fanweibin.cn

主题

⏱ 46 分钟阅读✍️ 13,161 字AI 与工作流# MCP# Claude Code# AI 工具# 开发效率# 年度盘点

程序员必备的30+个MCP工具推荐 ​

前言 ​

Model Context Protocol（MCP）正在改变程序员与AI的协作方式。通过MCP，AI助手可以直接访问你的开发工具、数据库、API和各种服务，让AI从"对话工具"真正变成"生产力伙伴"。

本文汇总了30+个程序员实际在用、Reddit和社区高度推荐的MCP工具，每个都附带详细说明和官方文档链接，帮助你快速构建强大的AI开发工作流。

🎯 一、开发基础设施 ​

1. GitHub MCP ​

这是什么： GitHub MCP是连接AI助手与GitHub平台的桥梁，让你可以用自然语言管理代码仓库。无需离开对话界面，就能完成代码审查、Issue管理、PR操作等GitHub日常任务。

核心功能详解：

  • 仓库管理：创建、克隆、搜索仓库，查看项目结构和文件内容
  • Issue处理：自动从bug描述创建Issue，添加标签，分配给团队成员，追踪进度
  • Pull Request工作流：创建PR、添加评论、请求审查、合并代码，AI可以理解代码变更并提供建议
  • 代码搜索：在整个代码库中搜索特定函数、类或实现模式，快速定位代码位置
  • 自动化操作：触发GitHub Actions、检查CI状态、自动化重复性任务

实际使用场景：

  • 你发现了一个bug，直接对AI说"为这个错误创建一个GitHub Issue"，AI会自动分析上下文，创建包含错误描述、堆栈跟踪和重现步骤的Issue
  • 在代码审查时，AI可以获取PR的diff，分析代码变更，指出潜在问题或风格不一致
  • 需要了解项目历史时，AI可以查询commit历史，解释某个功能是如何演进的
  • 自动化团队工作流：当有新PR时，AI可以根据修改的文件自动添加合适的标签和审查者

为什么需要它： 避免频繁切换到浏览器查看GitHub，所有代码管理都在AI对话中完成，大幅提升开发效率。

官方文档： https://docs.github.com/en/copilot/concepts/context/mcp
GitHub仓库： https://github.com/github/github-mcp-server

2. Docker MCP ​

这是什么： Docker MCP让AI助手能够直接操作Docker容器和镜像，用自然语言完成容器化开发的所有操作。相当于给AI装上了DevOps的能力。

核心功能详解：

  • 容器生命周期管理：启动、停止、重启容器，查看运行状态和日志，就像使用docker命令一样
  • 多语言环境支持：AI自动识别项目使用的编程语言，选择合适的基础镜像和包管理器（npm、pip、maven等）
  • 代码执行隔离：在独立的容器中运行代码，避免污染本地环境，每次执行都是干净的环境
  • 镜像管理：构建、拉取、推送镜像，优化镜像大小和构建时间
  • 资源控制：设置内存和CPU限制，防止资源耗尽，确保系统稳定性

实际使用场景：

  • 测试新库或框架时，AI可以在临时容器中安装和测试，不影响你的开发环境
  • 调试多服务应用时，AI帮你启动数据库、Redis、消息队列等依赖服务
  • 需要不同Python版本测试时，AI可以快速创建多个版本的容器并运行测试
  • 排查生产环境问题时，AI可以拉取生产镜像，在本地容器中重现问题

为什么需要它： 彻底解决"在我机器上能跑"的问题，让环境管理变得简单，同时保证本地开发环境的整洁。

官方文档： https://github.com/modelcontextprotocol/servers/tree/main/src/docker

3. Filesystem MCP ​

这是什么： Filesystem MCP赋予AI读写本地文件的能力，让AI成为你的文件管理助手。它是最基础但也是最实用的MCP工具之一。

核心功能详解：

  • 智能文件操作：不只是简单的读写，AI能理解文件内容和结构，进行批量修改和重构
  • 目录遍历与搜索：在整个项目中搜索特定内容、文件类型或模式，比grep更智能
  • 代码生成与修改：AI可以创建新文件、修改现有代码、重构函数，所有更改直接保存到磁盘
  • 批处理操作：一次性处理多个文件，如批量重命名、格式化、添加版权声明等
  • 安全控制：可以限制AI只能访问特定目录，防止误操作重要文件

