MCP 服务器指南

给 AI 助手接入外部工具和数据源

一句话解释

MCP (Model Context Protocol) 是让 AI 助手访问外部工具、数据库和 API 的开放协议。

Model Context Protocol (MCP) 是一个开放协议，让 AI 助手能够连接外部工具、数据库和 API。

为什么重要

MCP 让你的 AI 助手能够操作文件系统、数据库、API 等实际工具 - 就像给大脑接上了眼睛、耳朵和手。不再只是"聊天"，而是能真正"做事"。

什么是 MCP？

用人话解释

AI 助手本身  = 一个聪明的大脑
MCP 服务器   = 给大脑接上眼睛、耳朵、手

没有 MCP vs 有了 MCP

❌ 没有 MCP：

用户：帮我查看 GitHub 上的最新 Issues
AI：我无法直接访问 GitHub，请手动复制内容给我

✅ 有了 MCP（GitHub 服务器）：

用户：帮我查看最新 Issues
AI：[自动连接 GitHub API]
     Issue #42: Bug in login form (2 hours ago)
     Issue #43: Feature request for dark mode (4 hours ago)
     [AI 可以直接分析并提供建议]

MCP 能做什么？

核心能力

📂 访问文件系统：读写本地文件
🗄️ 连接数据库：查询 PostgreSQL、MongoDB、Redis
🌐 调用 API：GitHub、GitLab、Jira、Slack
☁️ 云服务集成：AWS、Azure、Google Cloud
🔧 执行命令：运行测试、构建项目、部署代码
📊 数据分析：读取 CSV、处理 JSON、生成报告

实际应用场景

场景	需要的 MCP 服务器	效果
代码审查	GitHub MCP	AI 直接读取 PR，提供审查意见
数据库查询	PostgreSQL MCP	AI 生成并执行 SQL，返回结果
日志分析	Filesystem MCP	AI 读取日志文件，诊断问题
部署检查	AWS MCP	AI 检查 EC2 状态，优化配置
任务管理	Jira MCP	AI 创建 Issue，更新状态

快速开始

步骤 1: 了解你的 AI 工具是否支持 MCP

支持 MCP 的工具：

✅ Claude Code（Anthropic 官方）
✅ Cursor（v0.42+）
✅ Cline（VS Code 扩展）
✅ Continue（开源 AI 助手）

协议版本兼容性

MCP 目前处于快速迭代期。确保你的 AI 工具和 MCP 服务器版本兼容。建议使用官方提供的服务器以获得最佳兼容性。

步骤 2: 安装 MCP 服务器

Node.js/TypeScript
Python

使用官方 MCP CLI（推荐）：

# 安装 MCP CLI
npm install -g @modelcontextprotocol/cli

# 安装 GitHub MCP 服务器
npx @modelcontextprotocol/create-server github

# 配置
npx mcp-server-github configure

手动配置（以 Cursor 为例）：

创建配置文件 ~/.cursor/mcp_servers.json：

{
  "servers": {
    "github": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-github"],
      "env": {
        "GITHUB_TOKEN": "${GITHUB_TOKEN}"
      }
    },
    "filesystem": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-filesystem", "/path/to/your/project"]
    }
  }
}

安装 Python MCP SDK：

# 安装 MCP Python SDK
pip install mcp

# 创建自定义 MCP 服务器
mcp init my-server

配置示例：

{
  "servers": {
    "python-server": {
      "command": "python",
      "args": ["-m", "mcp_server", "--config", "config.json"],
      "env": {
        "API_KEY": "${API_KEY}"
      }
    }
  }
}

基础 Python MCP 服务器：

from mcp.server import Server
from mcp.types import Tool, TextContent

app = Server("my-python-server")

@app.call_tool()
async def get_data(arguments: dict) -> list[TextContent]:
    # 实现你的工具逻辑
    result = {"status": "success", "data": arguments}
    return [TextContent(type="text", text=str(result))]

if __name__ == "__main__":
    app.run()

安全提示

MCP 服务器拥有系统级访问权限（文件、数据库、API）。只安装来自可信来源的服务器，并仔细审查其权限配置。

步骤 3: 测试 MCP 连接

测试提示词：

@github 列出 my-repo 仓库的最新 5 个 Issues

成功输出：

已连接到 GitHub MCP 服务器
仓库：username/my-repo

最近的 Issues：
1. #42 - 登录表单 Bug [open] (2 小时前)
2. #43 - 深色模式功能请求 [open] (4 小时前)
3. #41 - 性能优化建议 [closed] (1 天前)
...

