MCP 协议入门与实战指南 2026：让 AI 连接万物
2024 年 11 月，Anthropic 发布了一个开源协议——Model Context Protocol（MCP）。短短一年多时间，它已经从一个概念草案成长为 AI 工具集成领域的事实标准。到 2026 年中，MCP 生态已覆盖 3000+ 个 Server，被 Claude Desktop、Cursor、VS Code、Zed 等主流 AI 客户端原生支持，OpenAI 和 Google 也先后宣布兼容 MCP 协议。
一句话理解 MCP：它就像是 AI 世界的「USB-C 接口」——不管你的数据在文件系统、数据库、GitHub 还是浏览器里，只要装上对应的 MCP Server，AI 就能直接读取和操作，不需要为每个工具单独写集成代码。
如果你已经在使用 Claude 或 Ollama 本地大模型，但苦于 AI 只能「聊天」而不能「干活」，那么 MCP 就是你需要的最后一块拼图。本文将带你从概念理解到实战部署，完整掌握 MCP 的使用方法。
目录
- MCP 是什么：协议背景与核心概念
- 为什么需要 MCP：传统方案的局限
- 环境准备：MCP 客户端选择与安装
- 常用 MCP Server 实战配置
- 本地部署 MCP Server：两种传输模式
- 自定义 MCP Server 开发：从零搭建
- MCP + Ollama：让本地大模型也能用工具
- 安全注意事项：权限控制与沙箱隔离
- MCP 生态展望：2026 年社区发展
- 常见问题与故障排查
一、 MCP 是什么：协议背景与核心概念
1.1 协议背景
在 MCP 出现之前，让 AI 访问外部工具和数据源是一件很碎片化的事情：
- OpenAI 有 Function Calling，但每个工具的 schema 需要手写，切换模型就要重写
- Anthropic 有 Tool Use，但格式与 OpenAI 不同，生态不互通
- Google 有 Gemini Function Calling，又是一套独立的格式
- 开发者要为 Claude、GPT、Gemini 分别维护不同的工具集成代码
Anthropic 提出 MCP 的初衷，就是标准化 AI 与外部工具的连接方式——就像 HTTP 标准化了 Web 通信、LSP（Language Server Protocol）标准化了代码编辑器与语言服务器的通信一样，MCP 标准化了 AI 模型与数据源/工具之间的通信。
1.2 核心架构
MCP 采用经典的 Client-Server 架构：
┌─────────────────┐ ┌─────────────┐ ┌─────────────────┐
│ MCP Client │────▶│ MCP Server │────▶│ 数据源 / 工具 │
│ (AI 应用端) │◀────│ (中间层) │◀────│ (文件/DB/API) │
└─────────────────┘ └─────────────┘ └─────────────────┘
Claude Desktop filesystem 本地文件系统
Cursor github GitHub API
VS Code sqlite SQLite 数据库
Zed puppeteer 浏览器自动化| 概念 | 说明 | 类比 |
|---|---|---|
| MCP Client | AI 应用端，负责发起请求、接收工具调用结果 | 浏览器 |
| MCP Server | 中间层程序，封装具体工具的操作逻辑 | Web 服务器 |
| Transport | Client 与 Server 之间的通信方式 | HTTP / WebSocket |
| Tool | Server 暴露给 Client 的可调用函数 | API 端点 |
| Resource | Server 暴露给 Client 的可读取数据 | 静态资源 |
| Prompt | Server 预定义的提示词模板 | 页面模板 |
1.3 三大核心能力
MCP Server 可以向 Client 暴露三种类型的能力：
1. Tools（工具调用）
AI 主动调用，执行操作并返回结果
例：执行 SQL 查询、创建 GitHub Issue、截取网页截图2. Resources（资源读取）
AI 读取数据源中的内容
例：读取本地文件、获取数据库表结构、列出目录文件3. Prompts（提示词模板）
Server 预设的提示词，用户可选择应用
例：代码审查提示词、SQL 优化提示词💡 关键理解：MCP Server 本身不包含 AI 模型，它只是一个「工具中间层」。AI 推理仍然在 Client 端（如 Claude Desktop）完成，Server 只负责执行具体的工具调用并返回结果。
二、 为什么需要 MCP：传统方案的局限
2.1 传统 Function Calling 的痛点
| 痛点 | 说明 |
|---|---|
| 🔴 协议碎片化 | OpenAI、Anthropic、Google 各有各的 Function Calling 格式，工具代码不通用 |
| 🔴 重复开发 | 同一个「查天气」功能，要为 Claude、GPT、Gemini 分别写三遍 |
| 🔴 无状态管理 | 每次调用都是独立的，无法维持连接状态（如数据库会话） |
| 🔴 无标准化发现机制 | Client 不知道 Server 有哪些工具，需要硬编码 |
| 🔴 部署不灵活 | 工具代码和 AI 应用耦合在一起，无法独立部署和复用 |
2.2 MCP 的标准化优势
| 优势 | 说明 |
|---|---|
| 🟢 一次开发，处处可用 | 写一个 MCP Server，所有支持 MCP 的 Client 都能用 |
| 🟢 协议统一 | 不管底层 AI 模型是 Claude、GPT 还是 Gemini，MCP 格式完全一致 |
| 🟢 动态发现 | Client 连接 Server 后自动发现可用工具，无需硬编码 |
| 🟢 独立部署 | Server 是独立进程，可以单独更新、重启，不影响 AI 应用 |
| 🟢 双向通信 | Server 可以主动推送通知给 Client（SSE 模式） |
| 🟢 生态复用 | 社区共享 Server，不需要重复造轮子 |
2.3 MCP vs OpenAI Plugins vs Function Calling
