亲测上百款MCP后，我发现这10款才是真正能提升生产力的神器。

作者 ConardLi

2025年6月25日 22:14

本期视频教程：www.bilibili.com/video/BV1GU…

大家好，欢迎来到 code秘密花园，我是花园老师（ConardLi）。

在之前的教程中，我们尝试了 MCP + 数据库的案例，并且系统性学习了 MCP 的原理和通信过程，以及对 MCP 的安全性进行了系统性分析：

这段时间我个人在学习和工作中使用 MCP 非常多，体验了各种场景，有些工具浮于表面，根本不实用，但是有些工具确实是真的让我感受到效率提升。所以今天这一期主要是跟大家来介绍一下我这段时间的使用体验，给大家分享一些借助 MCP 能够真正能够提升我们打工人生产力的场景。

MCP 基础回顾

MCP（Model Context Protocol，模型上下文协议）是由 Anthropic 公司推出的一个开放标准协议，目的就是为了解决 AI 模型与外部数据源、工具交互的难题。

MCP就像是一个 “通用插头” 或者 “USB 接口”，制定了统一的规范，不管是连接数据库、第三方 API，还是本地文件等各种外部资源，都可以通过这个 “通用接口” 来完成，让 AI 模型与外部工具或数据源之间的交互更加标准化、可复用。相当于给本来只具备基础对话能力的大模型插上了翅膀，能够完成很多之前做不到的事。

这次我们使用到的 MCP Host 是 Chatbox ，Chatbox 是我一直在本地使用的一款本地 AI 聊天软件，但是之前一直不支持 MCP，前几天发现在最新的 1.14 版本中终于支持上了 MCP ，于是立马来体验了一下，效果非常不错：

下面我们直接来使用一下，先从一个最简单的 MCP 开始：

小试牛刀：AI 自动整理文件夹

场景：最近下载了好多文件，太乱了，让 AI 帮我们自动整理一下****

使用到的 MCP： @modelcontextprotocol/server-filesystem：可检索和管理本地文件系统

我们先进入【设置 - MCP - 自定义 MCP 服务器】

直接在官方 MCP 列表中就可以检索到 Filesystem：

点击之后，将 YOUR_ALLOWED_PATH_HERE 替换为你允许 AI 访问的本机目录

点击测试，如果能成功拉到工具列表，说明配置成功：

点击保存，然后打开聊天窗口，启用 Filesystem，后续就可以直接调用这个工具啦：

提示词：下载目录下有哪些文件？

这是下载目录下的情况：

输入以上提示词后，AI 可以读取到这些文件信息，说明配置成功：

提示词：Downloads 目录下的文件，帮我按文件类型分类整理对应文件夹

AI 自动分析了文件内容，给出分类建议：

然后调用创建文件夹和移动文件的工具：

完成之后，Downloads 文件夹已经被完美的整理好啦：

教你讨好女朋友：AI 生成满分旅游攻略

场景：女朋友最近想出去玩，我们借助 AI 来帮我们做一份满分的旅游攻略～

使用到的 MCP：

@amap/amap-maps-mcp-server：可调用高德地图的各种能力
@modelcontextprotocol/server-sequential-thinking：让模型具备有序、连贯的推理过程

进入【设置 - MCP - 自定义 MCP 服务器】选择添加自定义服务器，选择远程（http/sse），然后粘贴以下 URL：

https://mcp.amap.com/sse?key=您在高德官网上申请的key

这里我们需要一个高德地图的 API Key，可以参考高德地图的官方文档（lbs.amap.com/api/mcp-ser… Key（Web 服务）：

然后我们测试连接（可以获取到工具说明配置成功）：

另外一个需要用到的 MCP 是 Sequential Thinking，Chatbox 默认就内置了这个 MCP：

Sequential Thinking 是几乎是当前最热门，使用频率最高的 MCP 服务器，它可以让普通模型具备一定的思考能力，本质是一种结构化思维协议，可以指导模型进行有序、连贯的推理过程。能够将复杂问题分解为可管理的步骤、随着理解的加深，修改和完善想法、分支出其他推理路径、动态调整想法总数、生成并验证解决方案假设等等。

