MCP 協議入門與實戰指南 2026：讓 AI 連接萬物
2024 年 11 月，Anthropic 發佈了一個開源協議——Model Context Protocol（MCP）。短短一年多時間，它已經從一個概念草案成長為 AI 工具集成領域的事實標準。到 2026 年中，MCP 生態已覆蓋 3000+ 個 Server，被 Claude Desktop、Cursor、VS Code、Zed 等主流 AI 客戶端原生支持，OpenAI 和 Google 也先後宣佈兼容 MCP 協議。
一句話理解 MCP：它就像是 AI 世界的「USB-C 接口」——不管你的數據在文件系統、數據庫、GitHub 還是瀏覽器裡，只要裝上對應的 MCP Server，AI 就能直接讀取和操作，不需要為每個工具單獨寫集成代碼。
如果你已經在使用 Claude 或 Ollama 本地大模型，但苦於 AI 只能「聊天」而不能「幹活」，那麼 MCP 就是你需要的最後一塊拼圖。本文將帶你從概念理解到實戰部署，完整掌握 MCP 的使用方法。
目錄
- MCP 是什麼：協議背景與核心概念
- 為什麼需要 MCP：傳統方案的侷限
- 環境準備：MCP 客戶端選擇與安裝
- 常用 MCP Server 實戰配置
- 本地部署 MCP Server：兩種傳輸模式
- 自定義 MCP Server 開發：從零搭建
- MCP + Ollama：讓本地大模型也能用工具
- 安全注意事項：權限控制與沙箱隔離
- MCP 生態展望：2026 年社區發展
- 常見問題與故障排查
一、 MCP 是什麼：協議背景與核心概念
1.1 協議背景
在 MCP 出現之前，讓 AI 訪問外部工具和數據源是一件很碎片化的事情：
- OpenAI 有 Function Calling，但每個工具的 schema 需要手寫，切換模型就要重寫
- Anthropic 有 Tool Use，但格式與 OpenAI 不同，生態不互通
- Google 有 Gemini Function Calling，又是一套獨立的格式
- 開發者要為 Claude、GPT、Gemini 分別維護不同的工具集成代碼
Anthropic 提出 MCP 的初衷，就是標準化 AI 與外部工具的連接方式——就像 HTTP 標準化了 Web 通信、LSP（Language Server Protocol）標準化了代碼編輯器與語言服務器的通信一樣，MCP 標準化了 AI 模型與數據源/工具之間的通信。
1.2 核心架構
MCP 採用經典的 Client-Server 架構：
┌─────────────────┐ ┌─────────────┐ ┌─────────────────┐
│ MCP Client │────▶│ MCP Server │────▶│ 數據源 / 工具 │
│ (AI 應用端) │◀────│ (中間層) │◀────│ (文件/DB/API) │
└─────────────────┘ └─────────────┘ └─────────────────┘
Claude Desktop filesystem 本地文件系統
Cursor github GitHub API
VS Code sqlite SQLite 數據庫
Zed puppeteer 瀏覽器自動化| 概念 | 說明 | 類比 |
|---|---|---|
| MCP Client | AI 應用端，負責發起請求、接收工具調用結果 | 瀏覽器 |
| MCP Server | 中間層程序，封裝具體工具的操作邏輯 | Web 服務器 |
| Transport | Client 與 Server 之間的通信方式 | HTTP / WebSocket |
| Tool | Server 暴露給 Client 的可調用函數 | API 端點 |
| Resource | Server 暴露給 Client 的可讀取數據 | 靜態資源 |
| Prompt | Server 預定義的提示詞模板 | 頁面模板 |
1.3 三大核心能力
MCP Server 可以向 Client 暴露三種類型的能力：
1. Tools（工具調用）
AI 主動調用，執行操作並返回結果
例：執行 SQL 查詢、創建 GitHub Issue、截取網頁截圖2. Resources（資源讀取）
AI 讀取數據源中的內容
例：讀取本地文件、獲取數據庫表結構、列出目錄文件3. Prompts（提示詞模板）
Server 預設的提示詞，用戶可選擇應用
例：代碼審查提示詞、SQL 優化提示詞💡 關鍵理解：MCP Server 本身不包含 AI 模型，它只是一個「工具中間層」。AI 推理仍然在 Client 端（如 Claude Desktop）完成，Server 只負責執行具體的工具調用並返回結果。
二、 為什麼需要 MCP：傳統方案的侷限
2.1 傳統 Function Calling 的痛點
| 痛點 | 說明 |
|---|---|
| 🔴 協議碎片化 | OpenAI、Anthropic、Google 各有各的 Function Calling 格式，工具代碼不通用 |
| 🔴 重複開發 | 同一個「查天氣」功能，要為 Claude、GPT、Gemini 分別寫三遍 |
| 🔴 無狀態管理 | 每次調用都是獨立的，無法維持連接狀態（如數據庫會話） |
| 🔴 無標準化發現機制 | Client 不知道 Server 有哪些工具，需要硬編碼 |
