想象一下这样的场景：你终于让一个出色的本地 AI model 在自己的计算机上完美运行起来了。你绕过了云端，改为在本地运行，不必再担心每月支付 AI 订阅费用。
那你该怎么办？你打开 editor，找到出问题的代码，将其复制下来，转到 AI，粘贴到聊天窗口中，等待回答，复制修复结果，再回到 editor，替换旧代码。然后重复这一整套流程。
你的 AI 拥有大脑，但你仍然被迫充当它的眼睛、双手和键盘。
这正是 Model Context Protocol (MCP) 发挥巨大作用的地方。
MCP 于 2024 年由 Anthropic 推出，是一种开放标准，允许 AI 应用连接到外部工具、文件、数据库、API 以及其他数据源。理解 MCP 的一种简单方式，是把它看作 AI 的 USB 端口。
MCP 不要求为每个 AI model 和每个工具分别构建 integration，而是为它们提供了一种通用的通信方式。
对于运行本地 AI 的开发者来说，这可以彻底改变使用体验。
下面是值得了解的 10 个 MCP server。
1. Filesystem MCP
如果你只打算从这份列表中安装一个 MCP server，Filesystem MCP 是一个很好的起点。
本地 AI model 通常完全不知道你的硬盘上存放着什么。Filesystem MCP 可以让它受控地访问你指定的文件和目录。
想象一下，你正在处理一个混乱的 Python project，其中包含几十个文件。你不必把所有内容复制到聊天窗口中，而是可以这样询问：
“查看我的 backend folder，找出 authentication token 为什么过早过期。”
你的 AI 可以检查获准访问的文件，理解不同代码片段之间如何交互，并帮助定位问题。你还可以用它创建文件、修改代码、整理 folders，或分析 configuration files。
关键在于权限。只授予 server 实际需要访问的目录。让 AI 不受限制地访问你的整台计算机，通常不是一个好主意。
2. Firecrawl MCP
如果你做过 web scraping，就已经知道网站有多么棘手。
有的网站使用整洁的 HTML。有的网站依赖 JavaScript。还有的网站在六个月后改变布局，导致你精心编写的 selectors 突然失效。
Firecrawl 专门用于处理 web crawling 和 extraction，同时生成更便于 AI systems 使用的内容。通过其 MCP integration，你可以向 AI 提供一个网站，让它检索并理解相关信息。
例如：
“阅读这个 library 的 documentation，并解释 authentication 的工作方式。”
你不必手动打开多个页面、复制文本，再将内容提供给本地 model，AI 可以自行检索所需信息。
对于经常处理 documentation、research 和 web data 的开发者来说，这可以节省大量时间。
3. SQLite MCP
SQLite 在开发中无处不在。
它轻量级，不需要 database server，常用于 prototypes、desktop applications、testing 和小型 projects。
但本地 AI 通常无法直接打开你的 database 并开始分析。SQLite MCP server 就是连接两者的桥梁。假设你有一个 application，在本地 database 中存储了数千条记录。
你不必手动编写 SQL queries，而是可以这样询问：
“找出本月记录中最常见的五种 error types。”
AI 可以检查 database structure，构造合适的 query，获取结果，并解释它发现的内容。当你试验本地 applications，并希望 AI 使用真实的 project data 而不是虚构示例时，这尤其有用。
4. PostgreSQL MCP
SQLite 非常适合较小的本地 projects，但许多严肃的 applications 使用 PostgreSQL。PostgreSQL MCP server 允许 AI assistant 通过 MCP interface 与 PostgreSQL database 交互。
假设你的 web application 突然开始出现大量 failed logins。你不必手动搜索 tables 并编写多个 SQL queries，而是可以这样询问：
“在过去 48 小时内，哪些 users 经历了最多的 login failures？”
你的 AI 可以检查可用的 schema，生成所需的 query，通过获准的 connection 执行该 query，并汇总结果。
当然，database permissions 在这里极其重要。对于大多数 AI workflows 来说，从 read-only access 开始要比授予不受限制的 write access 安全得多。
5. GitHub MCP
GitHub 是现代 software development 的主要开展场所之一，因此将它连接到 AI 可能非常有用。
GitHub MCP integration 可以让 AI 访问相关 repositories、issues、pull requests、commits 以及其他 GitHub information，具体取决于所使用的 permissions 和 implementation。
想象一下，你一觉醒来，看到一个 pull request 对 30 个 files 进行了修改。你不必立即手动阅读每个 file，而是可以这样询问：
“总结这个 pull request，并指出值得进行 security review 的部分。”
你的 AI 可以检查相关信息，为你的 review 提供一个起点。
它无法取代经验丰富的 developer，但可以大幅减少你需要进行的重复性调查工作。
6. Brave Search MCP
本地 AI 最大的弱点之一，是其内置知识可能会过时。你的 model 可能知道某个 Python library 去年的工作方式，但这并不意味着它了解今天的 release。
Brave Search MCP 可以为 AI assistant 提供 web search capabilities。
现在你可以询问：
“目前配置这个 package 的推荐方式是什么？”
AI 不必完全依赖 training data，而是可以搜索最新信息。这对 software development 尤其有用，因为 documentation、APIs、package versions 和 best practices 一直在变化。