| 对比维度 | MCP | OpenAI Plugins (已弃用) | Function Calling |
|---|---|---|---|
| 协议标准 | ✅ 开放标准 | ❌ OpenAI 私有 | ❌ 各厂商不同 |
| 跨模型兼容 | ✅ 所有支持 MCP 的 Client | ❌ 仅 ChatGPT | ❌ 各自格式 |
| 部署方式 | 本地 / 远程均可 | 仅云端 | 嵌入应用代码 |
| 工具发现 | 自动发现 | 需注册到 OpenAI | 手动注册 |
| 状态管理 | ✅ 支持有状态 | ❌ 无状态 | ❌ 无状态 |
| 社区生态 | 3000+ Server | 已停止维护 | 各自为政 |
| 安全性 | 本地运行，可控 | 云端运行，不可控 | 取决于实现 |
📊 结论：OpenAI Plugins 已在 2025 年停止维护，Function Calling 仍然是各厂商的基础能力，但 MCP 已经成为 AI 工具集成的标准协议层，建立在 Function Calling 之上。
三、 环境准备：MCP 客户端选择与安装
3.1 MCP 客户端一览（2026 年中）
| 客户端 | 平台 | MCP 支持 | 推荐度 | 说明 |
|---|---|---|---|---|
| Claude Desktop | macOS / Windows | ✅ 原生 | ⭐⭐⭐⭐⭐ | Anthropic 官方客户端，MCP 支持最完善 |
| Cursor | macOS / Windows / Linux | ✅ 原生 | ⭐⭐⭐⭐⭐ | AI 代码编辑器，MCP 与代码工作流深度整合 |
| VS Code + Continue | 全平台 | ✅ 通过 Continue 插件 | ⭐⭐⭐⭐ | 通用 IDE 方案，配置灵活 |
| Zed | macOS / Linux | ✅ 原生 | ⭐⭐⭐⭐ | 高性能代码编辑器，MCP 原生支持 |
| Cline | VS Code 插件 | ✅ 原生 | ⭐⭐⭐⭐ | 自主编程 Agent，MCP 支持完善 |
| Windsurf | 全平台 | ✅ 原生 | ⭐⭐⭐ | Codeium 出品的 AI IDE |
| 5ire | macOS / Windows | ✅ 原生 | ⭐⭐⭐ | 通用 MCP 客户端，不限于编程 |
3.2 Claude Desktop 安装与配置
Claude Desktop 是体验 MCP 最简单的方式，适合非开发者用户。
bash
# macOS 安装
brew install --cask claude
# 或从官网下载
# https://claude.ai/download配置 MCP Server：
Claude Desktop 的 MCP 配置文件位于：
# macOS
~/Library/Application Support/Claude/claude_desktop_config.json
# Windows
%APPDATA%\Claude\claude_desktop_config.json基础配置模板：
json
{
"mcpServers": {
"filesystem": {
"command": "npx",
"args": [
"-y",
"@modelcontextprotocol/server-filesystem",
"/Users/yourname/Documents",
"/Users/yourname/Projects"
]
},
"github": {
"command": "npx",
"args": ["-y", "@modelcontextprotocol/server-github"],
"env": {
"GITHUB_PERSONAL_ACCESS_TOKEN": "ghp_your_token_here"
}
}
}
}⚠️ 注意：修改配置文件后需要完全退出并重启 Claude Desktop（不只是关闭窗口，要从托盘菜单退出），MCP Server 才会生效。
3.3 Cursor 配置 MCP
Cursor 是目前 MCP 在编程场景下体验最好的客户端。
步骤 1：打开 Cursor → Settings → Cursor Settings → MCP
步骤 2：点击「+ Add MCP Server」
步骤 3：填写 Server 配置：
- Name: filesystem
- Type: stdio
- Command: npx -y @modelcontextprotocol/server-filesystem /path/to/dir
步骤 4：保存后，Cursor 会自动启动 Server
步骤 5：在 Chat 模式中，AI 会自动使用可用的 MCP 工具Cursor 也支持直接编辑 ~/.cursor/mcp.json 配置文件：
json
{
"mcpServers": {
"filesystem": {
"command": "npx",
"args": ["-y", "@modelcontextprotocol/server-filesystem", "${workspaceFolder}"]
}
}
}3.4 VS Code + Continue 配置 MCP
json
// ~/.continue/config.json
{
"experimental": {
"modelContextProtocolServers": [
{
"transport": {
"type": "stdio",
"command": "npx",
"args": ["-y", "@modelcontextprotocol/server-filesystem", "/path/to/dir"]
}
}
]
}
}3.5 前置环境准备
无论使用哪个客户端，运行 MCP Server 都需要以下环境：
bash
# 1. Node.js 18+（大部分 MCP Server 基于 Node.js）
node --version # 确认版本 >= 18
# 2. Python 3.10+（部分 MCP Server 基于 Python）
python3 --version # 确认版本 >= 3.10