| 🔴 部署不靈活 | 工具代碼和 AI 應用耦合在一起，無法獨立部署和複用 |
2.2 MCP 的標準化優勢
| 優勢 | 說明 |
|---|---|
| 🟢 一次開發，處處可用 | 寫一個 MCP Server，所有支持 MCP 的 Client 都能用 |
| 🟢 協議統一 | 不管底層 AI 模型是 Claude、GPT 還是 Gemini，MCP 格式完全一致 |
| 🟢 動態發現 | Client 連接 Server 後自動發現可用工具，無需硬編碼 |
| 🟢 獨立部署 | Server 是獨立進程，可以單獨更新、重啟，不影響 AI 應用 |
| 🟢 雙向通信 | Server 可以主動推送通知給 Client（SSE 模式） |
| 🟢 生態複用 | 社區共享 Server，不需要重複造輪子 |
2.3 MCP vs OpenAI Plugins vs Function Calling
| 對比維度 | MCP | OpenAI Plugins (已棄用) | Function Calling |
|---|---|---|---|
| 協議標準 | ✅ 開放標準 | ❌ OpenAI 私有 | ❌ 各廠商不同 |
| 跨模型兼容 | ✅ 所有支持 MCP 的 Client | ❌ 僅 ChatGPT | ❌ 各自格式 |
| 部署方式 | 本地 / 遠程均可 | 僅雲端 | 嵌入應用代碼 |
| 工具發現 | 自動發現 | 需註冊到 OpenAI | 手動註冊 |
| 狀態管理 | ✅ 支持有狀態 | ❌ 無狀態 | ❌ 無狀態 |
| 社區生態 | 3000+ Server | 已停止維護 | 各自為政 |
| 安全性 | 本地運行，可控 | 雲端運行，不可控 | 取決於實現 |
📊 結論：OpenAI Plugins 已在 2025 年停止維護，Function Calling 仍然是各廠商的基礎能力，但 MCP 已經成為 AI 工具集成的標準協議層，建立在 Function Calling 之上。
三、 環境準備：MCP 客戶端選擇與安裝
3.1 MCP 客戶端一覽（2026 年中）
| 客戶端 | 平臺 | MCP 支持 | 推薦度 | 說明 |
|---|---|---|---|---|
| Claude Desktop | macOS / Windows | ✅ 原生 | ⭐⭐⭐⭐⭐ | Anthropic 官方客戶端，MCP 支持最完善 |
| Cursor | macOS / Windows / Linux | ✅ 原生 | ⭐⭐⭐⭐⭐ | AI 代碼編輯器，MCP 與代碼工作流深度整合 |
| VS Code + Continue | 全平臺 | ✅ 通過 Continue 插件 | ⭐⭐⭐⭐ | 通用 IDE 方案，配置靈活 |
| Zed | macOS / Linux | ✅ 原生 | ⭐⭐⭐⭐ | 高性能代碼編輯器，MCP 原生支持 |
| Cline | VS Code 插件 | ✅ 原生 | ⭐⭐⭐⭐ | 自主編程 Agent，MCP 支持完善 |
| Windsurf | 全平臺 | ✅ 原生 | ⭐⭐⭐ | Codeium 出品的 AI IDE |
| 5ire | macOS / Windows | ✅ 原生 | ⭐⭐⭐ | 通用 MCP 客戶端，不限於編程 |
3.2 Claude Desktop 安裝與配置
Claude Desktop 是體驗 MCP 最簡單的方式，適合非開發者用戶。
bash
# macOS 安裝
brew install --cask claude
# 或從官網下載
# https://claude.ai/download配置 MCP Server：
Claude Desktop 的 MCP 配置文件位於：
# macOS
~/Library/Application Support/Claude/claude_desktop_config.json
# Windows
%APPDATA%\Claude\claude_desktop_config.json基礎配置模板：
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：修改配置文件後需要完全退出並重啟 Claude Desktop（不只是關閉窗口，要從托盤菜單退出），MCP Server 才會生效。
3.3 Cursor 配置 MCP
Cursor 是目前 MCP 在編程場景下體驗最好的客戶端。
步驟 1：打開 Cursor → Settings → Cursor Settings → MCP
步驟 2：點擊「+ Add MCP Server」
步驟 3：填寫 Server 配置：
- Name: filesystem
- Type: stdio
- Command: npx -y @modelcontextprotocol/server-filesystem /path/to/dir
步驟 4：保存後，Cursor 會自動啟動 Server
步驟 5：在 Chat 模式中，AI 會自動使用可用的 MCP 工具Cursor 也支持直接編輯 ~/.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 前置環境準備
無論使用哪個客戶端，運行 MCP Server 都需要以下環境：
bash
