MCP 服务器:用真实工具扩展 AI

大语言模型很聪明。它们能推理、写作、分析、创作。但它们也是隔离的。默认情况下,一个 LLM 看不了今天的天气、检查不了你的数据库、搜不了网页、读不了你电脑上的文件。它只知道训练数据里的内容和你粘到提示词里的东西。

MCP — Model Context Protocol — 改变这一点。它是把 AI 模型连接到外部工具的标准。把它想成 AI 的 USB:一个通用插头,让任何模型使用任何工具,只要双方都说这个协议。

MCP 如何工作

流程很简单:

关键洞见:LLM 决定何时使用工具。你不是写代码说 “如果用户问 GitHub,就调 GitHub API”。模型理解用户意图,识别需要外部数据,调用相应的 MCP 服务器,取得结果,并纳入其回答。

这就是 MCP 强大的原因 — 也是它与传统 API 集成的不同:传统集成里开发者必须预见每个可能的工作流。

有哪些 MCP 服务器

Zubnet 上有 117 个 MCP 服务器。以下是分类和部分亮点:

开发工具

• GitHub — 搜索仓库、创建/读取/关闭 issue、列出 PR、读取文件内容、创建分支
• GitLab — 类似 GitHub,用于 GitLab 项目
• Linear — 创建和管理 issue、读取项目状态
• Sentry — 搜索错误、读取堆栈跟踪、解决 issue

数据库

• PostgreSQL — 针对 Postgres DB 执行读取查询
• MySQL — 针对 MySQL/MariaDB 同样
• SQLite — 查询本地 SQLite 文件
• Redis — 读取键、扫描模式

搜索与研究

• Brave Search — 无跟踪网页搜索
• Exa — 网页语义搜索
• ArXiv — 搜索学术论文
• Wikipedia — 查询百科全书知识

文件系统与存储

• Filesystem — 在指定目录中读、写、列出和搜索文件
• Google Drive — 从 Drive 搜索和读取文档
• S3 — 列出和读取 AWS S3 桶中的对象

通信

• Slack — 读取频道、发送消息、搜索历史
• Discord — 在服务器中读取和发送消息
• Email — 通过 IMAP/SMTP 读取和起草邮件

数据与 API

• Fetch — 向任何 URL 发起 HTTP 请求
• Puppeteer — 浏览网页、截屏、提取内容
• Google Maps — 地理编码、路线、地点搜索

在我们的 MCP Store 浏览完整列表。

为 Claude Desktop 配置

Claude Desktop 原生支持 MCP。要连接服务器,把它的配置加到 Claude 的配置文件。在 Zubnet 的 MCP Store 每个服务器都有一键复制此配置的按钮。

配置文件位于:

• macOS: ~/Library/Application Support/Claude/claude_desktop_config.json
• Windows: %APPDATA%\Claude\claude_desktop_config.json

含两个 MCP 服务器的配置像这样:

{
  "mcpServers": {
    "github": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-github"],
      "env": {
        "GITHUB_PERSONAL_ACCESS_TOKEN": "ghp_your_token_here"
      }
    },
    "brave-search": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-brave-search"],
      "env": {
        "BRAVE_API_KEY": "your_brave_key_here"
      }
    }
  }
}

保存文件,重启 Claude Desktop,工具会自动出现。Claude 会在相关对话中使用它们。

为 Cursor 配置

Cursor(AI 代码编辑器)也支持 MCP。配置放进项目的 .cursor/mcp.json 文件:

{
  "mcpServers": {
    "filesystem": {
      "command": "npx",
      "args": [
        "-y", "@modelcontextprotocol/server-filesystem",
        "/path/to/your/project"
      ]
    },
    "postgres": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-postgres"],
      "env": {
        "POSTGRES_CONNECTION_STRING": "postgresql://user:pass@localhost/mydb"
      }
    }
  }
}

这让 Cursor 的 AI 能读取你的项目文件并查询你的数据库 — 让它在理解代码库和回答数据相关问题上表现戏剧性地更好。

在 Zubnet 上配置

对运行在 Zubnet 平台上的代理,配置 MCP 服务器更简单:

1. 进入 MCP Store

2. 找到你想要的服务器(如 GitHub)

3. 点击 “激活”

4. 输入所需配置(API 密钥、URL 等)

5. 连接到你的代理

服务器在我们基础设施上运行。无需本地安装、无需 npx、无需 Node.js。只需工作。

配置 schema:每个服务器需要什么

每个 MCP 服务器都需要一些配置。最常见的模式:

AI 如何决定使用工具

这是感觉像魔法的部分。你不写规则。LLM 自己搞定。

当你问 “我们在 GitHub 上有哪些 open issue?”,模型识别到:

1. 这需要它没有的数据(你特定的 GitHub issue)
2. 有一个 GitHub 工具可用
3. list_issues 函数带 state=open 是正确的调用

它构造工具调用,发给 MCP 服务器,得到 JSON 响应,然后用自然语言总结。

对多步任务,模型链式调用工具。“找到评论最多的 open issue 并在 Slack 的 #dev-chat 发一个总结” 可能涉及:

1. github.list_issues(state=open, sort=comments)
2. github.get_issue(number=142)(获取完整细节)
3. slack.post_message(channel=#dev-chat, text=...)

三次工具调用,自动编排。没写代码。

安全考虑

构建你自己的 MCP 服务器

MCP 规范是开放的。如果你需要的工具还不存在,你可以构建。一个 MCP 服务器是一个程序:

1. 声明其可用工具(名称、描述、参数 schema)
2. 处理工具调用请求
3. 返回结构化结果

官方 SDK 有 TypeScript 和 Python。TypeScript 里一个最小服务器约 50 行代码。规范和 SDK 在 modelcontextprotocol.io。

如果你构建了一个别人可能觉得有用的服务器,考虑把它发布到 MCP 生态。社区每周都在成长。

何时用 MCP vs. 常规 API 调用

MCP 并不总是正确答案。在以下情形使用:

• 你希望 AI 决定何时调用外部服务(动态的、用户驱动的工作流)
• 你在构建需要工具访问的代理
• 你希望跨多个工具有统一接口(一个协议、117 个服务器)

使用常规 API 调用当:

• 流程确定性强(总是先调用这个 API,然后那个)
• 你需要对每个请求的精确控制
• 性能关键,承受不起 LLM 的决策循环

---

在我们的 MCP Store 浏览 117 个 MCP 服务器。为 Claude Desktop 和 Cursor 提供一键配置。或直接为你的 Zubnet 代理 激活。