# 3. uv（Python MCP Server 的包管理器，推荐安装）
curl -LsSf https://astral.sh/uv/install.sh | sh
# 4. Git（GitHub MCP Server 需要）
git --version💡 国内用户提示：如果
npx下载 MCP Server 包速度慢，可以设置国内镜像：bashnpm config set registry https://registry.npmmirror.com
四、 常用 MCP Server 实战配置
4.1 Filesystem（文件系统访问）
最常用的 MCP Server，让 AI 可以读取、写入、搜索本地文件。
json
{
"mcpServers": {
"filesystem": {
"command": "npx",
"args": [
"-y",
"@modelcontextprotocol/server-filesystem",
"/Users/yourname/Documents",
"/Users/yourname/Projects"
]
}
}
}暴露的工具：
| 工具 | 功能 |
|---|---|
read_file | 读取指定文件内容 |
read_multiple_files | 批量读取多个文件 |
write_file | 写入文件（覆盖） |
create_directory | 创建目录 |
list_directory | 列出目录内容 |
move_file | 移动/重命名文件 |
search_files | 递归搜索文件 |
get_file_info | 获取文件元信息 |
list_allowed_directories | 列出允许访问的目录 |
⚠️ 安全提示：只配置你需要 AI 访问的目录，不要配置根目录
/或用户主目录，避免 AI 读取敏感文件。
4.2 GitHub（仓库管理）
让 AI 可以搜索仓库、读取文件、创建 Issue、管理 PR。
json
{
"mcpServers": {
"github": {
"command": "npx",
"args": ["-y", "@modelcontextprotocol/server-github"],
"env": {
"GITHUB_PERSONAL_ACCESS_TOKEN": "ghp_your_token_here"
}
}
}
}获取 GitHub Token：
步骤 1：访问 https://github.com/settings/tokens
步骤 2：点击「Generate new token (classic)」
步骤 3：勾选权限：repo, read:org, read:user
步骤 4：生成后复制 token，填入配置暴露的工具：
| 工具 | 功能 |
|---|---|
search_repositories | 搜索 GitHub 仓库 |
get_file_contents | 获取仓库文件内容 |
create_issue | 创建 Issue |
create_pull_request | 创建 PR |
fork_repository | Fork 仓库 |
create_branch | 创建分支 |
list_commits | 列出提交记录 |
get_pull_request_status | 获取 PR 状态 |
4.3 SQLite（数据库查询）
让 AI 可以直接查询本地 SQLite 数据库。
json
{
"mcpServers": {
"sqlite": {
"command": "npx",
"args": ["-y", "@modelcontextprotocol/server-sqlite", "--db-path", "/path/to/your/database.db"]
}
}
}暴露的工具：
| 工具 | 功能 |
|---|---|
read_query | 执行 SELECT 查询 |
write_query | 执行 INSERT/UPDATE/DELETE |
list_tables | 列出所有表 |
describe_table | 查看表结构 |
create_table | 创建新表 |
使用场景示例：
你：帮我看看数据库里有哪些表，然后查一下 users 表最近 10 条记录
AI（自动调用 MCP）：
1. 调用 list_tables → 获取表列表
2. 调用 describe_table("users") → 了解表结构
3. 调用 read_query("SELECT * FROM users ORDER BY id DESC LIMIT 10")
4. 返回查询结果并格式化展示4.4 PostgreSQL（PostgreSQL 数据库）
json
{
"mcpServers": {
"postgres": {
"command": "npx",
"args": ["-y", "@modelcontextprotocol/server-postgres", "postgresql://user:password@localhost:5432/dbname"]
}
}
}⚠️ 安全建议：使用只读数据库用户，避免 AI 执行危险的写操作：
sqlCREATE USER mcp_readonly WITH PASSWORD 'your_password'; GRANT SELECT ON ALL TABLES IN SCHEMA public TO mcp_readonly;
4.5 Brave Search（网络搜索）
让 AI 可以进行实时网络搜索。
json
{
"mcpServers": {
"brave-search": {
"command": "npx",
"args": ["-y", "@modelcontextprotocol/server-brave-search"],
"env": {
"BRAVE_API_KEY": "your_brave_api_key_here"
}
}
}
}获取 Brave API Key：
步骤 1：访问 https://brave.com/search/api/
步骤 2：注册账号，选择 Free 计划（每月 2000 次免费查询）
步骤 3：在 Dashboard 中复制 API Key4.6 Puppeteer（浏览器自动化）
让 AI 可以控制浏览器，截图、填表、抓取网页内容。