# 1. Node.js 18+（大部分 MCP Server 基於 Node.js）
node --version # 確認版本 >= 18
# 2. Python 3.10+（部分 MCP Server 基於 Python）
python3 --version # 確認版本 >= 3.10
# 3. uv（Python MCP Server 的包管理器，推薦安裝）
curl -LsSf https://astral.sh/uv/install.sh | sh
# 4. Git（GitHub MCP Server 需要）
git --version💡 國內用戶提示：如果
npx下載 MCP Server 包速度慢，可以設置國內鏡像：bashnpm config set registry https://registry.npmmirror.com
四、 常用 MCP Server 實戰配置
4.1 Filesystem（文件系統訪問）
最常用的 MCP Server，讓 AI 可以讀取、寫入、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 | 讀取指定文件內容 |
read_multiple_files | 批量讀取多個文件 |
write_file | 寫入文件（覆蓋） |
create_directory | 創建目錄 |
list_directory | 列出目錄內容 |
move_file | 移動/重命名文件 |
search_files | 遞歸搜索文件 |
get_file_info | 獲取文件元信息 |
list_allowed_directories | 列出允許訪問的目錄 |
⚠️ 安全提示：只配置你需要 AI 訪問的目錄，不要配置根目錄
/或用戶主目錄，避免 AI 讀取敏感文件。
4.2 GitHub（倉庫管理）
讓 AI 可以搜索倉庫、讀取文件、創建 Issue、管理 PR。
json
{
"mcpServers": {
"github": {
"command": "npx",
"args": ["-y", "@modelcontextprotocol/server-github"],
"env": {
"GITHUB_PERSONAL_ACCESS_TOKEN": "ghp_your_token_here"
}
}
}
}獲取 GitHub Token：
步驟 1：訪問 https://github.com/settings/tokens
步驟 2：點擊「Generate new token (classic)」
步驟 3：勾選權限：repo, read:org, read:user
步驟 4：生成後複製 token，填入配置暴露的工具：
| 工具 | 功能 |
|---|---|
search_repositories | 搜索 GitHub 倉庫 |
get_file_contents | 獲取倉庫文件內容 |
create_issue | 創建 Issue |
create_pull_request | 創建 PR |
fork_repository | Fork 倉庫 |
create_branch | 創建分支 |
list_commits | 列出提交記錄 |
get_pull_request_status | 獲取 PR 狀態 |
4.3 SQLite（數據庫查詢）
讓 AI 可以直接查詢本地 SQLite 數據庫。
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 | 執行 SELECT 查詢 |
write_query | 執行 INSERT/UPDATE/DELETE |
list_tables | 列出所有表 |
describe_table | 查看錶結構 |
create_table | 創建新表 |
使用場景示例：
你：幫我看看數據庫裡有哪些表，然後查一下 users 表最近 10 條記錄
AI（自動調用 MCP）：
1. 調用 list_tables → 獲取表列表
2. 調用 describe_table("users") → 瞭解表結構
3. 調用 read_query("SELECT * FROM users ORDER BY id DESC LIMIT 10")
4. 返回查詢結果並格式化展示4.4 PostgreSQL（PostgreSQL 數據庫）
json
{
"mcpServers": {
"postgres": {
"command": "npx",
"args": ["-y", "@modelcontextprotocol/server-postgres", "postgresql://user:password@localhost:5432/dbname"]
}
}
}⚠️ 安全建議：使用只讀數據庫用戶，避免 AI 執行危險的寫操作：
sqlCREATE USER mcp_readonly WITH PASSWORD 'your_password'; GRANT SELECT ON ALL TABLES IN SCHEMA public TO mcp_readonly;
4.5 Brave Search（網絡搜索）
讓 AI 可以進行實時網絡搜索。
json
{
"mcpServers": {
"brave-search": {
"command": "npx",
"args": ["-y", "@modelcontextprotocol/server-brave-search"],