你的本地 model 在保持隐私优势的同时，也能获得来自 live web 的信息。
7. Puppeteer MCP
Web scraping 并不总是下载 HTML。现代网站通常高度依赖 JavaScript、buttons、forms、dynamic content 以及 browser interactions。
这正是 Puppeteer 之类的 browser automation tools 变得有趣的地方。借助 Puppeteer MCP server，AI 可以通过受支持的 automation capabilities 与 browser 交互。
你可以给它这样的任务：
“打开这个网站，导航到 documentation page，并找到 authentication 的 configuration example。”
AI 不再只是读取静态 web content，而是可以在真实的 browser environment 中工作。
对于已经熟悉 browser automation 的开发者来说，这为本地 AI agents 开启了一些非常有趣的可能性。
8. Git MCP
Git 和 GitHub 相关，但它们并不是同一回事。
Git 是运行在 development environment 中的 version-control system。Git MCP server 可以让 AI 处理来自本地 Git repository 的信息，例如 commits、branches 和 changes。
这在 debugging 时非常有用。
例如：
“我的最后两次 commits 之间发生了哪些变化？其中哪项变化可能引入了这个 bug？”
你不必手动运行多个 Git commands，再将输出粘贴到 AI 中，assistant 可以通过 MCP 检查 repository context。
你的 AI 不再只是把代码看作一组相互孤立的 files。它还可以理解这些 files 背后的一部分历史。
9. Sequential Thinking MCP
并不是每个 development problem 都需要另一个 external data source。
有时，问题只是 reasoning。
复杂的 debugging tasks 可能涉及多种可能性、各种假设以及一系列中间决策。Sequential Thinking MCP servers 为 AI 提供了一种结构化方式，将复杂问题拆分为更小的 reasoning steps。
例如，你不只是简单地询问：
“我的 application 为什么会崩溃？”
而是可以向 AI 提供一个更完整的 debugging task，其中包括 logs、dependencies、recent changes 以及可能的原因。
这种 structured workflow 可以帮助 model 系统地处理问题，而不是立即跳到第一个听起来合理的解释上。
它并不神奇，也不能保证 reasoning 一定正确。但对于复杂的 multi-step tasks，structured thinking 可能非常有用。
10. Fetch MCP
有时，你不需要完整的 search engine，也不需要功能齐全的 web-crawling platform。
你只有一个 URL，希望 AI 读取它。
这正是 Fetch 风格的 MCP server 发挥作用的地方。你可以向 AI 提供一个 webpage，让它检索内容并进行总结。
例如：
“阅读这个 API documentation page，并解释其中的 authentication example。”
这使它特别适合与 search tools 搭配使用。
search server 可以帮助找到正确的 page，而 fetch server 可以检索你希望 AI 理解的具体 page。
这是一项简单的能力，但简单的能力往往正是你最终会持续使用的功能。
更大的图景
MCP 真正有趣的地方，其实不在于任何单独的 server。
而在于当你开始将它们组合起来之后会发生什么。
想象一下，一个本地 AI 可以访问你的 project files、Git repository、GitHub issues、database、browser 以及 live web。
你可以给它这样的任务：
“调查 login system 失效的原因。检查最近的 Git changes，查看相关的 Python files，分析 database errors，搜索 authentication library 的最新 documentation，并提出修复方案。”
这与下面这样的体验完全不同：
“这是我的代码。哪里出错了？”
AI 不再只是回答问题。
它正在成为一个 可以与 development environment 交互的 agent。
但这里有一个重要警告。
MCP 不会自动让一切变得安全。
你安装的每个 server 都会成为另一段可能获得 data、files 或 services 访问权限的软件。使用可信的 implementations，仔细检查 permissions，避免不必要的 write access，并且永远不要向 MCP server 授予超出其需求的权限。
目标不是让 AI 控制你的整台计算机。
目标是赋予它 恰到好处的访问权限，让它真正有用。
Chatbot 时代的终结
本地 AI 曾经存在一个令人沮丧的限制。
你可以在自己的 hardware 上私密地运行一个强大的 model，但它被困在一个 chat window 中。MCP 开始打破这堵墙。
一个能力出色的本地 model，加上合适的 MCP servers，可以成为一个出人意料地强大的 development assistant。
所以，不要再问本地 AI 它 知道什么，开始询问它可以 做什么。
这正是 MCP 变得有趣的地方。
🚀 准备好升级你的本地 AI 与 Automation Setup 了吗？
如果你想掌握如何在本地运行这些 models，或者学习如何收集海量 datasets 来训练它们，请查看本系列中的其他 guides：
7 个可以在 Laptop 上本地运行的免费 AI Models（无需 GPU）
10 个你会后悔没有早点安装的 Claude Code Plugins
让 Claude Code 强大得多的 10 个 MCP Servers