json
{
"mcpServers": {
"puppeteer": {
"command": "npx",
"args": ["-y", "@modelcontextprotocol/server-puppeteer"]
}
}
}暴露的工具：
| 工具 | 功能 |
|---|---|
navigate | 导航到指定 URL |
screenshot | 截取当前页面截图 |
click | 点击页面元素 |
fill | 填写表单 |
evaluate | 执行 JavaScript |
get_page_content | 获取页面 HTML 内容 |
4.7 常用 Server 配置速查表
| Server | npm 包名 | 需要的凭证 | 核心功能 |
|---|---|---|---|
| Filesystem | @modelcontextprotocol/server-filesystem | 无 | 文件读写 |
| GitHub | @modelcontextprotocol/server-github | GitHub Token | 仓库管理 |
| SQLite | @modelcontextprotocol/server-sqlite | 无 | 数据库查询 |
| PostgreSQL | @modelcontextprotocol/server-postgres | 数据库连接串 | 数据库查询 |
| Brave Search | @modelcontextprotocol/server-brave-search | Brave API Key | 网络搜索 |
| Puppeteer | @modelcontextprotocol/server-puppeteer | 无 | 浏览器自动化 |
| Memory | @modelcontextprotocol/server-memory | 无 | 知识图谱记忆 |
| Fetch | @modelcontextprotocol/server-fetch | 无 | HTTP 请求 |
| Time | @modelcontextprotocol/server-time | 无 | 时间日期查询 |
| Sequential Thinking | @modelcontextprotocol/server-sequential-thinking | 无 | 分步推理 |
五、 本地部署 MCP Server：两种传输模式
MCP 支持两种传输模式，适用于不同场景：
5.1 stdio 模式（本地进程）
最常用的模式。Client 启动 Server 作为子进程，通过标准输入/输出通信。
┌───────────┐ stdin/stdout ┌───────────┐
│ Client │◄──────────────▶│ Server │
│ (主进程) │ (JSON-RPC) │ (子进程) │
└───────────┘ └───────────┘优点：
- 配置简单，无需网络端口
- 性能高，无网络开销
- 安全性好，通信不经过网络
缺点：
- 仅限本地使用
- Client 关闭则 Server 也终止
配置方式（以 Claude Desktop 为例）：
json
{
"mcpServers": {
"my-server": {
"command": "node",
"args": ["/path/to/my-server/index.js"]
}
}
}5.2 SSE 模式（远程服务）
Client 通过 HTTP Server-Sent Events 与远程 Server 通信。
┌───────────┐ HTTP POST ┌───────────┐
│ Client │───────────────▶│ Server │
│ │ SSE Response │ (HTTP) │
│ │◀───────────────│ │
└───────────┘ └───────────┘优点：
- 支持远程部署，多客户端共享
- Server 可独立运行，不依赖 Client
- 支持负载均衡和水平扩展
缺点：
- 需要网络配置
- 需要考虑安全性（认证、加密）
配置方式：
json
{
"mcpServers": {
"remote-server": {
"url": "https://my-server.example.com/sse"
}
}
}部署 SSE Server 示例：
javascript
// server.js - 基于 Express 的 SSE MCP Server
import express from 'express';
import { McpServer } from '@modelcontextprotocol/sdk/server/mcp.js';
import { SSETransport } from '@modelcontextprotocol/sdk/server/sse.js';
const app = express();
const server = new McpServer({
name: "my-remote-server",
version: "1.0.0"
});
// 注册工具
server.tool("ping", {}, async () => ({
content: [{ type: "text", text: "pong" }]
}));
app.get('/sse', async (req, res) => {
const transport = new SSETransport('/messages', res);
await server.connect(transport);
});
app.post('/messages', async (req, res) => {
// 处理 Client 发来的消息
});
app.listen(3001, () => {
console.log('MCP SSE Server running on http://localhost:3001/sse');
});5.3 两种模式选择建议
| 场景 | 推荐模式 | 原因 |
|---|---|---|
| 个人本地使用 | stdio | 简单、安全、高性能 |