实际使用场景：

  • 生成项目脚手架：告诉AI"创建一个React项目结构"，AI会生成完整的目录和配置文件
  • 代码重构：要求AI"把所有的var改成const"，AI会遍历文件并智能替换
  • 文档生成：AI可以读取代码注释，自动生成README和API文档
  • 配置管理：批量更新所有package.json中的依赖版本

为什么需要它： AI不再只是给建议，而是真正能修改你的代码库，从"顾问"变成"实干家"。

官方文档： https://github.com/modelcontextprotocol/servers/tree/main/src/filesystem

4. Context7 MCP ​

这是什么： Context7 MCP由Upstash开发，提供最新的、版本特定的库文档和代码示例，直接注入到AI的提示词中。解决AI训练数据过时的问题，确保生成的代码使用最新的API。

核心功能详解：

  • 实时文档注入：从官方文档源拉取最新文档，直接放入AI的上下文窗口
  • 版本特定：支持查询特定版本的库文档，避免API变更带来的问题
  • 一句话触发：在Cursor等AI编辑器中，只需说"use context7"即可自动获取相关文档
  • 覆盖主流库：支持Next.js、Zod、Tailwind、React Query等快速迭代的框架
  • 零手动切换：无需离开编辑器查文档，AI自动获取准确的API说明

实际使用场景：

  • 使用最新Next.js 15特性时，AI自动获取App Router最新API文档，而不是依赖旧的训练数据
  • 编写Zod验证schema时，Context7提供最新的类型定义和验证方法
  • 集成新库时，AI读取该库的最新文档，生成符合当前版本的代码
  • 避免幻觉API：AI不会编造不存在的函数或已废弃的方法

为什么需要它： LLM训练数据有截止日期，对于快速迭代的框架（如Next.js每几个月大版本更新），Context7确保AI使用最新、准确的API信息。

官方网站： https://context7.com/
GitHub仓库： https://github.com/upstash/context7

开发者评价： "必备工具！让AI不再生成过时的代码"

5. Ref MCP ​

这是什么： Ref MCP是一个专业的文档搜索工具，连接AI编码工具与技术文档。它包含1000+公共文档的最新索引，还可以摄取私有文档（如GitHub仓库、PDF），通过智能分块最小化token使用。

核心功能详解：

  • 精准文档搜索：搜索API、框架、服务、数据库、库的技术文档，找到最相关的部分
  • 智能分块：只返回需要的token，而不是整个页面（例如Figma API文档80k token，Ref只返回需要的200 token）
  • 深链接定位：返回文档页面的具体位置，方便验证AI给出的信息
  • 会话跟踪：在对话中避免重复搜索相同内容，每次搜索返回新的、未重复的结果
  • 回退工具：包含read_url和search_web工具，覆盖传统文档之外的搜索需求

实际使用场景：

  • 查询Figma API端点：ref_search_documentation 'Figma API post comment endpoint' 返回54 token的搜索结果，然后读取具体文档385 token
  • 复杂问题迭代搜索：AI自动优化搜索词，多轮搜索找到最准确的文档片段
  • 节省API成本：对于Claude Opus，避免每步浪费6000 token无关内容，11步的任务可以节省$1
  • 私有文档：摄取公司内部GitHub仓库或PDF文档，让AI访问私有知识库

为什么需要它： LLM在大量噪音上下文中表现更差，且token花费真金白银。Ref MCP通过精准检索，提升性能同时降低成本。

官方网站： https://ref.tools/
GitHub仓库： https://github.com/ref-tools/ref-tools-mcp

开发者评价： "告别翻文档，AI直接给你最准确的答案"

6. Sequential Thinking MCP ​

这是什么： Sequential Thinking MCP是一个思维辅助工具，它训练AI像资深工程师一样分解和解决复杂问题。不是直接给答案，而是引导你系统化地思考。

核心功能详解：

  • 问题分解：将复杂任务拆分成可管理的小步骤，每步都有明确的目标和验证方式
  • 结构化推理：按照"理解→分析→设计→实现→验证"的流程思考，避免遗漏关键环节
  • 架构设计辅助：帮助规划系统架构，考虑可扩展性、性能、安全性等多个维度
  • 调试策略：面对bug时，系统化地缩小问题范围，从最可能的原因开始排查
  • 决策记录：记录为什么做某个技术选型，方便后续回顾和团队交接

