2025-03-30

15种有趣实用的MCP工具上手体验 (CherryStudio + Cline)

MCP工具介绍

前言：MCP是什么？

MCP (Model Context Protocol) 是近期AI领域的一个热点，它是一种开放协议，旨在让AI模型能够安全、标准化地与本地或远程的工具、API和资源进行交互。每天都有大量的MCP工具（也称为MCP Server）诞生，极大地扩展了AI大模型的能力边界。

你可以在专题网站 smithery.ai 上找到不断增长的MCP工具列表，目前已收录近3000种。

Smithery.ai 网站

关于MCP的基础概念和工作原理，可以参考之前的相关介绍。本文将跳过基础概念，直接进入实战环节，介绍15种有趣实用的MCP工具。

测试环境

AI客户端:
- CherryStudio: 一款功能强大的国产AI助手平台，集对话、知识库、AI绘画、翻译等功能于一体，高度可定制，支持MCP。(官网下载)
- Cline: VS Code的一款AI编程插件，同样开源免费，支持MCP。(GitHub)
- 说明: 这两款客户端都是开源免费的。
MCP工具参考:
- Awesome MCP Servers: 一个GitHub项目，分类整理了大量的MCP Server实现。(GitHub)
- 说明: 本次演示主要参考此项目，并尽量选择各分类下GitHub Star数最多的工具作为代表。

Awesome MCP Servers GitHub页面

基础配置

在开始体验各种MCP Server之前，我们需要先完成一些基础环境的配置。

1. 安装 AI 客户端 (CherryStudio)

访问 **CherryStudio 官网下载页面**，下载最新版本并安装。安装过程非常简单，一路点击“下一步”即可。

CherryStudio 下载页面

2. 配置 AI 大模型

打开 CherryStudio，我们需要配置一个支持MCP的大模型API。

Function Call vs System Prompt:
- MCP客户端与大模型交互主要有两种方式：Function Call (工具调用) 和 **System Prompt (系统提示词)**。
- CherryStudio 使用 Function Call，因此需要选用支持该功能的大模型（如 Claude 3.x, GPT-4, DeepSeek V2/V3 等）。
- Cline 使用 System Prompt，对模型的要求相对宽松。
配置 OpenRouter (推荐给 CherryStudio):
1. 前往 OpenRouter.ai (国内可直连)，这是一个AI模型API聚合网站。注册并登录。
2. 在 CherryStudio 左下角点击设置 -> 模型服务 -> OpenRouter。
3. 在 OpenRouter 网站右上角找到 Keys -> Create Key，创建一个新的API Key并复制。
4. 将复制的 API Key 粘贴到 CherryStudio 的 OpenRouter 配置中。
5. 添加模型：在 OpenRouter 网站搜索支持 Function Call 的模型，例如 Claude 3.7 Sonnet (认准模型详情页有 Tools 标签)。复制模型名称（如 anthropic/claude-3.7-sonnet）。
6. 回到 CherryStudio 的 OpenRouter 配置，点击添加，填入复制的模型ID。
7. 配置完成后，模型列表中带 小扳手图标 的模型表示支持 Function Call (函数调用)。
- 注意: Claude 3.7 是付费模型，需要在 OpenRouter 充值才能使用。

OpenRouter 模型详情页的 Tools 标签
CherryStudio 中支持函数调用的模型图标

配置 DeepSeek (低成本替代方案):
1. 如果不想付费，可以使用 DeepSeek V3 模型，它也支持 Function Call 且有免费额度。
2. 前往 DeepSeek 开放平台 注册并登录。
3. 在 API Keys 页面创建一个 Key。
4. 在 CherryStudio 左下角点击设置 -> 模型服务 -> 深度求索。
5. 粘贴 API Key，并添加模型，如 deepseek-chat。
- 提示: DeepSeek V3 模型最近刚升级，效果很好。

3. 安装 MCP 运行环境 (uv, bun)