| 团队共享 Server | SSE | 一处部署，多人使用 |
| 需要长时间运行的任务 | SSE | 不依赖 Client 进程 |
| 访问本地文件/数据库 | stdio | 避免网络暴露敏感数据 |
| 访问远程 API | SSE | 部署在服务器端更稳定 |
| 开发调试 | stdio | 快速迭代，无需部署 |
六、 自定义 MCP Server 开发：从零搭建
6.1 Node.js MCP Server 开发
以一个「天气查询」Server 为例，教你从零开发 MCP Server。
步骤 1：初始化项目
bash
mkdir weather-mcp-server && cd weather-mcp-server
npm init -y
npm install @modelcontextprotocol/sdk步骤 2：编写 Server 代码
javascript
// index.js
import { McpServer } from '@modelcontextprotocol/sdk/server/mcp.js';
import { StdioServerTransport } from '@modelcontextprotocol/sdk/server/stdio.js';
import { z } from 'zod';
// 创建 MCP Server 实例
const server = new McpServer({
name: "weather-server",
version: "1.0.0"
});
// 注册工具：获取当前天气
server.tool(
"get_weather",
"获取指定城市的当前天气信息",
{
city: z.string().describe("城市名称，如：北京、上海、东京"),
unit: z.enum(["celsius", "fahrenheit"]).optional().describe("温度单位")
},
async ({ city, unit }) => {
// 这里替换为真实的天气 API 调用
// 示例使用模拟数据
const weatherData = {
city: city,
temperature: unit === "fahrenheit" ? 72 : 22,
condition: "晴",
humidity: 45,
wind: "微风 3km/h",
updated: new Date().toISOString()
};
return {
content: [{
type: "text",
text: `📍 ${city} 当前天气\n🌡️ 温度: ${weatherData.temperature}°${unit === "fahrenheit" ? "F" : "C"}\n🌤️ 天气: ${weatherData.condition}\n💧 湿度: ${weatherData.humidity}%\n🌬️ 风力: ${weatherData.wind}\n🕐 更新时间: ${weatherData.updated}`
}]
};
}
);
// 注册工具：获取天气预报
server.tool(
"get_forecast",
"获取指定城市未来 3 天天气预报",
{
city: z.string().describe("城市名称"),
days: z.number().min(1).max(7).optional().describe("预报天数，默认 3 天")
},
async ({ city, days = 3 }) => {
const forecast = Array.from({ length: days }, (_, i) => {
const date = new Date();
date.setDate(date.getDate() + i + 1);
return {
date: date.toISOString().split('T')[0],
high: 20 + Math.floor(Math.random() * 10),
low: 10 + Math.floor(Math.random() * 5),
condition: ["晴", "多云", "阴", "小雨"][Math.floor(Math.random() * 4)]
};
});
const text = forecast.map(f =>
`📅 ${f.date}: ${f.condition} ${f.low}°C ~ ${f.high}°C`
).join('\n');
return {
content: [{ type: "text", text: `📍 ${city} 未来 ${days} 天预报\n\n${text}` }]
};
}
);
// 启动 Server
const transport = new StdioServerTransport();
await server.connect(transport);步骤 3：配置到 Claude Desktop
json
{
"mcpServers": {
"weather": {
"command": "node",
"args": ["/absolute/path/to/weather-mcp-server/index.js"]
}
}
}步骤 4：测试
重启 Claude Desktop 后，在对话中输入：
你：帮我查一下北京今天的天气，还有未来 3 天的预报
AI（自动调用 MCP 工具）：
1. 调用 get_weather({ city: "北京", unit: "celsius" })
2. 调用 get_forecast({ city: "北京", days: 3 })
3. 整合两个结果返回完整天气信息6.2 Python MCP Server 开发
如果你更熟悉 Python，可以使用官方 Python SDK。
bash
# 安装 SDK
pip install mcp
# 或使用 uv
uv add mcppython
# server.py
from mcp.server import Server
from mcp.server.stdio import stdio_server
from mcp.types import Tool, TextContent
import json