实际使用场景：

  • 设计复杂算法时，AI帮你列出需要考虑的边界条件、时间复杂度、空间复杂度
  • 排查难以复现的bug，AI引导你从日志、监控、代码逻辑等多角度分析
  • 做技术选型时，AI帮你列出评估标准：性能、社区活跃度、学习曲线、成本等
  • 重构大型模块前，AI协助制定安全的重构计划，分步骤实施，降低风险

为什么需要它： 编程不只是写代码，更重要的是思考。这个工具让AI成为你的思维教练，培养系统化解决问题的能力。

官方文档： https://github.com/sequentialread/sequential-thinking-mcp

社区评价： "像有了一个会思考的pair programmer"

🗄️ 二、数据库与数据管理 ​

7. PostgreSQL MCP ​

这是什么： PostgreSQL MCP让AI直接连接和操作PostgreSQL数据库，用自然语言进行数据查询、Schema管理和性能优化。相当于给AI配了一个DBA助手。

核心功能详解：

  • 自然语言查询：说"找出上个月注册的活跃用户"，AI自动生成正确的SQL查询
  • Schema管理：查看表结构、索引、外键关系，AI能理解数据库设计的意图
  • 数据迁移辅助：生成ALTER TABLE语句，帮助安全地修改数据库结构
  • 性能分析：执行EXPLAIN ANALYZE，解释查询计划，指出性能瓶颈
  • 数据验证：检查数据完整性、查找重复记录、识别孤儿数据

实际使用场景：

  • 探索陌生数据库时，问AI"这个表是干什么的"，AI会分析表名、字段名和关系给出解释
  • 优化慢查询时，AI分析执行计划，建议添加哪些索引，如何重写查询
  • 做数据清洗，AI帮你编写复杂的UPDATE和DELETE语句，并先在测试环境验证
  • 生成测试数据，AI根据表结构生成符合约束的模拟数据

为什么需要它： 数据库操作不再需要记住复杂的SQL语法，AI理解你的意图并生成最优查询。

官方文档： https://github.com/modelcontextprotocol/servers/tree/main/src/postgres

8. Supabase MCP ​

这是什么： Supabase MCP是开源Firebase替代方案的AI接口，提供数据库、认证、存储、实时订阅等全栈后端能力，让你用对话就能构建完整后端。

核心功能详解：

  • 数据库即服务：基于PostgreSQL，但提供更友好的API和实时功能
  • 认证系统：管理用户注册、登录、社交登录（Google、GitHub等），AI帮你配置认证流程
  • 实时订阅：监听数据库变化，AI帮你设置实时同步，无需写WebSocket代码
  • 存储管理：上传文件、生成CDN链接、设置访问权限，AI处理所有配置
  • Edge Functions：部署无服务器函数，AI帮你编写和部署业务逻辑

实际使用场景：

  • 快速原型开发：告诉AI"创建一个博客系统"，AI会创建posts表、设置权限、配置认证
  • 实时应用：开发聊天室时，AI配置实时订阅，自动处理消息同步
  • 用户管理：AI帮你实现"注册后发送验证邮件"的完整流程
  • 文件上传：AI生成上传图片到Supabase Storage的代码，包括压缩和CDN优化

为什么需要它： 几分钟内完成原本需要数天的后端搭建，专注于业务逻辑而非基础设施。

官方文档： https://supabase.com/docs/guides/getting-started/mcp

9. Neon MCP ​

这是什么： Neon MCP提供无服务器PostgreSQL能力，最大特色是"数据库分支"功能——像Git管理代码一样管理数据库，每个功能分支都有独立的数据库副本。

核心功能详解：

  • 数据库分支：为每个功能开发创建数据库分支，测试完成后合并，失败就丢弃
  • 即时创建与回滚：秒级创建新数据库实例，瞬间回滚到任意时间点
  • 自动扩缩容：根据负载自动调整资源，闲置时自动休眠，完全按使用付费
  • 零停机迁移：AI辅助进行Schema变更，不影响线上服务
  • 分离计算和存储：存储层独立，可以有多个计算层访问同一数据

实际使用场景：

  • 测试数据库迁移：创建一个分支，在上面测试ALTER TABLE，确认无误后应用到主库
  • 功能开发：每个开发者有自己的数据库分支，互不干扰，合并时才同步Schema
  • AB测试：为不同的实验组创建数据库分支，测试不同的数据模型
  • 快速回滚：部署后发现数据问题，一键回滚到部署前的数据状态