大部分MCP Server依赖特定的运行环境。CherryStudio 可以方便地管理这些环境。

在 CherryStudio 左下角点击设置 -> MCP 服务器。
你可能会看到提示 UV 缺失 和 Bun 缺失。
- uv: 一个 Python 包管理和运行环境。
- bun: 一个类似于 Node.js 的 JavaScript/TypeScript 运行环境。
分别点击右侧的安装按钮。CherryStudio 会自动下载并安装其内置的 uv 和 bun，这不会影响你系统全局的安装。

重要提示 (Bug 修复):
- 当前版本的 CherryStudio 可能存在一个 Bug：即使点击安装后，切换页面再回来，可能仍然提示 uv 或 bun 缺失。
- 解决方法: 需要手动安装。
  1. 访问 CherryStudio 官方文档 - MCP 使用教程。
  2. 找到“无法正常安装的情况”下的手动下载链接：
    - Bun: https://github.com/oven-sh/bun/releases
    - UV: https://github.com/astral-sh/uv/releases
  3. 根据你的操作系统下载对应的 bun (如 bun-windows-x64.zip) 和 uv (如 uv-x86_64-pc-windows-msvc.zip) 可执行文件压缩包。
  4. 在你的用户目录下找到 .cherrystudio 文件夹 (通常是 C:\Users\{你的用户名}\.cherrystudio 或 ~/.cherrystudio)。
  5. 在该目录下创建一个名为 bin 的子文件夹。
  6. 将解压后的 bun.exe, uv.exe, uvx.exe 这三个文件复制到 bin 文件夹中。
  7. 完成后，回到 CherryStudio 的 MCP 服务器设置页面，那两个黄色的缺失提示应该消失了。

手动下载 Bun 和 UV 的链接
手动放置 uv 和 bun 可执行文件的目录

现在，基础配置完成，我们可以开始配置和使用各种 MCP 服务器了！

15个MCP Server实战演示

以下按类别演示15个MCP Server的配置和使用。

(配置 MCP Server 的通用步骤: 在 CherryStudio 设置 -> MCP 服务器 -> 点击 “编辑JSON”，将对应 Server 的 JSON 配置粘贴进去，注意替换必要的参数如 API Key、路径等，然后保存并启用该 Server)

1. 网页内容 (Fetch MCP Server)

功能: 让大模型获取指定 URL 网页的内容，并以 Markdown 格式返回。
来源: @modelcontextprotocol/server-fetch

CherryStudio 配置: (使用 uvx 运行)

{
  "mcpServers": {
    "fetch": {
      "isActive": true,
      "command": "uvx",
      "args": [
        "mcp-server-fetch"
      ]
    }
  }
}

使用示例 (CherryStudio):
- 启用 fetch MCP Server。
- 提问: 获取这个网页的详细内容: https://cherry-ai.com/download
- 结果: AI 调用 fetch 服务，成功获取并总结了 CherryStudio 下载页面的内容。

Fetch MCP Server 示例结果

Cline 配置:

{
  "mcpServers": {
    "fetch": {
      "isActive": true,
      "command": "uvx",
      "args": [
        "mcp-server-fetch"
      ]
    }
  }
}

使用示例 (Cline):
- 在 VS Code 中打开 Cline 配置 (cline_mcp_settings.json)，粘贴配置。
- 注意: Cline 使用系统级的 uv，需要先通过 pip install uv 或其他方式全局安装 uv。
- 点击 Retry Connection 连接 Server。
- 新开对话，提问相同问题。
- 结果: 同样成功获取并总结了网页内容。
通用性: 这个配置 JSON 在支持 MCP 的客户端（如 CherryStudio, Cline, Cursor）之间是通用的。

2. 地图 (百度地图 MCP Server)