"env": {
"BRAVE_API_KEY": "your_brave_api_key_here"
}
}
}
}獲取 Brave API Key：
步驟 1：訪問 https://brave.com/search/api/
步驟 2：註冊賬號，選擇 Free 計劃（每月 2000 次免費查詢）
步驟 3：在 Dashboard 中複製 API Key4.6 Puppeteer（瀏覽器自動化）
讓 AI 可以控制瀏覽器，截圖、填表、抓取網頁內容。
json
{
"mcpServers": {
"puppeteer": {
"command": "npx",
"args": ["-y", "@modelcontextprotocol/server-puppeteer"]
}
}
}暴露的工具：
| 工具 | 功能 |
|---|---|
navigate | 導航到指定 URL |
screenshot | 截取當前頁面截圖 |
click | 點擊頁面元素 |
fill | 填寫表單 |
evaluate | 執行 JavaScript |
get_page_content | 獲取頁面 HTML 內容 |
4.7 常用 Server 配置速查表
| Server | npm 包名 | 需要的憑證 | 核心功能 |
|---|---|---|---|
| Filesystem | @modelcontextprotocol/server-filesystem | 無 | 文件讀寫 |
| GitHub | @modelcontextprotocol/server-github | GitHub Token | 倉庫管理 |
| SQLite | @modelcontextprotocol/server-sqlite | 無 | 數據庫查詢 |
| PostgreSQL | @modelcontextprotocol/server-postgres | 數據庫連接串 | 數據庫查詢 |
| Brave Search | @modelcontextprotocol/server-brave-search | Brave API Key | 網絡搜索 |
| Puppeteer | @modelcontextprotocol/server-puppeteer | 無 | 瀏覽器自動化 |
| Memory | @modelcontextprotocol/server-memory | 無 | 知識圖譜記憶 |
| Fetch | @modelcontextprotocol/server-fetch | 無 | HTTP 請求 |
| Time | @modelcontextprotocol/server-time | 無 | 時間日期查詢 |
| Sequential Thinking | @modelcontextprotocol/server-sequential-thinking | 無 | 分步推理 |
五、 本地部署 MCP Server：兩種傳輸模式
MCP 支持兩種傳輸模式，適用於不同場景：
5.1 stdio 模式（本地進程）
最常用的模式。Client 啟動 Server 作為子進程，通過標準輸入/輸出通信。
┌───────────┐ stdin/stdout ┌───────────┐
│ Client │◄──────────────▶│ Server │
│ (主進程) │ (JSON-RPC) │ (子進程) │
└───────────┘ └───────────┘優點：
- 配置簡單，無需網絡端口
- 性能高，無網絡開銷
- 安全性好，通信不經過網絡
缺點：
- 僅限本地使用
- Client 關閉則 Server 也終止
配置方式（以 Claude Desktop 為例）：
json
{
"mcpServers": {
"my-server": {
"command": "node",
"args": ["/path/to/my-server/index.js"]
}
}
}5.2 SSE 模式（遠程服務）
Client 通過 HTTP Server-Sent Events 與遠程 Server 通信。
┌───────────┐ HTTP POST ┌───────────┐
│ Client │───────────────▶│ Server │
│ │ SSE Response │ (HTTP) │
│ │◀───────────────│ │
└───────────┘ └───────────┘優點：
- 支持遠程部署，多客戶端共享
- Server 可獨立運行，不依賴 Client
- 支持負載均衡和水平擴展
缺點：
- 需要網絡配置
- 需要考慮安全性（認證、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 - 基於 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"
});
// 註冊工具
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) => {
// 處理 Client 發來的消息
});
app.listen(3001, () => {
console.log('MCP SSE Server running on http://localhost:3001/sse');