为什么需要它： 传统数据库迁移很危险，Neon的分支功能让你可以放心实验，大大降低数据库操作的风险。

官方文档： https://neon.com/docs/ai/neon-mcp-server

10. Memory MCP ​

这是什么： Memory MCP为AI提供图形化的长期记忆能力，存储实体、关系和上下文，让AI真正"记住"你的项目。不是简单的文本搜索，而是理解知识之间的关联。

核心功能详解：

  • 知识图谱存储：将代码库、文档、对话转化为实体和关系图
  • 智能关联：理解"UserService调用PaymentService"这样的关系，方便追溯调用链
  • 上下文持久化：跨对话保持项目上下文，下次对话时AI还记得你的项目结构
  • 语义检索：不是字符串匹配，而是理解概念相关性，找到真正相关的信息
  • 演化追踪：记录代码库的演化历史，理解为什么某个设计是这样的

实际使用场景：

  • 大型项目导航：问"支付功能相关的所有模块"，AI通过知识图谱找出所有相关代码
  • 新人入职：AI基于知识图谱生成项目架构介绍，解释各模块的职责和关系
  • 影响分析：修改一个API前，AI告诉你有哪些地方在调用它，避免breaking changes
  • 代码考古：AI能解释"为什么当初要这样设计"，基于历史对话和commit记录

为什么需要它： 对于有成千上万个文件的大型项目，传统的文本搜索已经不够用，需要AI真正"理解"代码库。

官方文档： https://github.com/jlowin/memory-mcp

社区推荐： "必备！让AI真正记住你的项目"

🌐 三、Web开发与自动化 ​

11. Playwright MCP ​

这是什么： Playwright MCP让AI控制真实浏览器进行自动化测试和网页操作。相比传统E2E测试工具，AI能理解页面内容并智能决策，而不只是执行预定义的脚本。

核心功能详解：

  • 跨浏览器测试：同时在Chromium、Firefox、WebKit上测试，AI自动处理浏览器差异
  • 智能等待：AI理解页面加载状态，自动等待元素出现、网络请求完成，无需手动设置超时
  • 视觉回归测试：截图对比，AI能识别关键的UI变化并忽略无关差异
  • 交互模拟：点击、输入、拖拽、滚动等操作，AI模拟真实用户行为
  • 网络拦截：监控和修改网络请求，测试各种网络条件和错误情况

实际使用场景：

  • 自动化测试：告诉AI"测试登录流程"，AI会打开浏览器、填表、点击按钮、验证结果
  • 爬虫开发：爬取需要JavaScript渲染的网站，AI处理分页、登录、验证码等复杂场景
  • 性能监控：AI定期访问网站，记录加载时间、资源消耗，生成性能报告
  • UI测试：AI对比不同版本的页面截图，高亮显示变化的部分

为什么需要它： 编写和维护E2E测试很繁琐，有了AI加持，只需描述测试场景，AI自动生成并执行测试。

官方文档： https://github.com/executeautomation/mcp-playwright

12. Puppeteer MCP ​

这是什么： Puppeteer MCP专注于Chrome/Chromium自动化，提供了比Playwright更底层的控制能力。适合需要精细控制浏览器行为的场景。

核心功能详解：

  • 无头浏览器：在服务器上运行Chrome，无需图形界面，节省资源
  • PDF生成：将网页转换为PDF，保持完美的布局和样式，支持自定义页眉页脚
  • 截图工具：全页面截图、元素截图、不同设备尺寸的截图
  • 性能追踪：使用Chrome DevTools Protocol记录详细的性能指标
  • 设备模拟：模拟手机、平板等不同设备，测试响应式设计

实际使用场景：

  • 自动生成报告PDF：从动态数据生成图表，渲染成网页，然后转换为PDF
  • 社交媒体预览图：自动生成Open Graph图片，用于分享链接时的预览
  • 监控竞品网站：定期截图保存，追踪竞争对手的产品和价格变化
  • 自动化表单填写：批量处理需要人工操作的网页表单

为什么需要它： 很多网页任务需要浏览器环境，Puppeteer让这些任务完全自动化，解放双手。

官方文档： https://github.com/puppeteer/puppeteer

13. Chrome DevTools MCP ​

这是什么： Chrome DevTools MCP让AI直接访问Chrome开发者工具的所有功能。等于把一个资深前端工程师的调试能力赋予了AI。

核心功能详解：

  • 实时调试：在运行的网页上设置断点、查看变量、修改代码，立即看到效果
  • 网络分析：监控所有HTTP请求，分析加载时间、失败原因、payload大小
  • 性能分析：记录页面渲染过程，找出性能瓶颈，如长任务、布局抖动
  • DOM检查：查看和修改DOM结构，测试不同的HTML和CSS
  • Console交互：在页面上下文中执行JavaScript，测试API调用