功能: 提供地理编码、地点检索、路线规划等地图服务。
来源: @baidumap/mcp-server-baidu-map (更适合国内用户)
准备工作 (百度地图开放平台):
1. 访问 **百度地图开放平台**，注册并登录。
2. 进入 控制台 -> 应用管理 -> 我的应用 -> 创建应用。
3. 应用类型选“服务端”，勾选所有服务，IP白名单填 0.0.0.0/0 (无限制)。
4. 提交后，复制生成的 **访问应用 (AK)**，这就是 API Key。

CherryStudio 配置: (使用 npx 运行)

{
  "mcpServers": {
    "baidu-map": {
      "command": "npx",
      "args": [
        "-y",
        "@baidumap/mcp-server-baidu-map"
      ],
      "env": {
        "BAIDU_MAP_API_KEY": "你的百度地图AK"
      }
    }
  }
}

注意: 将 "你的百度地图AK" 替换为你自己申请的 AK。

使用示例 (CherryStudio):
- 启用 baidu-map MCP Server。
- 提问: 我想周末花一天时间去赏花，我家住在西二旗附近，我想早8点出门，中午去吃烤鸭，下午继续赏花，请帮我规划行程。
- 结果: AI 多次调用地图服务（地理编码、地点搜索、路线规划），规划了从西二旗出发，前往国家植物园、金鼎轩（清华园店）吃烤鸭、颐和园的行程，并贴心查询了天气。
- 再次提问（修改为坐地铁）: 我想周末花一天时间去赏花...请帮我规划行程，我主要坐地铁。
- 结果: AI 重新规划了地铁路线（13号线转4号线，4号线到人大站吃烤鸭等）。

百度地图 MCP Server 行程规划结果

Cline 配置: (Windows 需要修改 command 和 args)

{
  "mcpServers": {
    "baidu-map": {
      "isActive": true,
      "command": "cmd", // Windows改为cmd
      "args": [
        "/c", // Windows添加 /c
        "npx",
        "-y",
        "@baidumap/mcp-server-baidu-map"
      ],
      "env": {
        "BAIDU_MAP_API_KEY": "你的百度地图AK"
      }
    }
  }
}

注意: Mac/Linux 系统直接使用 npx 作为 command 即可。

使用示例 (Cline): 规划行程效果类似。

3. 浏览器自动化 (Playwright MCP Server)

功能: 让 AI 控制 Playwright 操作浏览器，实现网页自动化交互、内容抓取等。
来源: @executeautomation/playwright-mcp-server
准备工作:
1. 需要先安装 Node.js 环境。
2. 全局安装该 MCP Server 包: npm install -g @executeautomation/playwright-mcp-server

CherryStudio 配置: (使用 npx 运行)

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

使用示例 (CherryStudio):
- 启用 playwright MCP Server。
- 提问: 来到这个 GitHub 地址: https://github.com/executeautomation/mcp-playwright，点击登录按钮，账户名填 tech-shrimp，密码填 123456
- 结果: AI 调用 Playwright 服务，逐步完成：导航到页面、截图、点击按钮、评估元素、填入用户名密码、再次截图。虽然中间有几次失败重试，但最终成功完成了登录操作。

Playwright MCP Server 自动登录 GitHub 截图

4. 社交软件 (Slack MCP Server)

功能: 让 AI 与 Slack 工作区集成，进行频道管理和消息发送。
来源: @modelcontextprotocol/server-slack
准备工作 (Slack API):
1. 访问 **Slack API Apps 页面**。
2. 点击 Create an App -> From scratch。
3. 给 App 起个名字（如 ShrimpBot），选择你的工作区，点击 Create App。
4. 在左侧找到 OAuth & Permissions。
5. 在 Bot Token Scopes 部分，添加以下 5 个权限 (Scope)，根据 GitHub 页面的指引：
  - channels:history
  - channels:read
  - chat:write
  - reactions:write
  - users:read
6. 回到页面顶部，点击 Install App to Workspace -> Allow。
7. 复制生成的 Bot User OAuth Token (以 xoxb- 开头)。
8. 访问你的 Slack 工作区网页版，在 URL 中找到 Team ID (以 T 开头)。