});5.3 兩種模式選擇建議
| 場景 | 推薦模式 | 原因 |
|---|---|---|
| 個人本地使用 | stdio | 簡單、安全、高性能 |
| 團隊共享 Server | SSE | 一處部署，多人使用 |
| 需要長時間運行的任務 | SSE | 不依賴 Client 進程 |
| 訪問本地文件/數據庫 | stdio | 避免網絡暴露敏感數據 |
| 訪問遠程 API | SSE | 部署在服務器端更穩定 |
| 開發調試 | stdio | 快速迭代，無需部署 |
六、 自定義 MCP Server 開發：從零搭建
6.1 Node.js MCP Server 開發
以一個「天氣查詢」Server 為例，教你從零開發 MCP Server。
步驟 1：初始化項目
bash
mkdir weather-mcp-server && cd weather-mcp-server
npm init -y
npm install @modelcontextprotocol/sdk步驟 2：編寫 Server 代碼
javascript
// index.js
import { McpServer } from '@modelcontextprotocol/sdk/server/mcp.js';
import { StdioServerTransport } from '@modelcontextprotocol/sdk/server/stdio.js';
import { z } from 'zod';
// 創建 MCP Server 實例
const server = new McpServer({
name: "weather-server",
version: "1.0.0"
});
// 註冊工具：獲取當前天氣
server.tool(
"get_weather",
"獲取指定城市的當前天氣信息",
{
city: z.string().describe("城市名稱，如：北京、上海、東京"),
unit: z.enum(["celsius", "fahrenheit"]).optional().describe("溫度單位")
},
async ({ city, unit }) => {
// 這裡替換為真實的天氣 API 調用
// 示例使用模擬數據
const weatherData = {
city: city,
temperature: unit === "fahrenheit" ? 72 : 22,
condition: "晴",
humidity: 45,
wind: "微風 3km/h",
updated: new Date().toISOString()
};
return {
content: [{
type: "text",
text: `📍 ${city} 當前天氣\n🌡️ 溫度: ${weatherData.temperature}°${unit === "fahrenheit" ? "F" : "C"}\n🌤️ 天氣: ${weatherData.condition}\n💧 溼度: ${weatherData.humidity}%\n🌬️ 風力: ${weatherData.wind}\n🕐 更新時間: ${weatherData.updated}`
}]
};
}
);
// 註冊工具：獲取天氣預報
server.tool(
"get_forecast",
"獲取指定城市未來 3 天天氣預報",
{
city: z.string().describe("城市名稱"),
days: z.number().min(1).max(7).optional().describe("預報天數，默認 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", "多雲", "陰", "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} 未來 ${days} 天預報\n\n${text}` }]
};
}
);
// 啟動 Server
const transport = new StdioServerTransport();
await server.connect(transport);步驟 3：配置到 Claude Desktop
json
{
"mcpServers": {
"weather": {
"command": "node",
"args": ["/absolute/path/to/weather-mcp-server/index.js"]
}
}
}步驟 4：測試
重啟 Claude Desktop 後，在對話中輸入：
你：幫我查一下北京今天的天氣，還有未來 3 天的預報
AI（自動調用 MCP 工具）：
1. 調用 get_weather({ city: "北京", unit: "celsius" })
2. 調用 get_forecast({ city: "北京", days: 3 })
3. 整合兩個結果返回完整天氣信息6.2 Python MCP Server 開發
如果你更熟悉 Python，可以使用官方 Python SDK。
bash
# 安裝 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="獲取指定城市的當前天氣信息",
inputSchema={
