08d - MCP 工具模式目录

本文是《AI Agent 实战手册》第 8 章第 4 节。 上一节：08c-自定义MCP-Server开发 | 下一节：08e-MCP安全最佳实践

概述

MCP 生态在 2025 年经历了爆发式增长——社区已涌现超过 17,000 个 MCP Server，覆盖文件系统、数据库、浏览器自动化、云服务、代码分析等几乎所有开发场景。本节按类别编目 20+ 种常见 MCP 工具模式，为每种模式提供推荐 Server、典型用例、配置示例和避坑指南，帮助你快速找到适合自己场景的 MCP 工具组合。

1. 文件系统模式

模式概述

文件系统模式是最基础也最常用的 MCP 模式，让 AI Agent 能够读写本地或远程文件系统。几乎所有 IDE 集成（Claude Code、Cursor、Kiro）都内置了文件系统能力，但独立的文件系统 MCP Server 提供了更细粒度的控制和安全边界。

工具推荐

典型工具暴露

• read_file / write_file：读写文件内容
• list_directory：列出目录结构
• search_files：按模式搜索文件
• create_directory / move_file：文件系统管理操作

操作步骤

步骤 1：安装官方文件系统 Server

npm install -g @modelcontextprotocol/server-filesystem

步骤 2：配置允许访问的目录（安全边界）

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

提示词模板

请帮我分析 [项目目录] 下的文件结构，找出所有 [文件类型] 文件，
并按模块分组列出它们的职责。重点关注 [关注点，如：未使用的文件、重复代码]。

实战案例：批量重命名项目文件

我需要将 src/components/ 下所有 .jsx 文件重命名为 .tsx，
同时更新所有引用这些文件的 import 语句。请先列出受影响的文件，
确认后再执行重命名。

避坑指南

• ❌ 不要授权根目录访问：只授权 Agent 需要的最小目录范围
• ❌ 不要忽略符号链接：符号链接可能指向授权范围外的目录
• ✅ 始终使用白名单目录模式，而非黑名单排除

2. 数据库模式

模式概述

数据库模式让 AI Agent 能够直接查询和操作数据库，是数据分析、报告生成、Schema 设计等场景的核心能力。支持关系型数据库（PostgreSQL、MySQL、SQLite）和 NoSQL 数据库。

工具推荐

典型工具暴露

• query：执行 SQL 查询（只读或读写）
• list_tables / describe_table：Schema 发现
• create_table / alter_table：DDL 操作
• explain_query：查询计划分析

操作步骤

步骤 1：配置 PostgreSQL MCP Server

{
  "mcpServers": {
    "postgres": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-postgres"],
      "env": {
        "POSTGRES_CONNECTION_STRING": "postgresql://user:pass@localhost:5432/mydb"
      }
    }
  }
}

步骤 2：使用只读连接保护生产数据

建议：为 AI Agent 创建专用的只读数据库用户，
限制其只能执行 SELECT 操作，防止误操作修改生产数据。

提示词模板

请连接数据库，分析 [表名] 的 Schema 结构，然后：
1. 列出所有字段及其类型
2. 识别缺少索引的常用查询字段
3. 建议优化方案，包括索引添加和查询重写

避坑指南

• ❌ 不要用管理员账号连接：始终使用最小权限的专用账号
• ❌ 不要在生产库上执行写操作：先在测试环境验证
• ✅ 启用查询日志审计，追踪 Agent 执行的所有 SQL

3. API 网关模式

模式概述

API 网关模式让 AI Agent 能够调用外部 REST/GraphQL API，是连接第三方服务（GitHub、Jira、Notion 等）的桥梁。这类 Server 通常封装了认证、速率限制和数据格式转换。

工具推荐

典型工具暴露

• create_issue / update_issue：Issue 生命周期管理
• create_pull_request / merge_pull_request：PR 工作流
• search_repositories / list_commits：仓库信息查询
• get_file_contents / push_files：远程文件操作

操作步骤

步骤 1：配置 GitHub MCP Server

{
  "mcpServers": {
    "github": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-github"],
      "env": {
        "GITHUB_PERSONAL_ACCESS_TOKEN": "ghp_xxxxxxxxxxxx"
      }
    }
  }
}