CherryStudio 配置: (使用 npx 运行)

{
  "mcpServers": {
    "slack": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-slack"
      ],
      "env": {
        "SLACK_BOT_TOKEN": "你的xoxb开头的Token",
        "SLACK_TEAM_ID": "你的T开头的TeamID"
      }
    }
  }
}

注意: 替换为你自己的 Token 和 Team ID。

使用示例 (CherryStudio):
- 启用 slack MCP Server。
- 提问: 在技术爬爬虾频道，说你好
- 结果: 第一次报错 account_inactive。重启 MCP Server 后，再次尝试成功发送“你好”到指定频道。
- 组合示例: 启用 slack 和 baidu-map。
- 提问: 查一下明天早晨8点从青岛太平角公园到会场村赶海园的最快公共交通路线，把路线发在技术爬爬虾频道
- 结果: AI 先调用地图服务查找地点和获取路线，最后调用 Slack 服务将路线信息成功发送到 Slack 频道。

Slack MCP Server 发送消息结果

5. 搜索引擎 (DuckDuckGo MCP Server)

功能: 让 AI 使用 DuckDuckGo 进行网页搜索。
来源: zhsama/duckduckgo-mcp-server (无需 API Key)

CherryStudio 配置: (使用 npx 运行)

{
  "mcpServers": {
    "duckduckgo-search": {
      "command": "npx",
      "args": [
        "-y",
        "duckduckgo-mcp-server"
      ]
    }
  }
}

组合示例 (CherryStudio):
- 启用 slack 和 duckduckgo-search。
- 提问: 搜索下爬爬虾怎么养殖，发送到slack频道
- 结果: AI 先调用 DuckDuckGo 进行搜索，然后调用 Slack 将搜索到的养殖方法发送到 Slack 频道。

DuckDuckGo 和 Slack 组合示例结果

6. 知识图谱 (Memory MCP Server)

功能: 提供基于知识图谱的持久化记忆能力，让 AI 记住跨会话的信息。
来源: @modelcontextprotocol/server-memory
核心概念: 实体 (Entity), 关系 (Relation), 观察 (Observation)。

CherryStudio 配置: (使用 npx 运行)

{
  "mcpServers": {
    "memory": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-memory"
      ]
    }
  }
}

使用示例 (CherryStudio):
- 启用 memory MCP Server。
- 添加系统提示词 (System Prompt)，指导 AI 如何使用记忆功能 (从 GitHub 页面复制)。
- 提问1: 张三 19岁了会说德语
- 结果: AI 调用 create_entities 服务，创建了一个“张三”的实体，并记录了年龄和语言信息，存储在本地的 memory.json 文件中。
- 清理上下文后提问2: 张三会什么语言
- 结果: AI 调用 read_graph 服务，从 memory.json 文件中成功读取到张三会说德语的信息。

Memory MCP Server 存储的 memory.json 文件内容

7. 文件系统 (File System MCP Server)

功能: 让 AI 可以直接读写本地文件系统。
来源: @modelcontextprotocol/server-filesystem

CherryStudio 配置: (使用 npx 运行)

{
  "mcpServers": {
    "filesystem": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-filesystem",
        // 允许访问的目录，需要修改为你的实际路径
        "C:\\Users\\{你的用户名}\\Videos", // 示例路径1
        "/path/to/other/allowed/dir"  // 示例路径2
      ]
    }
  }
}

重要: 必须将配置中的路径修改为你自己电脑上真实存在且允许 AI 访问的目录路径。
Windows 路径: 注意使用两个反斜杠 \\ 作为路径分隔符。

使用示例 (CherryStudio):
- 启用 filesystem MCP Server。
- 提问: 帮我看下 C:\\Users\\{你的用户名}\\Videos 这个文件夹都有什么。这个文件夹的作者可能是什人？
- 结果: AI 成功列出了指定文件夹下的文件，并根据文件内容推测作者可能是技术博主或视频创作者。