在我之前的教程有讲过 MCP 的交互原理：《全网最细，一文带你弄懂 MCP 的核心原理》，让模型结合 MCP 去完成一个任务时，一般中间需要多轮的交互，模型一般需要先完成一个步骤后再考虑下一个步骤需要做什么，任务如果比较复杂，这个过程会不太稳定，所以当我们的任务较为复杂时，建议结合 Sequential Thinking 使用，它会先帮模型规划好完整一个任务一共要分几步，然后分步骤指导模型后续的动作，可以让整个任务完成的有规划、更稳定，比如我们本次的任务通过下面的提示词一次就完成了：

提示词：

我 6.21 计划去北京游玩，我需要制作一个 3 天的旅行攻略。

帮制作旅行攻略，考虑出行时间和路线，以及天气状况路线规划。

制作一个网页地图能够合理展示规划（给女朋友看），要求页面设计非常美观，景区图片以卡片展示。

行程规划结果希望能在高德地图 APP 展示，并集成到网页中。

同一天行程景区之间我想打车前往，必须包含的景点：故宫、颐和园，其他景点你可以自由安排。

你先调用 Sequential Thinking 拆解我的任务，然后按照规划一步步完成。

Sequential Thinking 的任务分解结果：

第一步：查询北京天气（6月17-19日）
第二步：选择和安排景点（故宫+颐和园必须，再选择其他经典景点）
第三步：获取各景点的地理坐标
第四步：规划每日行程路线（考虑地理位置和游览时间）
第五步：计算景点间打车路线和时间
第六步：生成高德地图展示链接
第七步：整理完整攻略信息
第八步：生成一份精美的网页

在期间，模型依次调用了：查询天气、查询目标位置、关键字搜索点位、查询点位间的距离和时间，生成高德地图展示、生成打车规划路线等工具，整个过程非常丝滑：

最终生成了一份旅行攻略：

然后把旅行攻略编写为网页（因为要制作的网页比较大，这一步输出可能中断，引导 AI 继续完成即可）：

最终生成了一份非常美观的网页，包括天气、景点信息、时间安排、打车规划、旅行贴士等信息：

后续你还可以在这个提示词的基础上继续完善，比如每天吃什么、住在什么地方等等，可以让 AI 生成更完美的规划路线。这下应该能给你的女朋友交上一份 “满分答卷” 了。

科研党的福音：AI 助你轻松检索和分析论文

场景：arXiv 这些平台上的检索功能不太好用，让 AI 帮我们自动检索、下载、分析符合需求的论文。

使用到的 MCP：

arxiv-mcp-server：可以自动检索、下载、分析 arxiv 论文
@modelcontextprotocol/server-sequential-thinking：让模型具备有序、连贯的推理过程

来到 arxiv-mcp-server 的 Github github.com/blazickjp/a… ，可以看到具体的配置文档：

这里建议指定一下 Python 版本，大家可以直接复制我这个命令：

{
    "mcpServers": {
        "arxiv-mcp-server": {
            "command": "uv",
            "args": [
                "tool",
                "run",
                "--python 3.11",
                "arxiv-mcp-server",
                "--storage-path", "替换为你自己的本机目录"
            ]
        }
    }
}

然后进入【设置 - MCP - 自定义 MCP 服务器】选择从剪贴板中的JSON导入：

将 --storage-path 这个参数替换为你的本机路径（用户存储下载后的论文）：

提示词：我想查找一些关于大模型领域的论文（2025 年以后的），请使用 Sequential Thinking 帮我规划并完成任务。

AI 帮我们自动分析好需要检索的关键词，并且检索了 2025-01-01 后符合相关主题的论文，并且生成了中文摘要：

提示词：帮我下载第四篇论文，然后分析这个论文的具体内容，总结一份中文分析文档。

成功将指定论文下载到本地：

并且生成了完整的论文分析报告：

解决世纪难题：AI 告诉你今天吃什么

场景：我们每天都要考虑的一个问题，今天吃什么，让 AI 来帮我们做决定吧！

使用到的 MCP：

@amap/amap-maps-mcp-server：可调用高德地图的各种能力
@modelcontextprotocol/server-sequential-thinking：让模型具备有序、连贯的推理过程

提示词：我现在在北京知春路附近，我今天又不知道吃什么了，你现在可以调用高德地图的相关工具检索到周边的美食，我需要你先调用 Sequential Thinking 拆解我的任务，然后调用高德地图的相关工具检索美食，最后帮我生成一个美观的 HTML，做一个今天吃什么小游戏，方便我来使用。