"type": "object",
"properties": {
"city": {
"type": "string",
"description": "城市名稱"
},
"unit": {
"type": "string",
"enum": ["celsius", "fahrenheit"],
"description": "溫度單位"
}
},
"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")
# 替換為真實 API 調用
weather_text = f"📍 {city} 當前天氣\n🌡️ 溫度: 22°{'F' if unit == 'fahrenheit' else 'C'}\n🌤️ 天氣: 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 開發最佳實踐
| 實踐 | 說明 |
|---|---|
| 📝 詳細的工具描述 | 描述越清晰，AI 調用越準確 |
| 🔒 輸入參數校驗 | 使用 Zod（Node.js）或 Pydantic（Python）做參數校驗 |
| 🛡️ 錯誤處理 | 返回結構化錯誤信息，而不是拋異常 |
| 📦 最小權限原則 | 只暴露必要的工具，不要過度暴露 |
| 🧪 單元測試 | 測試工具邏輯，確保返回格式正確 |
| 📖 README 文檔 | 說明安裝步驟、配置方法、可用工具列表 |
七、 MCP + Ollama：讓本地大模型也能用工具
MCP 不僅限於 Claude——通過一些中間層工具，你可以讓 Ollama 本地部署的大模型也使用 MCP 工具。
7.1 方案一：通過 Cline（VS Code 插件）
Cline 是一個 VS Code 插件，支持連接 Ollama 本地模型並使用 MCP 工具。
步驟 1：在 VS Code 中安裝 Cline 插件
步驟 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
步驟 3：在 Cline 設置中配置 MCP Server（同 Claude Desktop 格式）
步驟 4：開始使用，Cline 會自動將 MCP 工具注入到 Ollama 的 Function Calling 中7.2 方案二：通過 LiteLLM 代理
LiteLLM 可以將 Ollama 的 API 轉換為 OpenAI 兼容格式，配合支持 MCP 的客戶端使用。
bash
# 安裝 LiteLLM
pip install litellm
# 啟動代理
litellm --model ollama/deepseek-r1:14b --port 4000然後在支持 OpenAI API + MCP 的客戶端中配置：
json
{
"apiBase": "http://localhost:4000",
"apiKey": "any-string",
"model": "ollama/deepseek-r1:14b"
}7.3 方案三：通過 mcp-cli 命令行工具
mcp-cli 是一個輕量級的命令行 MCP 客戶端，支持連接多種 AI 模型。
bash
# 安裝
pip install mcp-cli
# 配置
# 編輯 ~/.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 的能力對比
| 能力 | Claude Desktop + MCP | Ollama + MCP |
|---|---|---|
| 工具調用準確性 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐（取決於模型） |
| 複雜任務編排 | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ |
| 隱私性 | ⭐⭐⭐（數據發到雲端） | ⭐⭐⭐⭐⭐（完全本地） |
| 成本 | ⭐⭐⭐（需訂閱） | ⭐⭐⭐⭐⭐（免費） |
| 響應速度 | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐（取決於硬件） |
| 推薦模型 | Claude Sonnet 4 | deepseek-r1:14b / qwen3:14b |
💡 建議：對工具調用準確性要求高的任務用 Claude Desktop + MCP；對隱私要求高或離線場景用 Ollama + MCP。兩者可以互補使用。
八、 安全注意事項：權限控制與沙箱隔離
8.1 風險評估
MCP Server 擁有訪問外部資源的權限，如果配置不當可能帶來安全風險：
| 風險等級 | 場景 | 風險描述 |
|---|---|---|
| 🔴 高危 | Filesystem 配置根目錄 | AI 可讀取密碼、密鑰等敏感文件 |
| 🔴 高危 | 數據庫使用 root 用戶 | AI 可能執行 DROP TABLE 等危險操作 |
| 🟡 中危 | GitHub Token 權限過大 | AI 可能修改或刪除倉庫 |
| 🟡 中危 | 運行來源不明的 Server | Server 可能包含惡意代碼 |
| 🟢 低危 | 只讀查詢類 Server | 風險可控 |
8.2 安全最佳實踐
1. 最小權限原則
json
// ❌ 危險：配置整個用戶目錄
{
