用 MCP 把 AI 应用连接到外部数据与工具

MCP（Model Context Protocol）是一套开放标准，用来把 AI 应用连接到文件、数据库、日历、代码仓库这类外部系统。它要解决的是「每接一个新服务就要单独开发一次」的问题：没有统一约定时，3 个 AI 应用配 3 个外部服务，需要开发 3×3=9 种连接；有了 MCP，应用侧和服务侧各自实现一次协议即可，3+3=6 个适配就能覆盖全部组合。MCP 本身不是中继服务器，而是一套各方共同遵守的通信规则。本文按「概念分工 → 三类能力 → 实际操作 → 完整示例 → 注意事项」的顺序，讲清怎样把 MCP 服务器接到 AI 应用上并真正用起来。

适合阅读本文的人：想给 AI 助手接上本地文件、内部数据库或第三方 SaaS 的开发者；正在评估 MCP 是否值得引入的架构负责人；以及已经装好 Claude Desktop 或 Claude Code、但还没跑通第一个 MCP 连接的使用者。文中涉及客户端版本、可用服务器清单、配额与计费方式等易变信息，请以各产品官网当前信息为准。

准备工作

MCP 的连接是「AI 应用 + MCP 服务器」两端的事，准备也分两端。先确认自己处在哪种场景，再按对应清单准备。

确认 AI 应用（MCP 主机）

MCP 主机就是用户直接操作的那个 AI 应用，它同时承担三件事：提供界面、调用 AI 模型、管理一个或多个 MCP 客户端。常见的主机包括 Claude、ChatGPT 这类对话式助手，以及 Claude Code、Visual Studio Code、Cursor 这类开发工具。不同主机对 MCP 的支持程度不一样，有的只支持本地服务器，有的支持远程 HTTP 服务器，接入前先查该主机当前的支持范围。

确认 MCP 服务器

服务器是真正和外部系统打交道的一端。按运行位置分两类：

本地服务器：以子进程方式运行在本机，通过标准输入输出与客户端通信。适合访问本机文件、本地数据库。
远程服务器：以 HTTP 方式提供，客户端通过网络连接。适合访问云端服务，例如 Sentry、GitHub、JIRA 这类托管平台。

官方与社区已经提供了不少现成服务器，例如文件系统操作、Git 仓库操作、网页抓取、错误监控查询等。优先复用现成服务器，只有现成方案覆盖不到时才自己实现。

账号与凭据

接入远程服务器通常需要先在对应服务上完成授权。以 Sentry 为例，添加服务器后需要在浏览器里登录并授权，客户端才能拿到访问令牌。接入本地服务器一般不需要额外账号，但需要确认服务器进程有权限读取目标目录。

配置文件位置

桌面类主机（例如 Claude Desktop）通过一个 JSON 配置文件声明要启动哪些服务器。修改配置后必须完全退出并重新启动应用，配置才会生效——只关闭窗口往往不够，进程仍在后台运行。命令行类主机（例如 Claude Code）则通过命令添加服务器，配置由工具自己维护，不需要手写 JSON。

操作步骤

第一步：理清角色分工，避免接错层

动手之前先记住一条：用户和 AI 模型都不直接和 MCP 服务器对话，中间隔着 AI 应用。完整链路如下。

角色	职责
用户	在 AI 应用界面里提出请求，接收结果
AI 应用（MCP 主机）	串联各方，负责界面、模型调用与客户端管理
MCP 客户端	AI 应用内部的组件，一个服务器对应一个客户端
AI 模型	理解请求、生成内容、决定是否调用工具
MCP 服务器	向客户端暴露提示词、资源、工具三类能力，桥接外部系统
外部系统	日历、数据库、代码托管、监控平台等真实数据源

协议只约束「MCP 客户端 ↔ MCP 服务器」这一段。主机与模型之间怎么通信、服务器怎么访问外部系统，都不属于 MCP 的管辖范围。排查问题时先判断故障落在哪一段，能省掉大量无效尝试。

第二步：理解服务器暴露的三类能力

MCP 服务器能提供的东西只有三类，区别不在存放位置（都在服务器上），也不在传输通道（都经过客户端），而在由谁决定使用。

能力	是什么	由谁触发	结果
提示词（prompts）	服务器预置的指令模板	用户选择	模板内容送达模型
资源（resources）	供模型阅读的只读数据	用户或应用选择	数据内容送达模型
工具（tools）	模型可调用的函数，如搜索、提交	模型自行判断	函数执行，结果送达模型

以旅行规划为例：用户选择 /plan-vacation 这个提示词模板并填入目的地、日期、预算，属于提示词路径；用户挑中某个日历条目，属于资源路径；模型发现需要查航班，主动调用 searchFlights()，属于工具路径。三条路径的请求分别对应 prompts/get、resources/read、tools/call。

这个区分直接决定了配置重点：如果希望模型能主动做事，就要确保服务器暴露了工具；如果只是想让模型读到某份资料，用资源更合适，因为资源是只读的，风险面更小。

第三步：在桌面应用中接入本地服务器

以文件系统服务器为例，目标是把本机某个目录开放给 AI 应用，让模型能列目录、读文件、建文件夹、移动文件。

打开 AI 应用的配置文件（桌面应用通常是一个 JSON 文件，路径因操作系统而异，以该应用当前文档为准）。
在 mcpServers 对象下新增一个条目，键名自定，值里写启动命令与参数。
保存文件，完全退出应用后重新启动。
在应用里确认服务器已连接、工具列表已加载。

