第 3 篇：把 MCP 接入 AI，以及生态里有什么
第 3 篇：把 MCP 接入 AI，以及生态里有什么
前两篇我们搞清了 MCP 的概念，还手写了一个天气查询服务器。但最酷的部分还没来——**怎么让真正的 AI 用上它？**这一篇讲三件事：
- 把我们的天气 Server 接入 AI 客户端（Claude CLI + VS Code Cline）
- 看看社区已经有哪些现成的 MCP Server 可以直接用
- 聊聊 MCP 和 Agent 到底是什么关系
3.1 接入 Claude CLI 和 VS Code Cline
Claude Code CLI
Claude CLI 是 Anthropic 推出的命令行 AI 工具，原生支持 MCP。把我们的 Server 接进去，在终端里就能让 Claude 查天气。
提示：这里需要提前安装好 Claude Code CLI 工具
创建任意一个项目，在项目目录下创建.claude/settings.json：
mkdir-p.claude写入：
{"mcpServers":{"weather-server":{"command":"node","args":["/绝对路径/mcp-weather-server/index.js"]}}}路径注意：
args里的路径一定要写绝对路径，相对路径在 CLI 启动时解析不准，容易报错。
保存后在项目目录下运行claude，然后问它：
“北京今天天气怎么样？”
Claude 会自动调用你注册的 MCP Server 来查天气，结果直接显示在终端里。
VS Code Cline 插件
Cline 是 VS Code 上一个流行的 AI 编码插件，也支持 MCP。
Cline 的 MCP 配置可以打开 Cline 插件，在顶部 TopBar 选项中找到 MCP Service 面版，找到 Configure 选项卡下点击 Configure MCP Service，然后编辑xx/cline_mcp_settings.json文件，配置如下：
{"mcpServers":{"weather-server":{"command":"node","args":["/绝对路径/mcp-weather-server/index.js"]}}}保存后重新加载 VS Code，Cline 就会自动连接你的 MCP Server。
在 Cline 对话中输入：
“北京的天气怎么样？适合穿什么衣服？”
Cline 会调用get_weather拿到温度数据，再结合自己的判断给你穿衣建议。
两种接入方式，配置格式完全一样，区别只是文件位置不同：
| 客户端 | 配置文件路径 |
|---|---|
| Claude CLI | 项目目录下.claude/settings.json |
| VS Code Cline | 项目目录下xx/cline_mcp_setttings.json |
道理都一样——配好之后，AI 就知道该去哪里调用什么工具。
3.2 社区现成的 MCP Server
自己写 Server 很有意思，但很多时候你不需要重复造轮子。社区已经贡献了一大堆 MCP Server，即插即用。
这里列几个常用的：
官方维护的
| Server | 功能 |
|---|---|
| Filesystem | 让 AI 读写本地文件、目录操作 |
| GitHub | 管理仓库、PR、Issue |
| PostgreSQL | 连接数据库，执行 SQL 查询 |
| SQLite | 操作 SQLite 数据库 |
| Puppeteer | 无头浏览器，能截图、抓取网页 |
| Brave Search | 让 AI 具备联网搜索能力 |
社区热门
| Server | 功能 |
|---|---|
| Slack | 读/写 Slack 消息 |
| Notion | 管理 Notion 页面和数据库 |
| Obsidian | 操作 Obsidian 笔记库 |
| Docker | 管理 Docker 容器 |
| Spotify | 控制 Spotify 播放 |
| Sentry | 查询错误日志 |
安装方式通常都类似，以 Filesystem Server 为例：
# 安装npminstall-g@modelcontextprotocol/server-filesystem然后在 Claude Code 配置里加一行：
{"mcpServers":{"filesystem":{"command":"npx","args":["-y","@modelcontextprotocol/server-filesystem","/允许访问的目录路径"]}}}之后你就可以对 Claude 说"帮我把桌面上那个 notes.txt 整理一下"，它就能读到文件内容了。
除了自己去 GitHub 搜，还可以去smithery.ai看看。这是一个 MCP Server 的"应用商店"，搜索、安装一条龙，省得自己翻代码。
3.3 MCP 和 Agent 到底是什么关系
这个话题快被问烂了，直接说结论：
MCP 不是 Agent，它是 Agent 的一根"拐杖"。
Agent 的核心是什么？感知 → 规划 → 行动 → 观察结果 → 继续迭代。一个完整的 Agent 需要有自主决策能力。
MCP 只做其中很小的一环：行动（Action）。它帮 Agent 解决"怎么调用工具"的问题，但不负责"该不该调用、什么时候调用、调完怎么理解结果"。
反过来理解：没有 MCP 也能写 Agent，无非是自己写一套工具调用逻辑。有了 MCP，Agent 不用关心"这个工具是 HTTP 还是 gRPC"——它只要说"我要调用这个工具，参数是这些"，剩下的 MCP 搞定。
所以两者的关系是：
- Agent决定做什么
- MCP提供做事的能力
一个典型的场景是：Agent 说"我需要先查一下用户最近的订单数据再说"，然后通过 MCP 调用数据库 Server 获取数据，再根据数据决定下一步话术。
3.4 MCP vs A2A：有什么不同？
Google 最近也推出了一个叫A2A（Agent-to-Agent）的协议，很多人搞混它们：
- MCP：AI ↔ 工具。解决的是"AI 怎么调用工具和数据源"的问题。
- A2A：Agent ↔ Agent。解决的是"两个 Agent 怎么互相沟通协作"的问题。
一个是人和工具的关系，一个是人和人的关系。两者不冲突，甚至可以一起用。
3.5 MCP 局限与小结
MCP 很好用，但它也不是万能的，有几个明显的短板：
Token 消耗大
每调一个工具，工具的定义（名字、描述、参数结构）都要发给 AI 模型。工具多了，光是一轮 tools/list 的返回就可能上千 token。如果对话很长，这些信息会反复出现在上下文中。在 Token 计费的时代，这不是一笔小开销。
安全问题
MCP Server 能访问文件系统、数据库、API……给了 AI "手脚"的同时也打开了攻击面。一个恶意的 MCP Server 可以读取敏感文件、执行危险命令。目前 MCP 协议本身没有完善的权限控制和审计机制，安全主要靠使用者的判断力。
没有标准发现机制
MCP Server 没有统一的注册中心或发现协议。你要用某个 Server，得自己去 GitHub 搜、手动配置路径、配好才能用。跟 Docker Hub 或 npm 那种"搜索即安装"的体验差很远。
生态碎片化
虽然社区 Server 很多，但质量参差不齐。有的 Server 长期不维护、有的文档不全、有的安全问题没处理好。用之前需要自己做判断。
总的来说，MCP 解决了一个真问题——让 AI 不再是个"关在笼子里的天才"，但这些短板也说明它还远未成熟。
如果你想继续深入，可以去看 MCP 的官方文档，或者去 GitHub 上翻那些社区 Server 的源码，看看别人怎么实现复杂的工具逻辑。
上一篇：第 2 篇：手写一个 MCP Server——从零到跑通