8. 命令行 (Desktop Commander MCP Server)

功能: 让 AI 可以在本地电脑上执行命令行命令。
来源: @wonderwhy-er/desktop-commander (Smithery.ai 上热度较高)

CherryStudio 配置: (使用 npx 运行)

{
  "mcpServers": {
    "desktop-commander": {
      "command": "npx",
      "args": [
        "-y",
        "@wonderwhy-er/desktop-commander"
      ]
    }
  }
}

使用示例 (CherryStudio):
- 启用 desktop-commander MCP Server。
- 提问: 在桌面创建一个文件 test.txt，里面写 "Hello 技术爬爬虾"
- 结果: AI 调用了多个 MCP 工具，包括检查操作系统、确认桌面位置、执行创建和写入文件的命令 (execute_command)，成功在桌面创建了文件并写入内容。

Desktop Commander 创建的文件及内容

9. 分步骤思考 (Sequential Thinking MCP Server)

功能: 帮助大模型将复杂问题拆解成多个步骤，进行逐步思考和推理，将普通模型转变为推理模型。
来源: @smithery-ai/server-sequential-thinking (Smithery.ai 上热度很高)

CherryStudio 配置: (使用 npx 运行)

{
  "mcpServers": {
    "sequential-thinking": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-sequential-thinking"
      ]
    }
  }
}

使用示例 (CherryStudio):
- 启用 sequential-thinking MCP Server。
- 提问: strawberry 有几个r
- 结果 (未使用 MCP): Claude 3.7 直接回答错误，说有 2 个 r。
- 结果 (使用 MCP): AI 多次调用 sequentialthinking 服务，展示了思考过程：识别单词、拆分字母、计数 ‘r’ 出现的位置（strawberry），最终得出正确答案 3 个 r。

Sequential Thinking 思考过程示例

10. 云服务 (Cloudflare MCP Server)

功能: 让 AI 可以操作 Cloudflare 的服务，如 Workers, KV 存储, R2 对象存储, D1 数据库等。
来源: @cloudflare/mcp-server-cloudflare
准备工作:
1. 需要先通过命令行进行初始化和登录授权。执行: npx @cloudflare/mcp-server-cloudflare init
2. 它会自动打开浏览器，需要登录你的 Cloudflare 账号并授权 (Allow)。

CherryStudio 配置: (通常由 init 命令自动生成)

// 这个配置通常由 init 命令自动写入 claude_desktop_configs.json 或类似文件
// 如果需要手动添加，格式类似：
{
  "mcpServers": {
    "cloudflare": {
       // command 和 args 指向 init 后生成的相关脚本或执行路径
       "command": "C:\\Program Files\\nodejs\\node.EXE", // 示例
       "args": [
         "C:\\Users\\...\\npm-cache\\...\\@cloudflare\\mcp-server-cloudflare\\dist\\index.js", // 示例
         "run",
         "你的Cloudflare账户ID或相关标识" // 示例
       ]
    }
  }
}

注意: command 和 args 中的路径会根据你的系统和安装方式变化，init 命令生成的通常是正确的。

使用示例 (CherryStudio):
- 启用 cloudflare MCP Server。
- 提问: 我的 cloudflare worker 有哪些?
- 结果: AI 成功查询并列出了账号下的 4 个 Cloudflare Worker 及其详细信息。

11. 数据库 (PostgreSQL MCP Server)

功能: 让 AI 可以查询 PostgreSQL 数据库 (目前只读)。
来源: @modelcontextprotocol/server-postgres

CherryStudio 配置: (使用 npx 运行)

