MCP 生态全景图 + 实战：30 分钟搭建你的第一个 MCP Server

2024 年 Anthropic 提出 MCP（Model Context Protocol）的时候，很多人觉得又是一个大厂标准。一年后回头来看，MCP 已经是 2026 年 AI Agent 生态里最重要的基础设施之一了。

GitHub 上标了 mcp 标签的仓库超过 8000 个。Claude Desktop、Cursor、Windsurf、Hermes Agent、OpenClaw，几乎所有主流 AI 工具都原生支持 MCP。从 GitHub 搜索到数据库查询，从飞书通知到智能家居控制，MCP Server 的覆盖范围已经远超最初的设计预期。

但问题也来了。MCP Server 这么多，质量参差不齐，文档质量更是天差地别。怎么选？怎么用？怎么自己写一个？

这篇就是答案。

---

MCP 到底是什么，用最简单的话说

MCP 就是一个标准化协议，让 AI 模型能调用外部工具。

在这之前，每个 AI 工具都有自己的工具调用方式。Claude 有一套 API，ChatGPT 有一套 API，每个 Agent 框架又有一套。开发者想让自己的工具被多个 AI 平台调用，得写好几套适配代码。

MCP 的思路是，搞一个统一标准。你写一个 MCP Server，所有支持 MCP 的客户端都能调用。写一次，到处用。

技术上，MCP 基于 JSON-RPC 2.0，通信层支持 stdio（本地进程）和 HTTP/SSE（远程服务）两种模式。Server 暴露三样东西：Tools（可调用的函数）、Resources（可读取的数据源）、Prompts（预定义的交互模板）。

---

2026 年 MCP 生态地图

我把目前主流的 MCP Server 按功能分了类，挑了每个类别里最成熟的几个。

开发工具类

• GitHub MCP Server（官方维护，12k+ stars）：搜索仓库、读取 Issue、创建 PR、管理 Actions。这是生态里使用率最高的 Server 之一。
• Filesystem MCP Server（官方参考实现）：读写本地文件、目录操作。几乎所有桌面 AI 工具的标配。
• Git MCP Server：Git 操作封装，支持 diff、log、branch 管理等。Cursor 和 Windsurf 深度集成。

数据类

• PostgreSQL MCP Server：SQL 查询接口。支持只读模式和 schema 自省，AI 可以自动发现表结构并生成查询。
• Puppeteer MCP Server：浏览器自动化。网页截图、内容提取、表单填写。做网页数据抓取特别好用。
• Google Drive MCP Server：文件搜索、读取、上传。企业知识库场景的标配。

通信类

• Slack MCP Server：频道消息、DM、文件上传。
• 飞书 MCP Server（社区维护）：消息收发、日程管理、审批流触发。国内团队用得很多。
• Email MCP Server：IMAP/SMTP 封装，读取和发送邮件。

AI 基础设施类

• Brave Search MCP Server：联网搜索。Claude Desktop 默认的搜索工具。
• Fetch MCP Server：网页内容提取。把 URL 变成 LLM 能理解的文本。
• Sequential Thinking MCP Server：让 AI 做多步推理的”元工具”。AI 可以自己调用它来拆分复杂任务。

---

质量评估：哪些值得用，哪些别碰

生态大了，质量自然参差不齐。我自己用了大概 30 多个 MCP Server，总结出几条判断标准。

值得用的特征：

1. 有明确的 schema 定义（JSON Schema），不是让 AI 猜参数格式
2. 错误处理完善，返回结构化的错误信息而不是直接崩溃
3. 有 rate limiting 或请求队列，不会把下游 API 打挂
4. 文档里有实际使用示例，不仅仅是 API 参考

最好别碰的特征：

1. 用 eval() 执行用户输入的代码
2. 没有权限控制，MCP Server 能访问你的所有文件系统
3. 没有超时机制，一个慢查询卡死整个 AI 对话
4. 仓库三个月没更新，issue 里一堆未解决的 bug

