保姆级教程：MCP 工具链搭建实战——从零配置 AI 编程助手

一、背景：为什么需要 MCP？

说实话，过去一年我踩了不少 AI 编程的坑。最早用 ChatGPT 写代码，每次都是复制粘贴，改完还得手动再粘回去。后来上了 Claude Code、Codex，体验好了不少，但真正让我觉得"这玩意儿终于能用了"的，是发现 MCP（Model Context Protocol）这个协议。

说白了，MCP 就是给 AI 模型开了一扇窗——让它能直接访问你的文件系统、数据库、API，甚至 git 仓库。你说"帮我查一下这个项目里的 bug"，它自己就能翻代码、看日志、调接口，而不是等你把一堆上下文喂给它。

二、环境准备

2.1 基础环境要求

2.2 安装 MCP CLI

npminstall-g@modelcontextprotocol/cli mcp--version

三、核心工具链搭建

3.1 配置 MCP Server

Claude Code 对 MCP 的支持是最成熟的。安装 MCP Server 后，通过 mcp.json 配置文件管理：

{"mcpServers":{"filesystem":{"command":"npx","args":["-y","@modelcontextprotocol/server-filesystem","/path/to/project"]},"github":{"command":"npx","args":["-y","@modelcontextprotocol/server-github"]}}}

3.2 文件系统 MCP Server

这是最常用的 Server，让 AI 直接读写项目文件：

npx @modelcontextprotocol/server-filesystem ./my-project

四、实战：用 MCP 写一个 API 服务

4.1 需求描述

让 AI 完整创建一个 Express API 服务，包含 CRUD 接口、数据库连接、错误处理和单元测试。

4.2 执行过程

mkdirmy-api&&cdmy-apinpminit-y

constexpress=require("express");const{Pool}=require("pg");constapp=express();app.use(express.json());constpool=newPool({connectionString:process.env.DATABASE_URL});app.get("/api/users",async(req,res)=>{constresult=awaitpool.query("SELECT * FROM users ORDER BY id");res.json(result.rows);});app.post("/api/users",async(req,res)=>{const{name,email}=req.body;constresult=awaitpool.query("INSERT INTO users (name, email) VALUES ($1, $2) RETURNING *",[name,email]);res.status(201).json(result.rows[0]);});constPORT=process.env.PORT||3000;app.listen(PORT);

五、常见问题 Q&A

Q1: MCP Server 连接失败怎么办？

通常是端口被占用或路径配置错误。先检查端口：

netstat-ano|findstr :3000

Q2: 安全性如何保障？

MCP Server 默认只访问你配置的目录。建议用容器化部署隔离环境，不要将生产数据库凭证直接写入配置。

Q3: 支持哪些 AI 模型？

目前支持 Claude、GPT-4o、Codex、Gemini。每个模型实现略有差异，但协议标准一致。

六、总结

说白了，MCP 就是给 AI 编程装上了"手"。之前 AI 只能聊天，你问它答；现在它能直接帮你干活——改代码、查文件、跑测试。

下一步建议：

1. 先从 filesystem 和 github 两个 Server 开始
2. 逐步引入 database、redis 等更多 Server
3. 尝试编写自定义 MCP Server 满足特定需求

技术选型没有银弹，MCP 也不是万能的。但如果你还没试过，建议今天就开始搭一套。