实际使用场景：

  • 调试前端bug：告诉AI"网页加载慢"，AI分析Network tab，发现某个资源加载超时
  • 性能优化：AI录制页面加载过程，指出"这个组件重渲染了5次，应该用React.memo优化"
  • 样式调试：AI检查元素的computed styles，找出为什么CSS不生效
  • API问题排查：AI查看XHR请求，发现返回的数据格式与预期不符

为什么需要它： 前端调试很繁琐，需要在多个面板间切换。AI可以综合分析所有信息，快速定位问题。

官方文档： https://github.com/ChromeDevTools/chrome-devtools-mcp

14. Figma MCP ​

这是什么： Figma MCP打通设计和开发的最后一公里，让AI能读取Figma设计稿并直接生成代码。设计师和开发者终于能用同一种语言交流了。

核心功能详解：

  • 设计稿读取：AI获取完整的设计信息：布局、颜色、字体、间距、组件层级
  • 组件提取：识别可复用的UI组件，生成对应的React/Vue组件代码
  • 设计令牌导出：提取颜色变量、间距系统、字体定义，生成CSS变量或JS常量
  • 响应式布局：分析不同尺寸的设计稿，生成适配代码
  • 资源导出：批量导出图标、图片，自动优化尺寸和格式

实际使用场景：

  • 快速原型实现：设计师完成Figma设计，AI生成90%的前端代码，开发者只需调整细节
  • 设计系统同步：设计令牌变更后，AI自动更新代码中的样式变量，保持一致性
  • 组件库开发：AI从Figma组件库生成Storybook文档和代码
  • 设计评审：AI对比新旧设计稿，列出所有变更点，防止遗漏

为什么需要它： 设计稿到代码的转换是最耗时的环节，AI自动化这个过程，让开发者专注于业务逻辑。

官方文档： https://mcp.figma.com/

15. shadcn MCP ​

这是什么： shadcn MCP是shadcn/ui官方提供的MCP服务器，让AI助手能够浏览、搜索和安装shadcn/ui组件库中的组件。支持多注册表（公共、私有、第三方）访问。

核心功能详解：

  • 自然语言安装：说"add a login form"或"Build a landing page using components"，AI自动选择和安装组件
  • 浏览组件：列出所有可用的components、blocks和templates
  • 跨注册表搜索：在shadcn/ui官方注册表、公司私有库、第三方注册表中查找组件
  • 多注册表支持：通过components.json配置访问私有或第三方组件源
  • 项目集成：AI理解项目配置，自动处理依赖和安装路径

实际使用场景：

  • 快速原型：告诉AI"创建一个带有card、button和dialog的仪表板"，AI从shadcn注册表获取并安装组件
  • 私有组件库：配置公司内部的shadcn组件注册表，AI访问企业专有设计系统
  • 多框架支持：虽然官方服务器针对React，社区扩展支持Svelte、Vue、React Native
  • 代码生成：AI不仅安装组件，还能生成使用这些组件的完整页面代码

为什么需要它： shadcn/ui是最流行的React组件库之一（无头、可定制、美观），MCP让AI能直接与组件注册表交互，而不是依赖过时的训练数据。

官方文档： https://ui.shadcn.com/docs/mcp
社区GitHub： https://github.com/shadcn-ui (主项目) / 多个社区MCP实现

社区评价： "前端开发必备，配合Figma MCP更强大"

🔍 四、搜索与研究 ​

16. Perplexity MCP ​

这是什么： Perplexity MCP接入Perplexity AI的搜索能力，提供带引用来源的实时搜索。不同于普通搜索引擎返回链接列表，它直接给出答案并标注信息来源。

核心功能详解：

  • AI驱动搜索：理解搜索意图，不是简单的关键词匹配，而是语义理解
  • 实时信息检索：获取最新的技术文档、新闻、API更新，突破AI知识截止日期限制
  • 源引用系统：每个答案都标注信息来源，方便验证和深入阅读
  • 深度研究模式：对复杂问题进行多轮搜索和综合分析，生成研究报告
  • 专业搜索：针对学术论文、代码示例、技术文档等不同类型内容优化