坦率地讲，GitHub 上至少有一半的 MCP Server 属于”作者自己能用，别人用就崩”的状态。选的时候一定看 issue 列表和最近 commit 时间。

---

实战：30 分钟搭建一个 MCP Server

光说不练没意义。接下来我们从头写一个 MCP Server。

目标：一个「系统监控 MCP Server」，让 AI 能查询服务器的 CPU、内存、磁盘使用情况，以及运行中的进程列表。

技术栈：Python + MCP Python SDK

第一步：环境准备

mkdir system-monitor-mcp && cd system-monitor-mcp
python -m venv .venv && source .venv/bin/activate
pip install mcp psutil

mcp 是官方的 Python SDK，psutil 是系统信息获取库。

第二步：写 Server 代码

创建一个 server.py：

from mcp.server.fastmcp import FastMCP
import psutil
import platform
from datetime import datetime

mcp = FastMCP("System Monitor")

@mcp.tool()
def get_cpu_info() -> str:
    """获取当前 CPU 使用率和核心数"""
    cpu_percent = psutil.cpu_percent(interval=1)
    cpu_count = psutil.cpu_count()
    cpu_freq = psutil.cpu_freq()
    freq_str = f"{cpu_freq.current:.0f}MHz" if cpu_freq else "未知"
    
    return (
        f"CPU 使用率: {cpu_percent}%\n"
        f"核心数: {cpu_count}\n"
        f"当前频率: {freq_str}\n"
        f"负载(1/5/15min): {psutil.getloadavg()}"
    )

@mcp.tool()
def get_memory_info() -> str:
    """获取内存使用情况"""
    mem = psutil.virtual_memory()
    swap = psutil.swap_memory()
    
    return (
        f"总内存: {mem.total / 1024**3:.1f} GB\n"
        f"已使用: {mem.used / 1024**3:.1f} GB ({mem.percent}%)\n"
        f"可用: {mem.available / 1024**3:.1f} GB\n"
        f"Swap 使用: {swap.percent}%"
    )

@mcp.tool()
def get_disk_info() -> str:
    """获取磁盘使用情况"""
    lines = []
    for partition in psutil.disk_partitions():
        try:
            usage = psutil.disk_usage(partition.mountpoint)
            lines.append(
                f"{partition.device} ({partition.mountpoint}): "
                f"总计 {usage.total / 1024**3:.0f}GB, "
                f"已用 {usage.used / 1024**3:.0f}GB, "
                f"可用 {usage.free / 1024**3:.0f}GB, "
                f"使用率 {usage.percent}%"
            )
        except PermissionError:
            continue
    return "\n".join(lines)

@mcp.tool()
def get_top_processes(limit: int = 10) -> str:
    """获取占用资源最多的进程"""
    processes = []
    for proc in psutil.process_iter(['pid', 'name', 'cpu_percent', 'memory_percent']):
        try:
            processes.append(proc.info)
        except (psutil.NoSuchProcess, psutil.AccessDenied):
            continue
    
    processes.sort(key=lambda x: x.get('cpu_percent', 0) or 0, reverse=True)
    
    lines = [f"{'PID':<8} {'名称':<20} {'CPU%':<8} {'内存%':<8}"]
    for proc in processes[:limit]:
        lines.append(
            f"{proc['pid']:<8} "
            f"{(proc['name'] or ''):<20} "
            f"{(proc['cpu_percent'] or 0):<8.1f} "
            f"{(proc['memory_percent'] or 0):<8.1f}"
        )
    return "\n".join(lines)

@mcp.resource("system://info")
def system_info() -> str:
    """系统基本信息（作为资源暴露）"""
    return (
        f"操作系统: {platform.system()} {platform.release()}\n"
        f"主机名: {platform.node()}\n"
        f"架构: {platform.machine()}\n"
        f"Python: {platform.python_version()}\n"
        f"时间: {datetime.now().isoformat()}"
    )

if __name__ == "__main__":
    mcp.run()