{
  "mcpServers": {
    "postgres": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-postgres",
        // 数据库连接字符串，需要修改
        "postgresql://用户名:密码@数据库地址:端口号/数据库名"
      ]
    }
  }
}

重要: 将连接字符串替换为你自己的 PostgreSQL 数据库信息。

使用示例 (CherryStudio):
- 启用 postgres MCP Server。
- 提问1: 有哪些 schema
- 结果: AI 执行 SQL 查询 (SELECT schema_name FROM information_schema.schemata;)，列出了数据库中的所有 schema。
- 提问2: public 里面有哪些表
- 结果: AI 查询 public schema 下的表，返回了 4 个表名。
- 提问3: tech 表里面有什么数据
- 结果: AI 查询 tech 表的内容，返回了表中的两条记录（张三和李四的信息）。

PostgreSQL MCP Server 查询结果

12. Github (GitHub MCP Server)

功能: 提供与 GitHub API 的集成，用于仓库管理、文件操作、PR、Issues 等。
来源: @modelcontextprotocol/server-github
准备工作 (GitHub Token):
1. 访问你的 GitHub -> Settings -> Developer settings -> Personal access tokens -> Fine-grained tokens (或 Tokens (classic))。
2. 点击 Generate new token。
3. 给 Token 起个名字，设置过期时间。
4. 关键: 勾选 Repository permissions 下的 Administration 和 Contents (至少需要读写权限，根据需要调整)。
5. 点击 Generate token 并立即复制生成的 Token，页面关闭后将无法再次看到。

Cline 配置: (需要为 Windows 修改配置)

{
  "mcpServers": {
    "github.com/modelcontextprotocol/servers/tree/main/src/github": {
      "command": "cmd", // Windows 改为 cmd
      "args": [
        "/c", // Windows 添加 /c
        "npx",
        "-y",
        "@modelcontextprotocol/server-github"
      ],
      "env": {
        "GITHUB_PERSONAL_ACCESS_TOKEN": "你的GitHub Token"
      },
      "disabled": false,
      "autoApprove": []
    }
  }
}

注意: 将 "你的GitHub Token" 替换为你刚刚生成的 Token。
说明: Cline 会自动完成 MCP Server 的安装和配置文件的创建。

使用示例 (Cline):
- 点击 Cline 的 MCP Server 图标 -> 搜索 GitHub -> 点击 Install。
- Cline 会自动打开聊天窗口指导安装，需要提供 GitHub Token。
- 安装完成后，点击 Save 保存配置。
- 提问: 我的名字是 tech-shrimp，我在 GitHub 上面有哪些仓库
- 结果: AI 调用 GitHub MCP Server，成功查询并列出了 tech-shrimp 用户下的 29 个仓库信息。

13. 浏览器增强 (Browser Tools MCP Server)

功能: 允许 AI 读取和分析当前浏览器标签页的内容、截图、分析控制台日志、网络活动等。
来源: @agentdeskai/browser-tools-mcp
配置: 这个工具的配置已有相关详细介绍，主要是安装对应的 Chrome 扩展并配置 MCP Server。
使用示例 (Cline):
- (假设已配置好) 提问: 分析下浏览器的网络面板
- 结果: AI 成功分析了当前打开的 GitHub 页面的网络请求，列出了主要的请求目标、状态码、请求类型和关键路径信息。

14. Git (Git MCP Server)

功能: 让 AI 可以操作本地的 Git 仓库（读写）。
来源: @modelcontextprotocol/server-git

CherryStudio 配置: (使用 uvx 运行)

{
  "mcpServers": {
    "git": {
      "command": "uvx",
      "args": [
        "mcp-server-git",
        "--repository",
        // 指向你的本地 Git 仓库路径，需要修改
        "D:\\Projects2025\\grok-playground"
      ]
    }
  }
}