"args": ["@modelcontextprotocol/server-filesystem", "/"]
}
// ✅ 安全：只配置工作目錄
{
"args": ["@modelcontextprotocol/server-filesystem", "/Users/yourname/Projects/my-project"]
}2. 數據庫只讀用戶
sql
-- 為 MCP 創建專用只讀用戶
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;
-- 禁止修改和刪除
REVOKE INSERT, UPDATE, DELETE ON ALL TABLES IN SCHEMA public FROM mcp_readonly;3. GitHub Token 最小權限
只勾選必要的權限：
✅ repo:read（只讀倉庫訪問）
✅ read:org（讀取組織信息）
❌ repo:write（不要勾選寫權限）
❌ delete_repo（不要勾選刪除權限）4. 使用可信的 MCP Server
推薦來源：
✅ @modelcontextprotocol 官方包
✅ 知名開源項目維護的 Server
✅ 自己開發的 Server
謹慎使用：
⚠️ npm 上不知名作者發佈的 Server
⚠️ 需要過多權限的 Server
⚠️ 沒有源碼可查的閉源 Server5. 敏感信息保護
bash
# 使用環境變量管理密鑰，不要硬編碼
# ✅ 好的做法
export GITHUB_TOKEN=ghp_xxx
# 配置文件中引用環境變量
"env": { "GITHUB_PERSONAL_ACCESS_TOKEN": "${GITHUB_TOKEN}" }
# ❌ 壞的做法
"env": { "GITHUB_PERSONAL_ACCESS_TOKEN": "ghp_xxx" }8.3 審計與監控
定期檢查 MCP Server 的使用情況：
bash
# Claude Desktop MCP 日誌位置
# macOS
~/Library/Logs/Claude/mcp-server-*.log
# 查看最近的 MCP 日誌
tail -100 ~/Library/Logs/Claude/mcp-server-filesystem.log
# 檢查哪些 Server 正在運行
ps aux | grep mcp九、 MCP 生態展望：2026 年社區發展
9.1 生態數據（2026 年中）
| 指標 | 數據 |
|---|---|
| 已註冊 MCP Server | 3,000+ |
| 支持的 AI 客戶端 | 15+ |
| GitHub MCP 相關倉庫 | 8,000+ |
| 社區貢獻者 | 2,000+ |
| 月活躍 Server 下載量 | 500 萬+ |
9.2 2026 年重要進展
| 時間 | 事件 |
|---|---|
| 2024.11 | Anthropic 發佈 MCP 協議規範 |
| 2025.01 | Claude Desktop 原生支持 MCP |
| 2025.03 | Cursor 集成 MCP 支持 |
| 2025.06 | 社區 Server 突破 1000 個 |
| 2025.09 | VS Code Continue 插件支持 MCP |
| 2025.11 | OpenAI 宣佈在 ChatGPT 中兼容 MCP |
| 2026.01 | Google 宣佈 Gemini 支持 MCP |
| 2026.03 | MCP 規範 2.0 發佈，支持流式傳輸 |
| 2026.06 | 社區 Server 突破 3000 個 |
9.3 熱門生態方向
1. 企業級 MCP Server
- Salesforce CRM 集成
- Jira 項目管理
- Slack 消息通知
- Notion 文檔管理
2. 開發者工具鏈
- Kubernetes 集群管理
- Docker 容器操作
- AWS / Azure / GCP 雲服務
- CI/CD 流水線控制
3. 數據分析
- BigQuery 數據查詢
- Elasticsearch 搜索
- Snowflake 數據倉庫
- Tableau 報表生成
4. 個人效率
- 日曆管理（Google Calendar / Apple Calendar）
- 郵件處理（Gmail / Outlook）
- 筆記同步（Obsidian / Notion）
- 知識庫檢索（Confluence / Wiki）
9.4 MCP 與 AI Agent 的關係
MCP 是 AI Agent 生態的基礎設施層。如果說 AI Agent 是「大腦」負責決策，那 MCP 就是「手和眼」負責執行和感知：
AI Agent（決策層）
↓ 調用工具
MCP Client（協議層）
↓ stdio / SSE
MCP Server（工具層）
↓ API / 文件 / 數據庫
外部世界（數據層）2026 年的趨勢是 MCP + Agent + RAG 的三位一體架構：
- MCP 提供工具調用能力
- Agent 提供自主決策能力
- RAG 提供知識檢索能力
三者結合，AI 就能真正實現「理解需求 → 檢索知識 → 調用工具 → 完成任務」的完整閉環。
十、 常見問題與故障排查
10.1 安裝與配置問題
Q1：Claude Desktop 重啟後 MCP Server 沒有生效？
排查步驟：