代码量不到 80 行。每个函数就是一个 Tool，函数 docstring 会被 MCP 自动提取作为工具描述，告诉 AI 这个工具是干什么的。

@mcp.tool() 装饰器负责注册工具。@mcp.resource() 装饰器负责注册资源。Tools 是 AI 可以主动调用的函数，Resources 是 AI 可以读取的数据。

第三步：配置客户端

以 Claude Desktop 为例，在配置文件中添加：

{
  "mcpServers": {
    "system-monitor": {
      "command": "python",
      "args": ["/path/to/server.py"],
      "env": {}
    }
  }
}

如果是 Hermes Agent，在 mcp.yaml 中添加：

servers:
  system-monitor:
    command: python
    args:
      - /path/to/server.py

第四步：测试

启动 Claude Desktop（或其他 MCP 客户端），然后试试这些对话：

“我的服务器 CPU 使用率多少？内存还剩多少？”

AI 会自动调用 get_cpu_info 和 get_memory_info 两个工具，然后把结果用自然语言告诉你。

“列出占用 CPU 最多的 5 个进程”

AI 调用 get_top_processes(limit=5)，拿到数据后格式化输出。

“系统基本信息是什么？”

AI 读取 system://info 资源，返回系统信息。

就这么简单。

---

进阶：把 MCP Server 部署为远程服务

上面的例子是本地 stdio 模式。如果你想让多个客户端共享一个 MCP Server，可以部署为 HTTP 模式。

只需要改一行代码：

if __name__ == "__main__":
    mcp.run(transport="sse")  # 改为 SSE 传输

启动后 Server 会监听 8000 端口。客户端配置改为：

{
  "mcpServers": {
    "system-monitor": {
      "url": "http://your-server:8000/sse"
    }
  }
}

生产环境建议加两层保护。第一层，身份验证。MCP SDK 支持自定义 middleware，可以在 HTTP 层加 API key 验证。第二层，权限控制。不是所有工具都对外开放，敏感操作（比如 get_top_processes）可以设置白名单。

---

MCP Server 的开发建议

写了好几个 MCP Server 之后，我总结了几个实用的建议。

1. 工具描述比代码质量更重要。 AI 是靠工具描述（docstring）来决定调用哪个工具的。描述写得模糊，AI 就不知道什么时候该用这个工具。每条描述应该包含：做什么、需要什么参数、返回什么格式的数据。

2. 错误处理要结构化。 不要只抛异常。AI 需要知道”调用失败了”和”调用成功了但返回空数据”的区别。返回结构化的错误信息，AI 才能据此做下一步决策。

3. 不要在一个 Server 里塞太多工具。 我见过一个 MCP Server 暴露了 50+ 个工具，AI 每次都要在几十个工具里做选择，出错率直线上升。按功能拆分，每个 Server 专注一个领域，5-10 个工具最佳。

4. 返回值要精简。 LLM 的 context window 是有限的。如果你返回 10MB 的日志文件，AI 根本消化不了。默认只返回关键信息，提供可选的 verbose 参数让用户决定要不要详细信息。

5. 加缓存。 很多工具的结果在短时间内不会变化（比如磁盘使用率、系统信息）。加一个 TTL 缓存，减少重复调用。MCP SDK 没有内置缓存，但可以用 functools.lru_cache 自己加。

---

写在最后

MCP 协议在 2026 年已经从一个实验性的标准变成了 AI 工具生态的基础设施。它解决的问题很实际，让 AI 工具和外部系统的对接标准化了。

写一个 MCP Server 的门槛很低。80 行 Python 代码就能让 AI 获得查询系统信息的能力。但写好一个 MCP Server 需要功力，工具描述的设计、错误处理的完善、权限控制的严谨，这些才是区分”能用的 Server”和”好用的 Server”的关键。

MCP 的生态还在快速扩张中。谁能写出最实用的 MCP Server，谁就能在 AI Agent 时代占据一席之地。这个赛道目前还是蓝海。