import asyncio
server = Server("weather-server-python")
@server.list_tools()
async def list_tools() -> list[Tool]:
return [
Tool(
name="get_weather",
description="获取指定城市的当前天气信息",
inputSchema={
"type": "object",
"properties": {
"city": {
"type": "string",
"description": "城市名称"
},
"unit": {
"type": "string",
"enum": ["celsius", "fahrenheit"],
"description": "温度单位"
}
},
"required": ["city"]
}
)
]
@server.call_tool()
async def call_tool(name: str, arguments: dict) -> list[TextContent]:
if name == "get_weather":
city = arguments.get("city", "未知")
unit = arguments.get("unit", "celsius")
# 替换为真实 API 调用
weather_text = f"📍 {city} 当前天气\n🌡️ 温度: 22°{'F' if unit == 'fahrenheit' else 'C'}\n🌤️ 天气: 晴"
return [TextContent(type="text", text=weather_text)]
async def main():
async with stdio_server() as (read_stream, write_stream):
await server.run(read_stream, write_stream, server.create_initialization_options())
if __name__ == "__main__":
asyncio.run(main())配置到 Claude Desktop：
json
{
"mcpServers": {
"weather-python": {
"command": "python3",
"args": ["/absolute/path/to/server.py"]
}
}
}6.3 开发最佳实践
| 实践 | 说明 |
|---|---|
| 📝 详细的工具描述 | 描述越清晰，AI 调用越准确 |
| 🔒 输入参数校验 | 使用 Zod（Node.js）或 Pydantic（Python）做参数校验 |
| 🛡️ 错误处理 | 返回结构化错误信息，而不是抛异常 |
| 📦 最小权限原则 | 只暴露必要的工具，不要过度暴露 |
| 🧪 单元测试 | 测试工具逻辑，确保返回格式正确 |
| 📖 README 文档 | 说明安装步骤、配置方法、可用工具列表 |
七、 MCP + Ollama：让本地大模型也能用工具
MCP 不仅限于 Claude——通过一些中间层工具，你可以让 Ollama 本地部署的大模型也使用 MCP 工具。
7.1 方案一：通过 Cline（VS Code 插件）
Cline 是一个 VS Code 插件，支持连接 Ollama 本地模型并使用 MCP 工具。
步骤 1：在 VS Code 中安装 Cline 插件
步骤 2：配置 Cline 使用 Ollama
- API Provider: Ollama
- Model: deepseek-r1:14b（或其他你本地部署的模型）
- Base URL: http://localhost:11434
步骤 3：在 Cline 设置中配置 MCP Server（同 Claude Desktop 格式）
步骤 4：开始使用，Cline 会自动将 MCP 工具注入到 Ollama 的 Function Calling 中7.2 方案二：通过 LiteLLM 代理
LiteLLM 可以将 Ollama 的 API 转换为 OpenAI 兼容格式，配合支持 MCP 的客户端使用。
bash
# 安装 LiteLLM
pip install litellm
# 启动代理
litellm --model ollama/deepseek-r1:14b --port 4000然后在支持 OpenAI API + MCP 的客户端中配置：
json
{
"apiBase": "http://localhost:4000",
"apiKey": "any-string",
"model": "ollama/deepseek-r1:14b"
}7.3 方案三：通过 mcp-cli 命令行工具
mcp-cli 是一个轻量级的命令行 MCP 客户端，支持连接多种 AI 模型。
bash
# 安装
pip install mcp-cli
# 配置
# 编辑 ~/.mcp-cli/config.jsonjson
{
"mcpServers": {
"filesystem": {
"command": "npx",
"args": ["-y", "@modelcontextprotocol/server-filesystem", "/path/to/dir"]
}
},
"models": {
"ollama": {
"type": "ollama",
"model": "deepseek-r1:14b",
"base_url": "http://localhost:11434"
}
}
}bash
# 使用
mcp-cli chat --model ollama7.4 Ollama + MCP 的能力对比
| 能力 | Claude Desktop + MCP | Ollama + MCP |
|---|---|---|
| 工具调用准确性 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐（取决于模型） |
| 复杂任务编排 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ |
| 隐私性 | ⭐⭐⭐（数据发到云端） | ⭐⭐⭐⭐⭐（完全本地） |