重要: 将 --repository 后面的路径修改为你自己电脑上的实际 Git 仓库路径。
Windows 路径: 注意使用**两个反斜杠 \\**。

使用示例 (CherryStudio):
- 启用 git MCP Server。
- 提问1: 我的上一次提交是什么
- 结果: 明确仓库路径后 (D:\Projects2025\grok-playground 我的上一次提交是什么)，AI 调用 git_log 成功查询到最近一次的提交信息 (Commit SHA, 作者, 日期, 消息)。
- 提问2: 帮我创建一个分支，名字叫 tech-shrimp-dev
- 结果: AI 调用 git_create_branch，成功从 main 分支创建了新分支。
- (手动修改项目中的 README.md 文件)
- 提问3: 帮我查一下哪个文件有修改没提交
- 结果: AI 调用 git_status，检测到 README.md 文件已被修改但未提交。
- 提问4: 帮我提交到当前分支
- 结果: AI 先调用 git_add 将修改添加到暂存区，然后调用 git_commit 提交更改。
- (查看 Git 客户端确认提交成功)
- 提问5: 帮我推送到远程仓库
- 结果: AI 提示 git push 命令当前工具集中没有包含，需要手动处理。

15. 视频 (YouTube MCP Server)

功能: 获取 YouTube 视频的字幕，并可以用于总结视频内容。
来源: @anaisbetts/mcp-youtube
准备工作:
- 需要安装 yt-dlp 工具。(GitHub) 相关安装方法已有介绍。

CherryStudio 配置: (使用 npx 运行)

{
  "mcpServers": {
    "mcp-youtube": {
      "isActive": true,
      "command": "npx",
      "args": [
        "-y",
        "@anaisbetts/mcp-youtube"
      ]
    }
  }
}

使用示例 (CherryStudio):
- 启用 mcp-youtube MCP Server。
- 提问: 总结下这个视频 https://www.youtube.com/watch?v=enQCOToSsoU0
- 结果: AI 调用 download_youtube_url 获取视频字幕，然后对字幕内容进行总结，输出了视频的主要内容 (关于 NetworkChuck 使用 Open WebUI + LiteLLM 改变 AI 使用方式)。

总结

本文通过 Awesome MCP Servers 项目作为索引，实际演示了 15 个涵盖网页内容、地图、浏览器自动化、社交、搜索、知识图谱、文件系统、命令行、分步思考、云服务、数据库、Github、Git 和视频处理等多个类别的 MCP Server。

我们可以看到，通过简单的 JSON 配置，就能赋予 AI 大模型调用各种外部工具和 API 的强大能力。虽然其中一些 MCP Server 的配置相对复杂，或者需要额外的专业知识（如 Cloudflare, Slack API, GitHub Token），但大部分工具的配置和使用都非常便捷。

未来，可以尝试将这些 MCP Server 组合起来，探索更多 AI 智能体的应用场景。

感谢阅读！

nibaijing's blog

15种有趣实用的MCP工具上手体验 (CherryStudio + Cline)

前言：MCP是什么？

测试环境

基础配置

1. 安装 AI 客户端 (CherryStudio)

2. 配置 AI 大模型

3. 安装 MCP 运行环境 (uv, bun)

15个MCP Server实战演示

1. 网页内容 (Fetch MCP Server)

2. 地图 (百度地图 MCP Server)

3. 浏览器自动化 (Playwright MCP Server)

4. 社交软件 (Slack MCP Server)

5. 搜索引擎 (DuckDuckGo MCP Server)

6. 知识图谱 (Memory MCP Server)

7. 文件系统 (File System MCP Server)

8. 命令行 (Desktop Commander MCP Server)

9. 分步骤思考 (Sequential Thinking MCP Server)

10. 云服务 (Cloudflare MCP Server)

11. 数据库 (PostgreSQL MCP Server)

12. Github (GitHub MCP Server)

13. 浏览器增强 (Browser Tools MCP Server)

14. Git (Git MCP Server)

15. 视频 (YouTube MCP Server)

总结

相关链接