配置结构大致如下，具体字段名与启动命令请对照所用服务器与主机的当前文档：

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

要点有三个：command 是可执行程序，args 是参数数组，最后一个参数通常是允许访问的目录。只把确实需要操作的目录写进去，不要图省事写根目录或用户主目录。

第四步：在命令行工具中接入远程服务器

命令行类主机用一条命令完成添加，不需要手改 JSON。以接入 Sentry 为例：

claude mcp add --transport http sentry

执行后按提示在浏览器中完成登录授权。命令里的 --transport http 指明这是远程 HTTP 服务器；接入本地服务器时改用标准输入输出方式，具体参数以该工具当前文档为准。添加完成后可以列出已配置的服务器，确认条目存在且状态正常。

第五步：用自然语言发起请求

服务器接好之后，使用方式就是正常对话，不需要记 API 名称。模型会自己判断该调用哪个工具。涉及写操作时，应用通常会在执行前弹出确认，展示即将执行的动作，由用户决定是否放行。这一步不要习惯性点「允许」——确认框是最后一道人工闸门。

一个完整示例

下面走一遍从零到可用的最小流程：把本机一个工作目录接到桌面 AI 应用，让它完成一次文件整理。

第 1 步：建一个测试目录。在用户主目录下新建 mcp-demo，往里放几张图片，再建一个空子目录备用。测试阶段不要拿真实工作目录练手。

第 2 步：写配置。在应用的 MCP 配置里加入文件系统服务器，参数只指向 mcp-demo：

{
  "mcpServers": {
    "filesystem": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-filesystem",
        "/Users/yourname/mcp-demo"
      ]
    }
  }
}

第 3 步：重启并验证。完全退出应用再打开，确认服务器处于已连接状态，工具列表里能看到列目录、读文件、写文件、创建目录、移动文件等条目。

第 4 步：发一条整理指令。例如：「在 mcp-demo 里新建一个 images 文件夹，把目录下所有图片移进去。」模型会先列出目录内容，再调用创建目录与移动文件的工具。执行前应用会弹出确认，核对路径无误后放行。

第 5 步：检查结果。回到文件管理器确认 images 目录已创建、图片已移入、原目录没有残留副本。

第 6 步：换一条只读指令。例如：「看看 mcp-demo 里有没有和工作相关的文档，列出来。」这条请求只会触发读取类工具，不会改动文件，适合用来验证权限边界是否符合预期。

同一套配置可以继续支撑其他请求，例如「写一首短诗，保存成桌面上的文本文件」。区别只在于模型选择了哪些工具、按什么顺序调用，配置本身不用改。

跨系统协作的示例

把多个服务器同时接上，就能让一次对话横跨多个系统。以下请求都建立在「相应服务器已提前接好」的前提上：

「把 JIRA 上 ENG-4521 这个需求实现掉，并在 GitHub 上开一个 PR。」——需要 JIRA 与 GitHub 两个服务器。
「用 Sentry 和 Statsig 查一下 ENG-4521 这个功能的使用情况。」——需要监控与实验平台服务器。
「从 PostgreSQL 里随机抽 10 个用过这个功能的用户，查出他们的邮箱。」——需要数据库服务器。
「给这 10 个人写一封反馈会邀请邮件，存成 Gmail 草稿。」——需要邮件服务器。

准备工作只在最初做一次：用到哪个服务，就添加对应的服务器。之后所有请求都用自然语言表达，由模型决定调用顺序。注意这类跨系统操作会同时触及多个真实系统，建议先在测试环境或只读权限下验证链路，再放开写权限。

注意事项

权限要给到最小

本地文件系统服务器只应指向必要的目录。把整个主目录或磁盘根目录开放出去，等于让模型拥有读取任意文件的能力，一旦模型误判或提示词被污染，影响范围不可控。远程服务器的授权同理，能用只读令牌就不要用读写令牌。

写操作必须人工确认

工具调用是模型自主发起的，删除、覆盖、提交、发送邮件这类动作一旦执行就难以回滚。应用提供的执行前确认是重要的安全机制，不要为了省事关闭它，也不要在没看清参数的情况下连续放行。

配置改动后要彻底重启

桌面应用修改 MCP 配置后，仅关闭窗口通常不会重新加载配置。需要完全退出进程再启动，否则会出现「配置明明写了却看不到服务器」的情况。这是最常见的排查点之一。

服务器来源要可信

MCP 服务器本质上是在本机或网络中运行的代码，拥有被授予的权限。只接入来源可信、代码可审查的服务器；来源不明的服务器可能读取敏感数据或执行非预期操作。接入第三方服务器前，先弄清它会访问哪些资源、以什么身份访问。

提示词与资源也可能带来风险

不只是工具调用有风险。服务器返回的资源内容、提示词模板都会进入模型上下文，如果这些内容来自不可控的外部系统（例如抓取的网页、用户提交的工单），其中可能夹带诱导性指令。对来自外部的文本保持警惕，不要让模型在无确认的情况下依据这类内容执行写操作。

不同主机的支持范围不一致

各 AI 应用对 MCP 的支持程度、支持的传输方式、可配置的字段都不一样，同一个服务器在 A 应用里能用、在 B 应用里未必能接。遇到连接失败，先确认该主机当前支持哪种传输方式，再检查服务器端是否按对应方式启动。

易变信息以官网为准

MCP 规范版本、各主机的功能支持、可用服务器清单、远程服务的授权方式与计费规则都在持续变化。本文给出的命令与配置结构用于说明思路，实际使用时请以相关产品官网的当前信息为准，尤其是涉及配额、价格与地区可用性的部分。