Sequential Thinking 首先帮我将任务拆解成了四个步骤，然后引导模型调用高德地图 MCP 一步步完成执行：

确认您在“北京知春路”附近，通过高德地图获取周边美食清单。
将获得的美食店信息（名称、地址、图片）收集成适合网页的数据源。
设计一个“今天吃什么”小游戏，用户点击按钮后随机显示附近餐厅信息，可“一键换一家”。
最后为您生成一个美观、简洁、易用的HTML页面源码，随时可保存使用。

生成的 HTML 代码我们可以直接点击右上角的运行按钮：

然后我们就可以愉快的使用啦：

开发者效率起飞：AI 帮你管理 Github

场景：作为一名开发者，每天都要关注自己负责的仓库是否有新增 Issue 和 PR，可以让 AI 帮助我们更高效的完成这些工作。

使用到的 MCP：

github-mcp-servcer：可以让 AI 操纵 Github
@larksuiteoapi/lark-mcp：可以让 AI 操纵飞书：发消息、写文档

我们先配置一下 github-mcp-servcer ， 在官方文档可以看到 Github MCP Server 是以 Docker 来运行的（需要你本地有 Docker 环境）：

我们直接复制这段命令：

docker run -i --rm -e GITHUB_PERSONAL_ACCESS_TOKEN ghcr.io/github/github-mcp-server

然后配置一下环境变量：

GITHUB_PERSONAL_ACCESS_TOKEN=GITHUB_PERSONAL_ACCESS_TOKEN

注意这里的环境的值要替换为你个人的 GITHUB_PERSONAL_ACCESS_TOKEN：

在GitHub获取 GITHUB_PERSONAL_ACCESS_TOKEN 的步骤如下：

1. 访问设置页面

登录GitHub后，点击右上角头像→选择Settings（设置）。

2. 进入开发者设置

在左侧菜单最底部找到 Developer settings（开发者设置）并点击。

3. 生成新令牌

点击 Personal access tokens（个人访问令牌）
选择 Tokens (classic)（经典令牌）
点击 Generate new token → Generate new token (classic)（生成新令牌→生成经典令牌）

4. 配置令牌权限

Note（备注）：为令牌命名（如：MyAppToken）
Expiration（有效期）：选择适当的过期时间（建议设置较短有效期）
Select scopes（选择权限）**：根据需求勾选，常见需要的权限：
- repo（访问仓库）
- workflow（访问工作流）
- user（访问用户信息）

5. 生成并保存令牌

点击Generate token（生成令牌）
立即复制生成的令牌（形如：ghp_xxxxxxxxxxxxxx）
令牌仅显示一次，丢失后需重新生成

自动 Review PR

提示词：查看 ConardLi/easy-dataset 有哪些未合并的 PR

提示词：433 PR 帮我详细 Review 其中的代码变更。

AI 生成了详细的代码变更总结：

提示词：这其中你觉得可能有质量问题的代码位置，帮我仔细分析，并生成评论，调用 get_pull_request_comments 工具提交上去。

AI 自动生成了整个 PR 的评审结论，以及在具体的代码位置生成了评论：

自动整理 Issue

下面我们希望让 AI 对我们仓库的 Issue 进行分类整理，然后保存到飞书文档，并且通过聊天窗口发送给我们，首先我们要根据文档安装飞书的 MCP ，具体可以看这个文档：

open.feishu.cn/document/uA…

进入【设置 - MCP - 自定义 MCP 服务器】选择添加自定义服务器，选择本地，粘贴如下配置

npx -y @larksuiteoapi/lark-mcp mcp -a cli_a8d8eaeebde5100e -s 5YIikp0YoPVMjfqatlylLfpr2pbrndQl -u u-u-fSdCzY19lcmXl_kuUsE.0Zl55vH1h4yro0w0ggKw0C3y （注意更新一下）

{
  "mcpServers": {
    "lark-mcp": {
     "command": "npx",
      "args": [
        "-y",
        "@larksuiteoapi/lark-mcp",
        "mcp",
        "-a",
        "<your_app_id>", // 需要替换为你的应用的 App ID。
        "-s",
        "<your_app_secret>", // 需要替换为你的应用的 App Secret。
        "-u",
        "<your_user_token>" // 需要替换为用户访问凭证（user_access_token）
      ]
    }
  }
}

