MCP 完全指南

上一章讲了各种 AI 编程工具，你可能注意到一个词反复出现：MCP。Cursor 支持 MCP，Windsurf 支持 MCP，Claude Desktop 支持 MCP。这一章详细讲讲 MCP 是什么，为什么它如此重要，以及怎么用它来大幅扩展 AI 的能力。

从一个问题说起

你有没有遇到过这种情况：问 AI 一个问题，它的回答是"我的知识截止到 2024 年"？或者你想让 AI 帮你查一下某个网站的内容，但它说"我没法访问网页"？

这是大语言模型的固有限制。它们的知识在训练时就固定了，没法获取实时信息。它们也没有"手脚"，没法直接操作文件、数据库、浏览器或者任何外部系统。它们只能回答问题，不能真正做事。

MCP 就是为了解决这个问题而生的。

MCP 是什么

MCP 的全称是 Model Context Protocol，中文可以叫"模型上下文协议"。它是 Anthropic 在 2024 年 11 月发布的一个开放标准，定义了 AI 模型如何与外部工具和数据源进行交互。

你可以把 MCP 理解成 AI 的"USB 接口"。就像 USB 让各种设备可以用统一的方式连接电脑一样，MCP 让各种工具和服务可以用统一的方式连接 AI。有了 MCP，AI 就不再是一个只会回答问题的聊天机器人，而是可以调用各种工具、获取实时数据、执行真实操作的"AI Agent"。

2025 年，MCP 已经被主流 AI 公司广泛采用。OpenAI、Google、微软都支持了这个协议。Anthropic 甚至把 MCP 捐给了 Linux 基金会，确保它作为开放标准持续发展。可以说，MCP 正在成为 AI 互联互通的基础设施。

AI vs AI Agent

理解 MCP 之前，先搞清楚一个概念：AI 和 AI Agent 的区别。

普通的 AI 只会回答问题。你问它一个问题，它给你一个答案。它很聪明，但就像一个只会说话的人，没有能力真正做事。

AI Agent 不一样。它不只是回答问题，还能自主调用工具、执行操作、完成任务。你让它"帮我订一张明天去上海的机票"，它可以自己去搜航班、比价格、填表单、完成预订。

MCP 就是让普通 AI 变成 AI Agent 的桥梁。通过 MCP，AI 可以"看到"有哪些工具可用，"知道"怎么调用这些工具，然后"执行"具体的操作。

用一个公式来表达：

AI + MCP = AI Agent

更准确地说，MCP 让 AI 具备了三个能力：读取数据（Resources）、调用工具（Tools）、使用提示模板（Prompts）。这三个能力组合起来，就让 AI 可以与外部世界真正互动。

MCP 的工作原理

MCP 使用一种客户端-服务器的架构。听起来技术性很强，但其实很好理解。

MCP Host 是你的 AI 应用，比如 Cursor、Claude Desktop 或者 Windsurf。它是用户直接交互的界面。

MCP Client 是内置在 Host 里的通信模块，负责和外部服务对话。

MCP Server 是提供具体能力的服务。比如一个 Playwright MCP Server 可以让 AI 控制浏览器，一个 GitHub MCP Server 可以让 AI 操作代码仓库。

当你问 AI 一个需要外部信息的问题时，比如"今天北京的天气怎么样"，AI 会通过 MCP Client 去查找有没有可用的天气 MCP Server。如果有，它会调用这个 Server 获取实时天气数据，然后把结果返回给你。

整个过程对用户是透明的。你只是问了一个问题，AI 自动判断需要调用什么工具，自动去调用，然后给你一个包含实时信息的回答。

最实用的 MCP 工具

2025 年已经有上千个 MCP Server 可用。像 smithery.ai 和 mcp.so 这样的 MCP 市场收录了各种工具。但对于独立开发者来说，最常用的其实就那么几个。

Playwright MCP 是我用得最多的一个。它让 AI 可以控制真实的浏览器。你可以让 AI 帮你打开一个网页、点击按钮、填写表单、截图，甚至做自动化测试。这个能力非常强大。比如做竞品调研的时候，你可以让 AI 自动打开竞品网站，到处点一点，把界面截图保存下来，甚至分析页面内容给你写报告。

Brave Search MCP 或者其他搜索 MCP 让 AI 可以联网搜索。AI 的知识有截止日期，但有了搜索 MCP，你可以让它去搜最新的信息。我经常让 AI"去搜一下 xxx 最新的进展"，它会自己去搜，然后把找到的信息整合成回答。

GitHub MCP 让 AI 可以直接操作代码仓库。它可以查看 commits、创建 Pull Request、管理 Issues。对于需要经常和 GitHub 打交道的开发者来说非常方便。

File System MCP 让 AI 可以读写本地文件。严格来说 Cursor 这样的编辑器已经内置了文件操作能力，但如果你在 Claude Desktop 里工作，这个 MCP 就很有用。

Database MCP 让 AI 可以连接数据库。你可以让 AI 帮你查询数据、生成报表、甚至写 SQL。对于需要处理数据的场景非常实用。

Memory MCP 让 AI 有了"记忆"。默认情况下 AI 每次对话都是独立的，不记得之前聊过什么。有了 Memory MCP，它可以记住之前的对话内容和学到的信息，工作效率会高很多。