步骤 2：限制 Token 权限范围

为 GitHub Personal Access Token 只授予必要的权限：

• repo（仓库读写）——仅在需要时
• read:org（组织信息）——只读即可
• 避免授予 admin:org 或 delete_repo 权限

提示词模板

请查看 [仓库名] 的最近 10 个 Issue，按优先级分类，
并为每个未分配的 Issue 建议合适的标签和负责人。
对于标记为 bug 的 Issue，分析相关代码并给出修复建议。

避坑指南

• ❌ 不要硬编码 API Token：使用环境变量或密钥管理服务
• ❌ 不要忽略速率限制：GitHub API 有每小时 5000 次的限制
• ✅ 使用 Fine-grained Personal Access Token 替代 Classic Token

4. 浏览器自动化模式

模式概述

浏览器自动化模式让 AI Agent 能够操控真实浏览器——导航网页、填写表单、截图、执行 JavaScript。这是 E2E 测试、网页抓取、UI 验证等场景的关键能力。2025 年 Playwright MCP 已成为该领域的事实标准，GitHub 星标超过 12K。

工具推荐

典型工具暴露

• browser_navigate / browser_click：页面导航与交互
• browser_screenshot：页面或元素截图
• browser_fill / browser_select：表单操作
• browser_evaluate：执行自定义 JavaScript
• browser_pdf：页面导出为 PDF

操作步骤

步骤 1：安装 Playwright MCP Server

{
  "mcpServers": {
    "playwright": {
      "command": "npx",
      "args": ["-y", "@playwright/mcp"]
    }
  }
}

步骤 2：使用无头模式进行自动化

{
  "mcpServers": {
    "playwright": {
      "command": "npx",
      "args": ["-y", "@playwright/mcp", "--headless"]
    }
  }
}

提示词模板

请打开 [URL]，截取页面全屏截图，然后：
1. 检查页面是否有可访问性问题（缺少 alt 文本、对比度不足等）
2. 验证所有表单字段是否有正确的 label 关联
3. 测试移动端视口（375px）下的布局是否正常

避坑指南

• ❌ 不要在生产环境用浏览器自动化修改数据：仅用于读取和测试
• ❌ 不要忽略超时设置：网络慢时页面加载可能超时
• ✅ 优先使用 Playwright 而非 Puppeteer——Playwright 支持多浏览器且维护更活跃

5. 代码分析模式

模式概述

代码分析模式让 AI Agent 能够深入理解代码库结构——语法树分析、依赖图、代码搜索、Lint 检查等。这类 Server 将代码库的结构化信息暴露给 Agent，使其能做出更精准的代码修改建议。

工具推荐

典型工具暴露

• search_code：跨文件/跨仓库代码搜索
• get_ast：获取文件的抽象语法树
• find_references / find_definitions：符号引用与定义查找
• run_lint / get_diagnostics：代码质量检查

提示词模板

请分析 [项目路径] 的代码库：
1. 找出所有未使用的导出函数
2. 识别循环依赖
3. 列出复杂度超过 [阈值] 的函数，并建议重构方案

避坑指南

• ❌ 不要对超大仓库做全量分析：先限定范围，按模块分析
• ✅ 结合 Tree-sitter AST 分析和文本搜索，获得更精准的代码理解

6. 监控与可观测性模式

模式概述

监控模式让 AI Agent 能够查询指标、日志和告警数据，实现智能运维——从”看到告警”到”分析根因”再到”建议修复”的闭环。2025 年 AWS CloudWatch MCP 和 Grafana MCP 的发布标志着 AIOps 进入实用阶段。

工具推荐

典型工具暴露

• query_metrics：查询时序指标数据
• search_logs：日志搜索与过滤
• list_alerts / get_alert_details：告警管理
• get_error_details：错误详情与堆栈追踪

操作步骤

步骤 1：配置 Sentry MCP Server

{
  "mcpServers": {
    "sentry": {
      "command": "npx",
      "args": ["-y", "@sentry/mcp-server"],
      "env": {
        "SENTRY_AUTH_TOKEN": "sntrys_xxxxxxxxxxxx"
      }
    }
  }
}