注意，这里的 appId、appSecret、user_token ，大家要根据上面的文档，在飞书开发者后台（open.feishu.cn/app）创建好应用，并…

提示词：帮我详细分析一下，ConardLi/easy-dataset 最新增加的 10 条 Issue ，按照清晰的分类、友好的格式进行整理。并且将以上信息创建一个飞书文档，然后将文档链接发送给邮箱为 1009903985@qq.com 的飞书用户的聊天窗口。

AI 首先分类整理好了 Issue：

然后通过飞书机器人发送到你的聊天窗口：

以上的流程完全也可以搞成定时任务，那么你每天早上不用再手动去打开你的代码仓库，挨个翻看新增的 Issue 和 PR 了，只需要等着飞书消息就可以看到整理好的信息啦。

汇报不用愁：AI 自动处理表格并生成图表

场景：老板交给你一堆文件（非表格文档，如 Markdown），让你做数据分析？手动整理太累了，让 AI 从中提取数据，自动整理为 Excel，然后生成丰富的可视化图表

使用到的 MCP：

excel-mcp-server：轻松创建、分析、编辑 Excel
@modelcontextprotocol/server-filesystem：检索和管理本地文件
@antv/mcp-server-chart：可以生成 20 多种不同风格的图表

创建表格

来到 excel-mcp-server 的 Github github.com/haris-musa/… ，可以看到具体的配置文档：

这里我们通过 SSE 的方式进行连接，复制以下命令到终端执行（注意把 EXCEL_FILES_PATH 替换为你本机路径）：

EXCEL_FILES_PATH=EXCEL_FILES_PATH FASTMCP_PORT=8080 uvx excel-mcp-server sse

终端出现以下日志说明启动成功：

进入【设置 - MCP - 自定义 MCP 服务器】选择添加自定义服务器，选择远程（http/sse），然后粘贴以下 URL：

http://127.0.0.1:8080/sse

我们本地在一些非 Excel 文档中（比如 Word、Mardkown）中保存了一些结构化数据：

提示词：帮我读取并分析 data.md，将其中的结构化数据转换为 Excel 并保存到本地。

模型先调用了 Filesystem 工具，读取并分析了 data.md 文件，然后调用 create_workbook、create_worksheet、write_data_to_excel，将文件写入 excel：

打开新创建的 Excel 文件，可以看到写入后的数据，并且合理划分了多个 Sheet：

分析表格

提示词：帮我分析表格中的数据，然后帮我生成销售额的变化曲线

打开图表发现已经生成好了曲线：

表格可视化

如果觉得 Excel 自带的图表不够丰富，我们可以借助 @antv/mcp-server-chart 帮我们生成更多维度的图表（ github.com/antvis/mcp-… ）它支持生成 20 种不同风格的图表：

配置方式比较简单，直接到【设置 - MCP - 自定义 MCP 服务器】选择添加自定义服务器，选择本地 (stdio)，然后在命令处直接粘贴 npx -y @antv/mcp-server-chart ：

提示词：借助 Sequential Thinking 进行思考，详细分析图表里的各种特征，选择 mcp-server-chart 中合适的图表，帮我将数据进行全面可视化，将生成的图表最终用一个 HTML 进行展示，要求页面美观，展示维度丰富、全面（至少包含 10 个维度的图表展示）。

以下是生成的 HTML 页面：

文档有救了：AI 帮你轻松绘制架构图

场景：在写文档的过程中，我们经常需要添加一些架构图，来让文档显得更专业、更高大上一点，借助 AI，可以快速根据我们的想法和指定内容绘制架构图。

使用到的 MCP：

@peng-shawn/mermaid-mcp-server：可以绘制 Mermaid 图表
@antv/mcp-server-chart：可以生成 20 多种不同风格的图表
excalidraw-mcp：可以生成手绘风格的图表

Mermaid

我们先来尝试生成 Mermaid 语法的架构图：首先配置： @peng-shawn/mermaid-mcp-server （输入命令 npx -y @peng-shawn/mermaid-mcp-server），然后将环境变量配置为：CONTENT_IMAGE_SUPPORTED=false（将图片文件保存到本地目录）