常用 MCP 服务器

1. GitHub MCP

功能：

查看 Issues、PRs、Commits
创建/更新 Issues
读取代码文件
查询 CI/CD 状态

安装：

npm install -g @modelcontextprotocol/server-github

配置：

{
  "github": {
    "command": "mcp-server-github",
    "env": {
      "GITHUB_TOKEN": "${GITHUB_TOKEN}"
    }
  }
}

使用示例：

@github 分析最近 10 次 commit 的改动模式
@github 为 Issue #42 提供修复建议
@github 审查 PR #15 的代码变更

2. PostgreSQL MCP

功能：

执行 SQL 查询
分析数据库性能
生成查询优化建议
创建数据库 Schema

安装：

npm install -g @modelcontextprotocol/server-postgres

配置：

{
  "postgres": {
    "command": "mcp-server-postgres",
    "env": {
      "DATABASE_URL": "${DATABASE_URL}"
    }
  }
}

使用示例：

@postgres 查询过去 7 天注册的用户数量
@postgres 分析 users 表的索引使用情况
@postgres 生成用户活跃度报告的 SQL

3. Filesystem MCP

功能：

读写本地文件
搜索文件内容
批量处理文件
分析项目结构

配置：

{
  "filesystem": {
    "command": "mcp-server-filesystem",
    "args": ["/path/to/project"]
  }
}

使用示例：

@filesystem 分析 src/ 目录下所有 .ts 文件的代码复杂度
@filesystem 找出所有包含 TODO 注释的文件
@filesystem 统计项目的代码行数（按语言分类）

4. AWS MCP

功能：

查看 EC2 实例状态
管理 S3 存储桶
查询 CloudWatch 日志
检查 Lambda 函数

配置：

{
  "aws": {
    "command": "mcp-server-aws",
    "env": {
      "AWS_ACCESS_KEY_ID": "${AWS_ACCESS_KEY_ID}",
      "AWS_SECRET_ACCESS_KEY": "${AWS_SECRET_ACCESS_KEY}",
      "AWS_REGION": "us-east-1"
    }
  }
}

使用示例：

@aws 列出所有运行中的 EC2 实例
@aws 查看过去 1 小时的 Lambda 错误日志
@aws 分析 S3 存储成本优化建议

5. Jira MCP

功能：

创建/更新 Issues
查询 Sprint 进度
生成工时报告
分析团队效率

配置：

{
  "jira": {
    "command": "mcp-server-jira",
    "env": {
      "JIRA_URL": "${JIRA_URL}",
      "JIRA_EMAIL": "${JIRA_EMAIL}",
      "JIRA_TOKEN": "${JIRA_TOKEN}"
    }
  }
}

使用示例：

@jira 创建一个 Bug：登录页面加载慢
@jira 查看当前 Sprint 的所有未完成任务
@jira 生成本周团队工时报告

高级用法

技巧 1: 组合多个 MCP 服务器

场景：完整的开发工作流

步骤 1: @jira 查看今天要完成的任务
步骤 2: @github 创建功能分支
步骤 3: @filesystem 分析需要修改的文件
步骤 4: [AI 生成代码]
步骤 5: @github 创建 Pull Request
步骤 6: @jira 更新任务状态为"代码审查中"

技巧 2: 创建自动化工作流

示例：自动化代码审查流程

# 提示词模板

请执行完整的代码审查流程：

@github 获取 PR #[number] 的文件变更
@filesystem 读取相关文件的完整内容
分析代码质量（性能、安全、最佳实践）
@github 在 PR 中添加审查评论
生成审查摘要报告

技巧 3: 数据分析管道

场景：分析生产数据库性能

@postgres 查询慢查询日志（过去 24 小时）
分析查询模式，找出性能瓶颈
生成优化建议（索引、查询重写）
@filesystem 将报告保存到 reports/db-optimization.md
@jira 创建优化任务，附上报告链接

