夜雨聆风
MCP协议实操指南:让你的AI助手真正＂联网干活＂
MCP 协议月下载量突破 3 亿次，已经成为 AI Agent 连接外部系统的标准。但很多职场人还不知道怎么用。这篇手把手教你搞定。
你有没有遇到过这种尴尬？
你让 AI 帮你查一下公司 CRM 里某个客户的最新数据， AI 告诉你：”对不起，我没有访问你公司 CRM 系统的权限。”
你让 AI 帮你分析这个月的运营报表， AI 说：”请把数据粘贴到对话框里。”
你让 AI 帮你发一封邮件， AI 说：”我可以帮你写邮件内容，但发送需要你自己操作。”
这就是没有 MCP 的 AI 。
它聪明，但它被”困”在了对话框里。
MCP 是什么？一句话讲清楚
MCP （ Model Context Protocol ，模型上下文协议） 就是一根”数据线”——它让 AI 模型能够安全地连接到外部系统、读取数据、执行操作。
没有 MCP ： AI 只能处理你手动输入的信息。
有了 MCP ： AI 可以主动去数据库查询、调用 API 、操作文件系统。
用大白话说， MCP 让 AI 从”被动的聊天机器人”变成了”主动的数字员工”。
MCP 的核心概念（ 3 分钟搞懂）
三个关键角色
┌──────────┐ MCP协议 ┌──────────┐
│ AI模型 │ ◄──────────► │ MCP服务 │
│ (Claude等) │ │ (各种插件) │
└──────────┘ └──────────┘
│
┌──────────┼──────────┐
▼ ▼ ▼
数据库 API接口 文件系统
1. MCP Host （宿主）：通常是 AI 编程工具，比如 Claude Code 、 Cursor 等。
2. MCP Server （服务端）：一个轻量级程序，负责与某个外部系统通信。比如：
– mcp-postgres：连接 PostgreSQL 数据库
– mcp-github：操作 GitHub 仓库
– mcp-slack：读写 Slack 消息
– mcp-google-drive：管理 Google Drive 文件
3. MCP Client （客户端）：内置在 AI 工具中，负责与 MCP Server 建立连接。
一个实际例子
假设你安装了 mcp-postgres 这个 MCP Server ：
没有 MCP 时：
你：帮我查一下数据库里这个月销售额超过 10 万的客户有多少个
AI ：请提供数据库连接信息……请把 SQL 查询结果粘贴到这里……
有了 MCP 后：
你：帮我查一下数据库里这个月销售额超过 10 万的客户有多少个
AI ：（自动连接数据库，执行 SQL 查询，返回结果）查到了，这个月销售额超过 10 万的客户共有 47 个，其中前 5 名是……
区别一目了然。
手把手配置 MCP （以 Claude Code 为例）
第一步：找到配置文件
MCP Server 的配置信息存放在一个 JSON 文件中。对于 Claude Code ，路径是：
~/.workbuddy/mcp.json
你的项目目录/.workbuddy/mcp.json
第二步：编写配置
以安装几个最常用的 MCP Server 为例：
{
"mcpServers":{
"postgres":{
"command":"npx",
"args":["-y","@anthropic/mcp-postgres@latest"],
"env":{
"DATABASE_URL":"postgresql://user:password@localhost:5432/mydb"
}
},
"github":{
"command":"npx",
"args":["-y","@anthropic/mcp-github@latest"],
"env":{
"GITHUB_TOKEN":"ghp_xxxxxxxxxx"
}
},
"filesystem":{
"command":"npx",
"args":["-y","@anthropic/mcp-filesystem@latest","/Users/you/documents"]
}
}
}
第三步：重启 AI 工具
配置保存后，重启 Claude Code （或你使用的 AI 工具）， MCP Server 会自动启动。
你可以通过以下命令验证：
/mcp
6 个最实用的 MCP Server 推荐
1. mcp-postgres — 数据库直连
适合人群： 数据分析师、后端开发者、运营人员
能做什么：
– 自然语言查询数据库
– 自动生成 SQL
– 数据可视化建议