| 成本 | ⭐⭐⭐（需订阅） | ⭐⭐⭐⭐⭐（免费） |
| 响应速度 | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐（取决于硬件） |
| 推荐模型 | Claude Sonnet 4 | deepseek-r1:14b / qwen3:14b |
💡 建议：对工具调用准确性要求高的任务用 Claude Desktop + MCP；对隐私要求高或离线场景用 Ollama + MCP。两者可以互补使用。
八、 安全注意事项：权限控制与沙箱隔离
8.1 风险评估
MCP Server 拥有访问外部资源的权限，如果配置不当可能带来安全风险：
| 风险等级 | 场景 | 风险描述 |
|---|---|---|
| 🔴 高危 | Filesystem 配置根目录 | AI 可读取密码、密钥等敏感文件 |
| 🔴 高危 | 数据库使用 root 用户 | AI 可能执行 DROP TABLE 等危险操作 |
| 🟡 中危 | GitHub Token 权限过大 | AI 可能修改或删除仓库 |
| 🟡 中危 | 运行来源不明的 Server | Server 可能包含恶意代码 |
| 🟢 低危 | 只读查询类 Server | 风险可控 |
8.2 安全最佳实践
1. 最小权限原则
json
// ❌ 危险：配置整个用户目录
{
"args": ["@modelcontextprotocol/server-filesystem", "/"]
}
// ✅ 安全：只配置工作目录
{
"args": ["@modelcontextprotocol/server-filesystem", "/Users/yourname/Projects/my-project"]
}2. 数据库只读用户
sql
-- 为 MCP 创建专用只读用户
CREATE USER mcp_readonly WITH PASSWORD 'strong_password';
GRANT CONNECT ON DATABASE mydb TO mcp_readonly;
GRANT USAGE ON SCHEMA public TO mcp_readonly;
GRANT SELECT ON ALL TABLES IN SCHEMA public TO mcp_readonly;
-- 禁止修改和删除
REVOKE INSERT, UPDATE, DELETE ON ALL TABLES IN SCHEMA public FROM mcp_readonly;3. GitHub Token 最小权限
只勾选必要的权限：
✅ repo:read（只读仓库访问）
✅ read:org（读取组织信息）
❌ repo:write（不要勾选写权限）
❌ delete_repo（不要勾选删除权限）4. 使用可信的 MCP Server
推荐来源：
✅ @modelcontextprotocol 官方包
✅ 知名开源项目维护的 Server
✅ 自己开发的 Server
谨慎使用：
⚠️ npm 上不知名作者发布的 Server
⚠️ 需要过多权限的 Server
⚠️ 没有源码可查的闭源 Server5. 敏感信息保护
bash
# 使用环境变量管理密钥，不要硬编码
# ✅ 好的做法
export GITHUB_TOKEN=ghp_xxx
# 配置文件中引用环境变量
"env": { "GITHUB_PERSONAL_ACCESS_TOKEN": "${GITHUB_TOKEN}" }
# ❌ 坏的做法
"env": { "GITHUB_PERSONAL_ACCESS_TOKEN": "ghp_xxx" }8.3 审计与监控
定期检查 MCP Server 的使用情况：
bash
# Claude Desktop MCP 日志位置
# macOS
~/Library/Logs/Claude/mcp-server-*.log
# 查看最近的 MCP 日志
tail -100 ~/Library/Logs/Claude/mcp-server-filesystem.log
# 检查哪些 Server 正在运行
ps aux | grep mcp九、 MCP 生态展望：2026 年社区发展
9.1 生态数据（2026 年中）
| 指标 | 数据 |
|---|---|
| 已注册 MCP Server | 3,000+ |
| 支持的 AI 客户端 | 15+ |
| GitHub MCP 相关仓库 | 8,000+ |
| 社区贡献者 | 2,000+ |
| 月活跃 Server 下载量 | 500 万+ |
9.2 2026 年重要进展
| 时间 | 事件 |
|---|---|
| 2024.11 | Anthropic 发布 MCP 协议规范 |
| 2025.01 | Claude Desktop 原生支持 MCP |
| 2025.03 | Cursor 集成 MCP 支持 |
| 2025.06 | 社区 Server 突破 1000 个 |
| 2025.09 | VS Code Continue 插件支持 MCP |
| 2025.11 | OpenAI 宣布在 ChatGPT 中兼容 MCP |
| 2026.01 | Google 宣布 Gemini 支持 MCP |
| 2026.03 | MCP 规范 2.0 发布，支持流式传输 |
| 2026.06 | 社区 Server 突破 3000 个 |
9.3 热门生态方向
1. 企业级 MCP Server
- Salesforce CRM 集成
- Jira 项目管理
- Slack 消息通知
- Notion 文档管理
2. 开发者工具链
- Kubernetes 集群管理
- Docker 容器操作
- AWS / Azure / GCP 云服务
- CI/CD 流水线控制
3. 数据分析
- BigQuery 数据查询
- Elasticsearch 搜索
- Snowflake 数据仓库
- Tableau 报表生成
4. 个人效率
- 日历管理（Google Calendar / Apple Calendar）
- 邮件处理（Gmail / Outlook）
- 笔记同步（Obsidian / Notion）
- 知识库检索（Confluence / Wiki）
9.4 MCP 与 AI Agent 的关系