自定义 MCP 服务器

为什么要自定义？

场景：

公司内部 API（CRM、ERP 系统）
自建数据库或工具
特殊工作流程

创建简单的 MCP 服务器

TypeScript
Python

示例：内部 API MCP 服务器

// custom-api-server.ts
import { Server } from '@modelcontextprotocol/sdk/server/index.js';
import { StdioServerTransport } from '@modelcontextprotocol/sdk/server/stdio.js';

const server = new Server({
  name: 'custom-api-server',
  version: '1.0.0',
}, {
  capabilities: {
    tools: {},
  },
});

// 定义工具：获取用户信息
server.setRequestHandler('tools/call', async (request) => {
  if (request.params.name === 'get_user') {
    const userId = request.params.arguments?.userId;
    // 调用你的内部 API
    const response = await fetch(`https://api.internal.com/users/${userId}`);
    const data = await response.json();

    return {
      content: [{
        type: 'text',
        text: JSON.stringify(data, null, 2),
      }],
    };
  }
});

// 启动服务器
const transport = new StdioServerTransport();
await server.connect(transport);

示例：数据处理 MCP 服务器

from mcp.server import Server
from mcp.types import Tool, TextContent
import pandas as pd

app = Server("data-analyzer")

@app.list_tools()
async def list_tools() -> list[Tool]:
    return [
        Tool(
            name="analyze_csv",
            description="Analyze CSV file and return statistics",
            inputSchema={
                "type": "object",
                "properties": {
                    "file_path": {"type": "string"}
                },
                "required": ["file_path"]
            }
        )
    ]

@app.call_tool()
async def call_tool(name: str, arguments: dict) -> list[TextContent]:
    if name == "analyze_csv":
        df = pd.read_csv(arguments["file_path"])
        stats = df.describe().to_string()
        return [TextContent(type="text", text=stats)]

if __name__ == "__main__":
    app.run()

配置使用：

{
  "custom-api": {
    "command": "node",
    "args": ["custom-api-server.js"]
  }
}

准备好构建自己的 MCP 服务器?

我们的实战项目课程会带你从零开发完整的 MCP 集成。

👉 查看实战项目 →

安全最佳实践

安全优先

MCP 服务器可以访问敏感数据和系统资源。必须遵循安全最佳实践以保护你的系统和数据。

1. API Token 管理

❌ 不安全：

{
  "github": {
    "env": {
      "GITHUB_TOKEN": "ghp_abc123def456"  // 硬编码
    }
  }
}

✅ 安全：

{
  "github": {
    "env": {
      "GITHUB_TOKEN": "${GITHUB_TOKEN}"  // 环境变量
    }
  }
}

# .env 文件（确保添加到 .gitignore）
GITHUB_TOKEN=ghp_your_token_here

2. 权限最小化

只授予必要权限：

GitHub Token：只读权限（除非需要写入）
数据库：只读用户（分析场景）
AWS：限制特定服务和操作

3. 审计日志

记录 MCP 操作：

{
  "logging": {
    "level": "info",
    "file": "~/.mcp/logs/operations.log"
  }
}

常见问题

Q: MCP 会影响 AI 响应速度吗？

答案：

轻微影响（通常 +0.5-2 秒）
取决于外部 API 响应速度
文件系统 MCP 几乎无影响

性能优化

如果响应速度慢，检查是否是外部服务（API、数据库）响应慢。可以使用缓存或限制查询范围来优化。

Q: MCP 数据会被发送到 AI 服务器吗？

答案：

MCP 先在本地执行
只有结果发送给 AI（不是原始凭证）
敏感数据可以在本地过滤

示例流程：

AI 请求：@github 获取 Issue
本地 MCP 服务器：调用 GitHub API
返回结果：Issue 数据（不包含 Token）
AI 分析：基于返回的数据生成建议

隐私保护

你可以在 MCP 服务器中实现过滤逻辑，确保敏感信息（密码、密钥、个人信息）不会被发送给 AI。

Q: 一个 AI 助手可以用多少个 MCP 服务器？

答案：

技术上无限制
实践中：5-10 个最常用的
太多会增加配置复杂度

建议：

核心 MCP（必装）：
- Filesystem（本地文件）
- GitHub（代码仓库）

按需 MCP：
- PostgreSQL（如果用 SQL）
- AWS（如果用云服务）
- Jira（如果用任务管理）

Q: 如何调试 MCP 服务器连接问题？

排查步骤：

检查配置文件：确保 JSON 格式正确，路径有效
验证环境变量：echo $GITHUB_TOKEN 检查是否设置
查看日志：AI 工具通常有 MCP 连接日志
手动测试：直接运行 MCP 服务器命令测试