在 Cursor 中配置 MCP

Cursor 对 MCP 的支持非常好。配置起来也不复杂。

最简单的方法是使用配置文件。打开 Cursor 的设置，找到 MCP 配置项，会看到一个 JSON 配置文件的路径。编辑这个文件，添加你想要的 MCP Server。

比如要添加 Playwright MCP，配置长这样：

{
  "mcpServers": {
    "playwright": {
      "command": "npx",
      "args": ["@playwright/mcp@latest"]
    }
  }
}

保存之后重启 Cursor，Playwright MCP 就可用了。你可以在对话里让 AI"用 Playwright 打开 google.com"，它就会启动一个真实的浏览器窗口帮你打开网页。

如果要添加多个 MCP Server，就在配置里多写几行：

{
  "mcpServers": {
    "playwright": {
      "command": "npx",
      "args": ["@anthropic-ai/mcp-playwright"],
      "disabled": false,
    },
    "brave-search": {
      "command": "npx",
      "args": ["@modelcontextprotocol/server-brave-search"],
      "disabled": false,
      "env": {
        "BRAVE_API_KEY": "你的 API Key"
      }
    },
    "sequential-thinking": {
      "command": "npx",
      "args": ["@modelcontextprotocol/server-sequential-thinking"],
      "disabled": false,
"env": {}
    }
  }
}

有些 MCP Server 需要 API Key 或者 Token 才能工作，在 env 字段里配置就行。

Windsurf 的配置方式类似，而且它有一个 MCP Market，可以一键安装常用的 MCP Server，对新手更友好。

MCP 实战案例

配置好 MCP 之后，可以用来做很多事情。这里举两个简单的例子，让你感受一下 MCP 的威力。

联网搜索最新信息

你在写博客，需要引用一些最新的资料。

"搜一下 2025 年最新的 AI 编程工具排名，找几篇权威的文章，整理出主要观点，然后帮我写一个引用这些资料的段落。"

AI 会用搜索 MCP 找到相关文章，阅读内容，然后帮你写出带引用的段落。

查询 GitHub 数据

你在做一个项目，需要收集一些公开数据。比如你想知道 GitHub 上某个技术栈的流行趋势。

"用 GitHub MCP 查一下最近三个月新创建的 Next.js 项目有多少，按周统计，然后画一个趋势图。"

AI 会调用 GitHub API 获取数据，统计分析，然后生成一个 SVG 图表展示给你。

至于 Playwright MCP——控制浏览器这个能力太强大了，值得单独用一章来讲。下一章会详细介绍 Playwright MCP 的使用场景、配置方法和实战技巧。

MCP 的安全考虑

MCP 很强大，但也需要注意安全。

首先，MCP 让 AI 可以执行真实操作，这意味着它可能做一些你不想让它做的事情。比如 File System MCP 可以删除文件，Database MCP 可以执行 SQL 语句。你需要确保 AI 不会误操作重要数据。

一个好习惯是：对于可能有破坏性的操作，让 AI 先告诉你它打算做什么，确认之后再执行。Cursor 的 Agent 模式有这个设置，可以要求 AI 在执行某些操作前请求确认。

其次，有些 MCP Server 需要 API Key 或 Token。这些凭据要妥善保管，不要泄露。配置 MCP 的时候，可以使用环境变量而不是在配置文件里硬编码这些敏感信息。

另外，使用 Playwright MCP 的时候要注意，AI 控制的浏览器可能会登录你的账号或者访问敏感页面。如果你不确定 AI 会做什么，建议用一个独立的浏览器 profile，不要登录重要账号。

从哪里开始

如果你是第一次接触 MCP，建议从 Playwright MCP 开始。它的能力直观、容易理解，而且几乎不需要额外配置（不需要 API Key）。

安装方法：在 Cursor 的 MCP 配置文件里添加 Playwright Server 的配置，重启 Cursor。然后试着让 AI"用 Playwright 打开 google.com"，看看会发生什么。

一旦你理解了 MCP 的工作方式，可以逐渐添加更多的 MCP Server。搜索、GitHub、File System 都是常用的选项。

还有一个建议：不要一开始就装一堆 MCP Server。每个 Server 都会增加一些复杂度和潜在的问题。从一个开始，确保它能正常工作，再添加下一个。

MCP 的未来

MCP 正在快速发展。2025 年有几个值得关注的趋势。

一是 MCP 生态越来越丰富。现在已经有上千个 MCP Server 可用，覆盖了各种使用场景。从企业软件（Salesforce、Jira）到开发工具（Docker、AWS）再到生活服务（日历、邮件），几乎你能想到的服务都有人做了 MCP Server。

二是 MCP 的标准在演进。新版本增加了 Elicitations（让 AI 在不确定时询问用户）和 Tasks（支持异步操作）等特性，让 AI 能处理更复杂的场景。

三是主流 AI 平台都在拥抱 MCP。除了 Anthropic，OpenAI、Google、微软都已经支持或正在支持 MCP。这意味着 MCP 正在成为行业标准，学会它一劳永逸。

对于独立开发者来说，现在就是学习 MCP 的好时机。它能让你的 AI 编程效率再上一个台阶，从"让 AI 帮我写代码"升级到"让 AI 帮我完成整个任务"。

下一章深入讲解 Playwright MCP——AI 控制浏览器的能力。这是 MCP 里最强大、应用场景最广的一个工具，单凭它就能颠覆你 90% 的工作流。