MCP 是 AI Agent 生态的基础设施层。如果说 AI Agent 是「大脑」负责决策，那 MCP 就是「手和眼」负责执行和感知：
AI Agent（决策层）
↓ 调用工具
MCP Client（协议层）
↓ stdio / SSE
MCP Server（工具层）
↓ API / 文件 / 数据库
外部世界（数据层）2026 年的趋势是 MCP + Agent + RAG 的三位一体架构：
- MCP 提供工具调用能力
- Agent 提供自主决策能力
- RAG 提供知识检索能力
三者结合，AI 就能真正实现「理解需求 → 检索知识 → 调用工具 → 完成任务」的完整闭环。
十、 常见问题与故障排查
10.1 安装与配置问题
Q1：Claude Desktop 重启后 MCP Server 没有生效？
排查步骤：
1. 确认完全退出 Claude Desktop（从系统托盘菜单选择 Quit）
2. 检查 JSON 配置文件语法是否正确（用 jsonlint.com 验证）
3. 检查 npx 命令是否可用：在终端运行 npx --version
4. 检查 Node.js 版本是否 >= 18
5. 查看 Claude Desktop 日志：
macOS: ~/Library/Logs/Claude/mcp-server-*.log
6. 确认 Server 路径使用绝对路径，不是相对路径Q2：提示 "npx: command not found"？
原因：Claude Desktop 找不到 npx 的完整路径
解决：
1. 在终端运行 which npx 获取完整路径
通常是 /usr/local/bin/npx 或 /opt/homebrew/bin/npx
2. 在配置中使用完整路径：
"command": "/usr/local/bin/npx"
而不是 "command": "npx"Q3：MCP Server 启动但工具不可见？
排查步骤：
1. 在 Claude Desktop 对话中输入：「你有哪些可用的工具？」
2. 如果 Server 连接成功但没有工具，可能是 Server 代码有问题
3. 在终端手动运行 Server，检查是否有报错：
npx -y @modelcontextprotocol/server-filesystem /tmp
4. 确认 Server 版本是最新的：
npx -y @modelcontextprotocol/server-filesystem@latest --version10.2 使用问题
Q4：AI 调用工具时报错？
常见错误及解决：
1. "Tool not found" → 检查 Server 是否正常运行
2. "Permission denied" → 检查文件/目录权限
3. "API key invalid" → 检查环境变量是否正确配置
4. "Connection timeout" → 检查网络连接或增加超时时间
5. "Rate limit exceeded" → API 调用频率过高，降低频率Q5：AI 不主动调用工具？
可能原因及解决：
1. 工具描述不够清晰 → 在工具定义中写更详细的 description
2. 问题没有触发工具使用的意图 → 明确告诉 AI「使用工具查询...」
3. 模型能力不足 → 使用 Claude Sonnet 4 或更强模型
4. Server 未成功连接 → 在对话中输入「列出你的工具」确认Q6：多个 MCP Server 之间冲突？
解决方法：
1. 确保 each Server 的 name 唯一
2. 如果工具名冲突，在工具定义中使用命名空间前缀
3. 一次不要配置太多 Server（建议不超过 10 个）
4. 按需启用/禁用 Server10.3 性能问题
Q7：MCP Server 响应慢？
优化建议：
1. stdio 模式比 SSE 模式快，本地使用优先 stdio
2. Server 启动有冷启动开销，保持 Client 长时间运行
3. 数据库查询添加索引，避免全表扫描
4. 网络请求添加缓存，避免重复调用
5. 使用 npx 的 --prefer-offline 选项加速包安装Q8：内存占用过高？
排查方法：
1. 检查是否有内存泄漏（Server 运行时间越长内存越高）
2. Filesystem Server 避免配置过大的目录
3. 数据库查询结果限制返回行数
4. Puppeteer Server 注意关闭不需要的浏览器标签页
5. 监控 Server 进程内存：ps aux | grep mcp总结
MCP（Model Context Protocol）在 2026 年已经成为 AI 工具集成的事实标准。它的核心价值在于：
✅ 标准化：一个协议连接所有工具，无需为每个 AI 模型重复开发
✅ 开放性：开源协议，任何 AI 客户端和工具都可以接入
✅ 安全性：本地运行，数据不经过第三方
✅ 生态丰富：3000+ 个 Server 覆盖文件、数据库、API、浏览器等场景
✅ 易于开发：Node.js / Python SDK 让自定义 Server 开发非常简单对于不同用户，推荐的入门路径：
✅ 非开发者用户：Claude Desktop + Filesystem/GitHub Server → 让 AI 读写文件和管理代码
✅ 开发者用户：Cursor + Filesystem/GitHub/SQLite Server → AI 编程工作流全面升级
✅ 进阶开发者：自定义 MCP Server → 让 AI 接入你的专有工具链
✅ 隐私优先用户：Ollama + MCP → 完全本地的 AI + 工具调用方案MCP 让 AI 从「只会聊天」变成「能干活」的真正的智能助手。如果你已经在使用 Claude 或 Ollama，MCP 是释放 AI 全部潜力的关键一步。
延伸阅读
- Claude AI 完整使用指南 2026
- Ollama 本地部署进阶教程 2026
- Ollama + WebUI 基础教程
- AI Agent 终极指南 2026
- AI Coding 工具指南 2026
- DeepSeek 本地部署教程
- AI 使用教程汇总
延伸阅读
免责声明
本文仅供技术交流和学习参考。涉及第三方服务的链接可能包含 sponsored 标记，请自行核实服务条款、价格和可用性，并遵守当地法律法规。