常见错误：

# 错误 1: 找不到命令
# 解决：检查是否安装了 npx 或 node

# 错误 2: 权限不足
# 解决：检查 Token 权限范围

# 错误 3: 环境变量未设置
# 解决：source .env 或重启终端

调试模式

大多数 MCP 服务器支持 --debug 或 --verbose 标志，可以输出详细的调试信息。

Q: MCP 和 API 有什么区别？

核心区别：

特性	MCP	传统 API
设计目的	AI 助手集成	通用数据交换
调用方式	自然语言 (@github)	HTTP 请求
上下文感知	是（理解意图）	否（需明确参数）
学习曲线	低（自然交互）	高（需学习 API）

举例：

MCP 方式：
用户：@github 帮我找出这个项目最活跃的贡献者
AI：[理解意图] → [调用多个 GitHub API] → [分析数据] → [返回结果]

API 方式：
1. 查文档找到 /repos/{owner}/{repo}/contributors
2. 写代码调用 API
3. 解析 JSON 响应
4. 手动排序和分析

推荐学习路径

你刚读完：MCP 服务器集成指南 ✅

下一步建议：

⏭️ Cursor Rules 配置 - 让 AI 遵循你的编码规范
🤖 AI Agents 使用指南 - 专业化 AI 助手配置
🚀 开始完整课程 - 系统学习 AI 编程全流程

相关深度阅读：

AI 编程路线图 - 完整学习路径
AI 工具对比 - 了解 MCP 支持情况
实战项目 - MCP 在项目中的应用

最后更新: 2025-11-02

相关资源:

Cursor Rules - 项目规范配置
AI Agents - 专业化助手
MCP 官方文档

MCP 服务器指南

什么是 MCP？

用人话解释

没有 MCP vs 有了 MCP

MCP 能做什么？

核心能力

实际应用场景

快速开始

步骤 1: 了解你的 AI 工具是否支持 MCP

步骤 2: 安装 MCP 服务器

步骤 3: 测试 MCP 连接

常用 MCP 服务器

1. GitHub MCP

2. PostgreSQL MCP

3. Filesystem MCP

4. AWS MCP

5. Jira MCP

高级用法

技巧 1: 组合多个 MCP 服务器

技巧 2: 创建自动化工作流

技巧 3: 数据分析管道

自定义 MCP 服务器

为什么要自定义？

创建简单的 MCP 服务器

安全最佳实践

1. API Token 管理

2. 权限最小化

3. 审计日志

推荐 MCP 资源

官方资源

社区资源

常见问题

什么是 MCP？​

用人话解释​

没有 MCP vs 有了 MCP​

MCP 能做什么？​

核心能力​

实际应用场景​

快速开始​

步骤 1: 了解你的 AI 工具是否支持 MCP​

步骤 2: 安装 MCP 服务器​

步骤 3: 测试 MCP 连接​

常用 MCP 服务器​

1. GitHub MCP​

2. PostgreSQL MCP​

3. Filesystem MCP​

4. AWS MCP​

5. Jira MCP​

高级用法​

技巧 1: 组合多个 MCP 服务器​

技巧 2: 创建自动化工作流​

技巧 3: 数据分析管道​

自定义 MCP 服务器​

为什么要自定义？​

创建简单的 MCP 服务器​

安全最佳实践​

1. API Token 管理​

2. 权限最小化​

3. 审计日志​

推荐 MCP 资源​

官方资源​

社区资源​

常见问题​

什么是 MCP？

用人话解释

没有 MCP vs 有了 MCP

MCP 能做什么？

核心能力

实际应用场景

快速开始

步骤 1: 了解你的 AI 工具是否支持 MCP

步骤 2: 安装 MCP 服务器

步骤 3: 测试 MCP 连接

常用 MCP 服务器

1. GitHub MCP

2. PostgreSQL MCP

3. Filesystem MCP

4. AWS MCP

5. Jira MCP

高级用法

技巧 1: 组合多个 MCP 服务器

技巧 2: 创建自动化工作流

技巧 3: 数据分析管道

自定义 MCP 服务器

为什么要自定义？

创建简单的 MCP 服务器

安全最佳实践

1. API Token 管理

2. 权限最小化

3. 审计日志

推荐 MCP 资源

官方资源

社区资源

常见问题