提示词模板

请查询过去 [时间范围] 的监控数据：
1. 列出错误率最高的 5 个 API 端点
2. 分析 P99 延迟超过 [阈值] 的请求的共同特征
3. 检查是否有异常的资源使用模式（CPU/内存飙升）
4. 给出优先级排序的修复建议

避坑指南

• ❌ 不要让 Agent 直接执行修复操作：监控模式应以只读分析为主
• ❌ 不要查询过长时间范围的日志：大量数据会导致上下文溢出
• ✅ 设置查询时间窗口限制，避免拉取 GB 级日志数据

7. 通信与协作模式

模式概述

通信模式让 AI Agent 能够与团队协作工具交互——发送消息、管理频道、处理邮件等。这是构建 AI 客服、自动化通知、智能邮件助手等场景的基础。

工具推荐

典型工具暴露

• send_message / read_messages：消息收发
• list_channels / search_messages：频道与消息搜索
• send_email / read_emails：邮件操作
• create_thread / reply_to_thread：线程管理

提示词模板

请检查 [Slack频道/邮箱] 中过去 [时间范围] 的消息：
1. 总结关键讨论要点
2. 识别需要我回复的紧急消息
3. 将待办事项提取为任务列表
4. 草拟回复建议（不要自动发送）

避坑指南

• ❌ 不要让 Agent 自动发送消息：始终要求人工确认后再发送
• ❌ 不要授予删除消息/频道的权限：通信数据一旦删除不可恢复
• ✅ 使用 Bot Token 而非个人 Token，便于权限管理和审计

8. 搜索与知识获取模式

模式概述

搜索模式让 AI Agent 能够访问互联网搜索引擎、网页内容抓取和知识库，突破训练数据的时效性限制。这是 RAG 系统、实时信息查询、竞品分析等场景的核心能力。

工具推荐

典型工具暴露

• web_search：执行网页搜索并返回结果
• scrape_url / crawl_site：抓取单页或整站内容
• fetch_url：获取指定 URL 的内容（Markdown 格式）
• extract_structured_data：从网页提取结构化数据

操作步骤

步骤 1：配置 Brave Search MCP

{
  "mcpServers": {
    "brave-search": {
      "command": "npx",
      "args": ["-y", "@anthropic/mcp-server-brave-search"],
      "env": {
        "BRAVE_API_KEY": "BSA_xxxxxxxxxxxx"
      }
    }
  }
}

提示词模板

请搜索 [主题] 的最新信息（2025年以后），然后：
1. 总结前 5 个搜索结果的关键信息
2. 对比不同来源的观点差异
3. 标注信息的发布日期和可信度
4. 给出综合结论和推荐行动

避坑指南

• ❌ 不要无限制地抓取网站：遵守 robots.txt 和网站使用条款
• ❌ 不要将搜索结果直接作为事实：AI 应交叉验证多个来源
• ✅ 使用 Firecrawl 的结构化提取功能，而非原始 HTML 解析

9. 云服务模式

模式概述

云服务模式让 AI Agent 能够直接管理云基础设施——部署应用、管理容器、配置网络等。2025 年 AWS 发布了 45+ 个官方 MCP Server，Cloudflare 发布了 13 个，标志着云厂商全面拥抱 MCP 生态。

工具推荐

典型工具暴露

• deploy_function / update_function：Serverless 函数部署
• kubectl_apply / kubectl_get：Kubernetes 资源管理
• create_stack / update_stack：CloudFormation/CDK 栈管理
• list_services / scale_service：服务发现与扩缩容

操作步骤

步骤 1：配置 AWS CDK MCP Server

{
  "mcpServers": {
    "aws-cdk": {
      "command": "npx",
      "args": ["-y", "@aws/mcp-server-cdk"],
      "env": {
        "AWS_PROFILE": "your-profile",
        "AWS_REGION": "us-east-1"
      }
    }
  }
}

