。- 这里的
add接收两个整数a和b，返回它们的和。
✅ 调用效果示例：
请求 { "name": "add", "arguments": { "a": 2, "b": 3 } } → 返回 5
定义一个资源（resource）
1 | |
@mcp.resource("greeting://{name}")定义了一个动态资源，URL 形式是greeting://<名字>。- 请求
greeting://Alice→ 返回"Hello, Alice!"
资源通常用于提供可读的数据（像文件、API 数据、数据库内容）。
定义一个提示（prompt）
1 | |
@mcp.prompt()定义了一个提示生成器。- 它根据不同的 风格（style），返回一段文字提示，让模型去生成问候语。
- 默认风格是
"friendly"。
✅ 调用示例：
1 | |
返回：
1 | |
总结
这段代码创建了一个最小的 MCP 服务器，它提供了：
- 工具：
add→ 执行逻辑运算。 - 资源：
greeting://name→ 提供数据访问。 - 提示：
greet_user→ 生成模型可用的提示。
这样，MCP 客户端（例如某些支持 MCP 的 AI 应用）就可以调用这些接口，让 AI 有更多“外挂能力”。
Cherry Studio 中创建一个 MCP 服务器。
（参数中路径替换成自己的项目地址）。
1 | |
测试成功。
SSE 协议
修改代码，将 mcp.run(transport="stdio") 改成 mcp.run(transport="sse")，运行程序。
配置 MCP：
运行之。命令将在服务端执行。
发布
如果是 STDIO 协议，则可以将程序发布到 pypi 中。
如果是 SSE 协议，则可以部署到服务器上暴露公网地址。