– 表结构分析
实用 Prompt ：
“帮我把上季度的用户注册数据按周汇总，生成一张趋势表”
2. mcp-github — 代码仓库管理
适合人群： 开发者、技术负责人
能做什么：
– 查看 PR 和 Issue
– 代码审查
– 自动创建分支和提交
– CI/CD 状态检查
实用 Prompt ：
“帮我 review 一下 PR #123 ，重点关注安全问题和性能瓶颈”
3. mcp-google-drive — 文档管理
适合人群： 所有职场人
能做什么：
– 搜索 Google Drive 文件
– 读取文档内容
– 创建和更新文档
– 文件整理建议
实用 Prompt ：
“找到上次会议的纪要文档，帮我整理一份待办事项清单”
4. mcp-slack — 团队协作
适合人群： 团队管理者、项目经理
能做什么：
– 读取频道消息
– 发送通知
– 搜索历史消息
– 总结讨论要点
实用 Prompt ：
“总结一下#product 频道本周讨论的核心议题和结论”
5. mcp-notion — 知识库管理
适合人群： 知识工作者、内容创作者
能做什么：
– 搜索 Notion 页面
– 读取和更新内容
– 创建新页面
– 数据库操作
实用 Prompt ：
“在我的项目数据库中添加一条新记录：项目名称 xxx ，负责人 xxx ，截止日期 xxx”
6. mcp-fetch — 网页内容获取
适合人群： 研究人员、市场分析师
能做什么：
– 抓取网页内容
– 提取结构化数据
– 监控网页变化
– 内容摘要生成
实用 Prompt ：
“帮我抓取这个竞品网站的定价页面，整理成对比表格”
MCP 使用的 3 个避坑要点
坑 1 ：权限给的太大
问题： 很多人图省事，直接给 MCP Server 最高权限。
后果： AI 可能误删数据或执行危险操作。
解决方案： 按最小权限原则配置，只给必要的读写权限。
// ❌ 危险：给了整个文件系统的访问权限
"args":["-y","@mcp-filesystem","/"]
// ✅ 安全：只给特定目录的只读权限
"args":["-y","@mcp-filesystem","/Users/you/projects","--readonly"]
坑 2 ：敏感信息明文存储
问题： API Key 、数据库密码直接写在配置文件里。
后果： 一旦配置文件泄露，所有系统都有被攻击的风险。
解决方案： 使用环境变量存储敏感信息。
exportGITHUB_TOKEN="ghp_xxxxxxxxxx"
exportDATABASE_URL="postgresql://..."
"env":{
"GITHUB_TOKEN":"$GITHUB_TOKEN"
}
坑 3 ：装了太多 MCP Server
问题： 看什么都想装，一口气装了 20 个 MCP Server 。
后果： AI 上下文被大量工具描述占用，实际使用效果反而下降。
解决方案： 只装当前任务需要的 MCP Server ，用完可以临时禁用。
经验法则：同时激活的 MCP Server 不超过 5 个。
进阶技巧：自定义 MCP Server
如果你需要的系统没有现成的 MCP Server ，可以自己写一个。 MCP Server 本质上就是一个标准化的 HTTP/WebSocket 服务，官方提供了 Python 和 TypeScript 的 SDK 。
最简单的例子：
frommcpimport Server
server = Server("my-custom-server")
@server.tool()
async defget_company_data(company_name: str) -> dict:
"""获取公司数据"""
return {"name": company_name, "revenue": "1000万"}
server.run()
对于大多数职场人来说，不需要自己写 MCP Server——社区已经有数百个现成的可用。但了解这个机制，能帮你更好地理解 AI 工具的能力边界。
写在最后
MCP 协议的核心价值就一句话：让 AI 从”能聊天”进化到”能干活”。
月下载量 3 亿次这个数字说明，这已经不是一个小众技术，而是 AI Agent 生态的基础设施。
如果你还没有配置过 MCP ，建议从今天开始——选 1-2 个你最常用的场景（比如数据库查询或 GitHub 管理），配好对应的 MCP Server ，体验一下 AI”真正联网干活”的感觉。
你目前最想让 AI 连接哪个外部系统？评论区聊聊，我来帮你找对应的 MCP Server 。