提示词模板

请检查当前 [云服务商] 环境：
1. 列出所有运行中的服务及其资源使用情况
2. 识别闲置资源（未使用的 EBS 卷、空闲的 EC2 实例等）
3. 估算可节省的月度成本
4. 生成资源清理脚本（需人工确认后执行）

避坑指南

• ❌ 不要让 Agent 直接删除云资源：始终要求人工确认
• ❌ 不要使用 Admin 权限的 IAM 角色：遵循最小权限原则
• ✅ 在 staging 环境验证后再应用到 production
• ✅ 启用 CloudTrail/审计日志追踪所有 Agent 操作

10. 记忆与知识图谱模式

模式概述

记忆模式让 AI Agent 拥有跨会话的持久记忆——记住用户偏好、项目上下文、历史决策等。这是构建个性化 Agent 和长期项目助手的关键能力。

工具推荐

典型工具暴露

• store_memory / recall_memory：记忆存取
• create_entity / create_relation：知识图谱构建
• semantic_search：语义相似度搜索
• upsert_vectors / query_vectors：向量操作

提示词模板

请回忆我们之前关于 [项目名] 的讨论：
1. 我们做了哪些架构决策？理由是什么？
2. 有哪些待解决的技术债务？
3. 基于这些上下文，对当前的 [新需求] 给出建议

避坑指南

• ❌ 不要存储敏感信息到记忆系统：密码、Token 等不应持久化
• ❌ 不要无限制地积累记忆：定期清理过时信息
• ✅ 使用知识图谱（实体-关系）而非纯文本存储，提高检索精度

11. Git 与版本控制模式

模式概述

Git 模式让 AI Agent 能够直接操作版本控制系统——查看提交历史、创建分支、执行 diff 分析等。与 GitHub API 模式不同，Git 模式操作的是本地仓库，不依赖网络。

工具推荐

典型工具暴露

• git_log / git_diff：历史与差异查看
• git_status / git_branch：状态与分支管理
• git_commit / git_push：提交与推送
• git_blame：代码归属分析

提示词模板

请分析 [文件路径] 的 Git 历史：
1. 列出最近 [N] 次修改的提交信息和作者
2. 找出修改最频繁的代码区域（热点分析）
3. 识别可能引入 bug 的提交（大量修改 + 缺少测试）

避坑指南

• ❌ 不要让 Agent 自动 force push：可能覆盖他人工作
• ✅ 让 Agent 在独立分支上工作，通过 PR 合并

模式速查总表

下表汇总了本节编目的所有 MCP 工具模式，便于快速查找：

实战案例：构建全栈开发 Agent 的 MCP 工具组合

以下是一个典型的全栈开发场景，展示如何组合多种 MCP 模式构建高效的开发 Agent：

场景描述

你是一个独立开发者，正在用 AI Agent 辅助开发一个 SaaS 产品。你需要 Agent 能够：

• 管理代码仓库和 Issue
• 查询数据库分析用户数据
• 自动化浏览器测试
• 监控生产环境
• 搜索最新技术文档

推荐 MCP 配置

{
  "mcpServers": {
    "filesystem": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-filesystem", "./src", "./docs"]
    },
    "github": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-github"],
      "env": { "GITHUB_PERSONAL_ACCESS_TOKEN": "${GITHUB_TOKEN}" }
    },
    "postgres": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-postgres"],
      "env": { "POSTGRES_CONNECTION_STRING": "${DATABASE_URL}" }
    },
    "playwright": {
      "command": "npx",
      "args": ["-y", "@playwright/mcp", "--headless"]
    },
    "sentry": {
      "command": "npx",
      "args": ["-y", "@sentry/mcp-server"],
      "env": { "SENTRY_AUTH_TOKEN": "${SENTRY_TOKEN}" }
    },
    "brave-search": {
      "command": "npx",
      "args": ["-y", "@anthropic/mcp-server-brave-search"],
      "env": { "BRAVE_API_KEY": "${BRAVE_API_KEY}" }
    },
    "memory": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-memory"]
    }
  }
}