1. 確認完全退出 Claude Desktop（從系統托盤菜單選擇 Quit）
2. 檢查 JSON 配置文件語法是否正確（用 jsonlint.com 驗證）
3. 檢查 npx 命令是否可用：在終端運行 npx --version
4. 檢查 Node.js 版本是否 >= 18
5. 查看 Claude Desktop 日誌：
macOS: ~/Library/Logs/Claude/mcp-server-*.log
6. 確認 Server 路徑使用絕對路徑，不是相對路徑Q2：提示 "npx: command not found"？
原因：Claude Desktop 找不到 npx 的完整路徑
解決：
1. 在終端運行 which npx 獲取完整路徑
通常是 /usr/local/bin/npx 或 /opt/homebrew/bin/npx
2. 在配置中使用完整路徑：
"command": "/usr/local/bin/npx"
而不是 "command": "npx"Q3：MCP Server 啟動但工具不可見？
排查步驟：
1. 在 Claude Desktop 對話中輸入：「你有哪些可用的工具？」
2. 如果 Server 連接成功但沒有工具，可能是 Server 代碼有問題
3. 在終端手動運行 Server，檢查是否有報錯：
npx -y @modelcontextprotocol/server-filesystem /tmp
4. 確認 Server 版本是最新的：
npx -y @modelcontextprotocol/server-filesystem@latest --version10.2 使用問題
Q4：AI 調用工具時報錯？
常見錯誤及解決：
1. "Tool not found" → 檢查 Server 是否正常運行
2. "Permission denied" → 檢查文件/目錄權限
3. "API key invalid" → 檢查環境變量是否正確配置
4. "Connection timeout" → 檢查網絡連接或增加超時時間
5. "Rate limit exceeded" → API 調用頻率過高，降低頻率Q5：AI 不主動調用工具？
可能原因及解決：
1. 工具描述不夠清晰 → 在工具定義中寫更詳細的 description
2. 問題沒有觸發工具使用的意圖 → 明確告訴 AI「使用工具查詢...」
3. 模型能力不足 → 使用 Claude Sonnet 4 或更強模型
4. Server 未成功連接 → 在對話中輸入「列出你的工具」確認Q6：多個 MCP Server 之間衝突？
解決方法：
1. 確保 each Server 的 name 唯一
2. 如果工具名衝突，在工具定義中使用命名空間前綴
3. 一次不要配置太多 Server（建議不超過 10 個）
4. 按需啟用/禁用 Server10.3 性能問題
Q7：MCP Server 響應慢？
優化建議：
1. stdio 模式比 SSE 模式快，本地使用優先 stdio
2. Server 啟動有冷啟動開銷，保持 Client 長時間運行
3. 數據庫查詢添加索引，避免全表掃描
4. 網絡請求添加緩存，避免重複調用
5. 使用 npx 的 --prefer-offline 選項加速包安裝Q8：內存佔用過高？
排查方法：
1. 檢查是否有內存洩漏（Server 運行時間越長內存越高）
2. Filesystem Server 避免配置過大的目錄
3. 數據庫查詢結果限制返回行數
4. Puppeteer Server 注意關閉不需要的瀏覽器標籤頁
5. 監控 Server 進程內存：ps aux | grep mcp總結
MCP（Model Context Protocol）在 2026 年已經成為 AI 工具集成的事實標準。它的核心價值在於：
✅ 標準化：一個協議連接所有工具，無需為每個 AI 模型重複開發
✅ 開放性：開源協議，任何 AI 客戶端和工具都可以接入
✅ 安全性：本地運行，數據不經過第三方
✅ 生態豐富：3000+ 個 Server 覆蓋文件、數據庫、API、瀏覽器等場景
✅ 易於開發：Node.js / Python SDK 讓自定義 Server 開發非常簡單對於不同用戶，推薦的入門路徑：
✅ 非開發者用戶：Claude Desktop + Filesystem/GitHub Server → 讓 AI 讀寫文件和管理代碼
✅ 開發者用戶：Cursor + Filesystem/GitHub/SQLite Server → AI 編程工作流全面升級
✅ 進階開發者：自定義 MCP Server → 讓 AI 接入你的專有工具鏈
✅ 隱私優先用戶：Ollama + MCP → 完全本地的 AI + 工具調用方案MCP 讓 AI 從「只會聊天」變成「能幹活」的真正的智能助手。如果你已經在使用 Claude 或 Ollama，MCP 是釋放 AI 全部潛力的關鍵一步。
延伸閱讀
- Claude AI 完整使用指南 2026
- Ollama 本地部署進階教程 2026
- Ollama + WebUI 基礎教程
- AI Agent 終極指南 2026
- AI Coding 工具指南 2026
- DeepSeek 本地部署教程
- AI 使用教程彙總
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。