你有没有遇到过这种场景——想用 Claude 分析你本地的数据库，但 Claude 根本访问不了？或者想在 Cursor 里直接用你的 Notion 笔记来辅助写代码，却发现没有这个功能？
AI 很强，但它们被关在一个信息孤岛里。你给它的，只有你粘贴进去的那段文字。
MCP（Model Context Protocol）就是来解决这个问题的。它是 Anthropic 在 2024 年底推出的开放协议，目标是让 AI 工具能像插件一样连接任何外部数据源和工具。
说人话：MCP 就是 AI 工具的 USB 接口。 插上就能用，不用管它背后是什么。
MCP 到底是什么
MCP 全称 Model Context Protocol，模型上下文协议。
它定义了一套标准：AI 工具怎么请求外部数据，外部服务怎么回应，数据怎么传输。
核心设计思路很简单——把 AI 和外部世界之间的通信，标准化成客户端-服务器模型。
AI 工具（客户端） ←→ MCP 协议 ←→ 你的数据源（服务器）
AI 工具不用关心你用的是数据库还是文件系统。它只要按 MCP 协议发请求，数据源按协议回应，中间的传输由 MCP 协议负责。
为什么需要 MCP
在没有 MCP 之前，每个 AI 工具都有自己的集成方式。
Claude Desktop 有自己的配置格式。Cursor 有自己的。VS Code 有自己的。你想让同一个数据源被多个工具访问，就得为每个工具写一套配置。
更麻烦的是，很多数据根本连不上。你想让 AI 访问你的 Git 仓库、你的文件系统、你公司的 API——要么手写脚本，要么根本不可能。
MCP 解决了两个问题：
第一，统一接口。 不管你是 Claude、Cursor、还是其他支持 MCP 的工具，配置方式一样。写一次，到处用。
第二，生态开放。 任何人都可以写一个 MCP Server，把你的数据或工具暴露给所有 AI 工具。不需要每个 AI 工具厂商单独对接。
MCP 的核心概念
理解 MCP，只需要搞懂三个概念：客户端、服务器、资源。
客户端（Client）
就是 AI 工具本身。Claude Desktop、Cursor、VS Code 的 MCP 扩展，都是客户端。
客户端负责：发起请求、接收响应、展示结果。
服务器（Server）
就是你想要 AI 访问的外部服务。比如一个访问你本地文件的 server，一个查询数据库的 server，一个读取你 GitHub 的 server。
服务器负责：暴露工具和数据、响应客户端请求。
资源（Resource）
资源是被 AI 可以读取的数据。比如一个文件的内容、一个数据库表的查询结果、一个 API 的返回值。
资源有三种：
- 静态资源：文件内容、配置等，不会变的
- 动态资源：数据库查询结果、API 数据等，会变的
- 工具（Tools）：AI 可以调用的函数，比如执行命令、写入文件
一个简单的 MCP 实战
来，动手配置一个最实用的 MCP：让 AI 能直接读取你的项目文件。
第一步：安装 MCP 服务器
我们用一个现成的 MCP Server——filesystem MCP，它能让你用 AI 访问本地文件系统。
# 安装 filesystem MCP Server
npm install -g @modelcontextprotocol/server-filesystem
第二步：配置 AI 工具
以 Claude Desktop 为例。打开配置文件 ~/Library/Application Support/Claude/claude_desktop_config.json，添加：
{
"mcpServers": {
"filesystem": {
"command": "npx",
"args": [
"-y",
"@modelcontextprotocol/server-filesystem",
"/Users/yourname/projects"
]
}
}
}
注意把 /Users/yourname/projects 换成你自己的项目目录。
第三步：测试
重启 Claude Desktop。现在你可以在对话里说：
帮我看看 projects/myapp 目录下的文件结构
Claude 会通过 MCP 协议访问你的文件系统，返回真实的结果。
再试一个：
读取 projects/myapp/src/main.py 的前50行
这次 Claude 真的读到了你本地的文件内容。
MCP 比你想的更有用
上面只是最基础的用法。MCP 的真正价值在于生态。
目前已经有不少现成的 MCP Server 可用：
| MCP Server | 功能 | 适合场景 |
|---|---|---|
| filesystem | 读取/写入本地文件 | 代码审查、文件分析 |
| github | 操作 GitHub 仓库 | PR 审查、issue 管理 |
| sqlite | 查询 SQLite 数据库 | 数据分析、数据库调试 |
| memory | 跨会话记忆 | AI Agent 长期记忆 |
| browser | 浏览器自动化 | 网页抓取、测试 |
| puppeteer | 浏览器控制 | 自动化测试 |
每一个都是独立的可插拔模块。你想让 AI 操作 GitHub？装一个 github MCP Server。想让它查数据库？装一个 sqlite MCP Server。
写一个自己的 MCP Server
MCP Server 本质就是一个 HTTP 服务。你可以用任何语言写。
来看一个最简单的 Python MCP Server：
from mcp.server import Server
from mcp.types import Tool, TextContent
app = Server("my-tool")
@app.tool()
async def get_weather(city: str) -> list[TextContent]:
"""获取城市天气"""
# 这里调用真实的天气 API
weather = fetch_weather(city)
return [TextContent(type="text", text=f"{city} 今天{weather}")]
if __name__ == "__main__":
app.run()
写好后，在 AI 工具里配置这个 server：
{
"mcpServers": {
"weather": {
"command": "python",
"args": ["/path/to/my_weather_server.py"]
}
}
}
之后你就可以对 AI 说：“帮我查一下北京的天气”——它会调用你自己的 server，拿到真实数据。
MCP 的现状和趋势
2026 年，MCP 已经成为 AI 工具的事实标准。
Anthropic 的 Claude Desktop 原生支持。Cursor 在 2025 年加入支持。VS Code 通过扩展支持。Google 的 Gemini 也在跟进。
越来越多的工具开始原生支持 MCP，而不是各自搞一套。这意味着你今天为 Claude 配置的 MCP Server，明天很可能在 Cursor 或 VS Code 里也能用。
对开发者来说，这意味着：
- 一次配置，多工具复用 —— 不用每个 AI 工具都重新配一遍
- 生态快速增长 —— 社区贡献的 MCP Server 越来越多
- 数据主权在用户手里 —— 你决定 AI 能访问什么，不能访问什么
开始你的第一个 MCP
MCP 不难。它就是一个标准化的接口协议。你不需要懂多少底层原理，只需要知道：
- 你要让 AI 访问什么数据或工具
- 有没有现成的 MCP Server 可以用
- 怎么在你的 AI 工具里配置它
现在就试试。打开你的 Claude Desktop 或 Cursor，装一个 filesystem MCP Server，让你喜欢的 AI 工具真正"看得见"你的世界。
AI 很强，但前提是你得让它知道你在做什么。MCP 就是那扇窗。
你的 AI 工具现在能访问哪些外部数据？也许装一个 MCP Server 就能解决。