案例分析

关键决策点：

1. 最小权限原则：文件系统只授权 ./src 和 ./docs，数据库使用只读连接
2. 模式互补：GitHub（远程仓库）+ filesystem（本地文件）+ Git（版本控制）覆盖完整代码管理
3. 记忆持久化：memory Server 让 Agent 记住项目上下文，避免每次会话重复解释
4. 安全边界：所有 Token 通过环境变量注入，不硬编码在配置中

工作流示例：

用户：最近生产环境的错误率上升了，帮我分析一下

Agent 执行流程：
1. [Sentry MCP] 查询最近 24 小时的错误趋势
2. [Sentry MCP] 获取 Top 5 错误的堆栈追踪
3. [GitHub MCP] 查找相关代码最近的提交
4. [PostgreSQL MCP] 查询受影响用户的数据模式
5. [Memory MCP] 回忆之前类似问题的解决方案
6. [Brave Search] 搜索错误信息的已知解决方案
7. 综合分析 → 给出根因判断和修复建议

避坑指南

❌ 常见错误

1. 安装过多 MCP Server

   • 问题：每个 Server 都会消耗上下文窗口（工具描述占用 token），过多 Server 会导致 Agent 性能下降
   • 正确做法：只安装当前任务需要的 Server，按需启用/禁用

2. 忽略 Server 版本兼容性

   • 问题：不同版本的 MCP Server 可能使用不同的协议版本，导致连接失败
   • 正确做法：锁定 Server 版本，测试升级后再部署

3. 在生产环境使用 stdio 传输

   • 问题：stdio 传输要求 Server 和 Client 在同一机器上，不适合分布式部署
   • 正确做法：生产环境使用 Streamable HTTP 传输，支持远程连接和负载均衡

4. 不设置超时和重试

   • 问题：网络问题或 Server 崩溃会导致 Agent 无限等待
   • 正确做法：配置合理的超时时间和重试策略

5. 将敏感数据暴露给 Agent

   • 问题：Agent 可能在输出中泄露数据库中的敏感信息
   • 正确做法：在数据库层面限制可访问的表和字段，使用视图隐藏敏感列

✅ 最佳实践

1. 从官方 Server 开始，社区 Server 需审查代码后再使用
2. 每个 Server 配置独立的认证凭证，便于权限管理和审计
3. 使用 MCP Inspector 工具测试 Server 连接和工具调用
4. 定期检查 Server 的安全公告和版本更新
5. 在 CI/CD 中集成 MCP Server 的健康检查

相关资源与延伸阅读

1. MCP 官方规范文档  —— 协议规范的权威来源，包含最新的传输层和能力协商定义
2. Anthropic 官方 MCP Server 仓库  —— 官方维护的参考实现集合，GitHub 66K+ 星标
3. mcp.so — MCP Server 目录  —— 社区维护的 MCP Server 发现平台，收录 17,000+ Server
4. PulseMCP — MCP 生态追踪  —— 追踪 MCP 生态发展动态和新 Server 发布
5. AWS 官方 MCP Server 集合  —— 45+ 个 AWS 服务的官方 MCP Server
6. Cloudflare MCP Server 发布博客  —— Cloudflare 13 个 MCP Server 的详细介绍
7. MCP Inspector 调试工具  —— 官方提供的 MCP Server 测试和调试工具
8. Playwright MCP 文档  —— 浏览器自动化 MCP Server 的完整使用指南

参考来源

• Anthropic — Introducing the Model Context Protocol （2024-11-25）
• MCP Ecosystem Complete Guide — Digital Applied （2025-12）
• 21 Best MCP Servers in 2025 — GoCobalt （2025-08）
• The 22 Best MCP Servers — Desktop Commander （2025-11）
• Top 15 MCP Servers — LogRocket （2025-09）
• Technical Comparison of Top MCP Servers — Graphite （2025）
• Thirteen New MCP Servers from Cloudflare （2025-05）
• AWS EKS MCP Server — AWS Blog （2025-05）
• 15 Best MCP Servers for DevOps — CloudShip AI （2025-07）
• MCP Market Map — Scalekit （2025-12）

📖 返回 总览与导航 | 上一节：08c-自定义MCP-Server开发 | 下一节：08e-MCP安全最佳实践