实际使用场景：

  • 学习新技术：问"Next.js 14有什么新特性"，AI搜索最新文档并总结关键变化
  • 调试第三方库：遇到报错时，AI搜索Stack Overflow和GitHub issues，找到解决方案
  • 市场调研：AI搜索多个来源，综合分析某个技术的采用率、优缺点、替代方案
  • API文档查询：即使文档网站改版，AI也能找到最新的API使用方法

为什么需要它： AI训练数据有截止日期，Perplexity让AI能获取最新信息，保持知识的时效性。

官方文档： https://github.com/perplexityai/modelcontextprotocol

17. Brave Search MCP ​

这是什么： Brave Search MCP提供隐私优先的搜索能力，不追踪用户数据。适合需要保护搜索隐私或寻找未被过滤内容的场景。

核心功能详解：

  • 零追踪搜索：完全匿名，不记录搜索历史和用户画像
  • 独立索引：使用Brave自己的索引，不依赖Google，结果更多样化
  • 即时答案：对常见问题直接显示答案，无需点击链接
  • 本地搜索：支持地理位置相关的搜索，找附近的服务和商家
  • 灵活过滤：按时间、地区、内容类型筛选搜索结果

实际使用场景：

  • 技术文档搜索：查找官方文档、教程、代码示例，避免被SEO内容干扰
  • 敏感项目调研：公司内部项目不想留下搜索记录，使用隐私搜索
  • 冷门技术查询：Google可能过滤掉的小众技术，在Brave能找到
  • API调用成本：Brave提供免费tier（2000次/月），适合个人项目

为什么需要它： 隐私保护和搜索质量并重，而且对个人开发者免费，降低了接入成本。

官方文档： https://github.com/modelcontextprotocol/servers/tree/main/src/brave-search

18. DuckDuckGo MCP ​

这是什么： DuckDuckGo MCP是最容易上手的搜索工具——完全免费，无需API密钥，开箱即用。牺牲一些高级功能换取极致的便利性。

核心功能详解：

  • 即装即用：无需注册账号或申请API密钥，配置后立即可用
  • 隐私搜索：DuckDuckGo的核心理念就是隐私，不追踪任何用户数据
  • 即时答案：对于常识问题、计算、单位转换等提供快速答案
  • 新闻搜索：快速查找最新新闻和事件
  • 简洁结果：返回的信息精简，适合快速查询

实际使用场景：

  • 快速验证：开发中遇到语法问题，快速搜索确认正确用法
  • 概念解释：新人入职时询问专业术语，AI通过搜索给出通俗解释
  • 工具对比："Redis vs Memcached"，AI搜索并总结对比
  • 免费原型开发：个人项目不想付费，使用DuckDuckGo实现搜索功能

为什么需要它： 零门槛、零成本，是测试和学习MCP的最佳起点，也适合非商业项目。

官方文档： https://github.com/ddg-mcp/duckduckgo-mcp

程序员推荐： "不需要API密钥，开箱即用"

💼 五、团队协作与项目管理 ​

19. Slack MCP ​

这是什么： Slack MCP让AI成为你的团队沟通助手，自动处理消息、通知、文件共享等日常沟通任务。AI不仅能读取消息，还能主动发送和管理频道。

核心功能详解：

  • 消息自动化：根据代码事件（如部署成功、测试失败）自动发送Slack通知
  • 频道管理：创建频道、添加成员、设置话题和描述
  • 文件共享：上传代码片段、日志文件、截图到Slack，方便团队讨论
  • 搜索历史：在海量聊天记录中快速找到关键信息和决策记录
  • 工作流触发：通过Slack命令触发CI/CD、部署、数据库查询等操作

实际使用场景：

  • CI/CD通知：代码合并后，AI自动在Slack发布部署状态，@相关人员
  • Bug报告自动化：用户报告问题时，AI在Slack创建讨论，同时在GitHub创建Issue
  • 团队答疑机器人：新人问"如何配置开发环境"，AI从历史消息中找到标准答案
  • 会议总结：AI读取会议频道的讨论，生成action items并分配任务

官方文档： https://github.com/modelcontextprotocol/servers/tree/main/src/slack

20. Linear MCP ​

这是什么： Linear MCP连接现代项目管理工具Linear，让AI帮你管理Issue、规划Sprint、追踪进度。Linear以速度和简洁著称，MCP让它更加高效。

核心功能详解：

  • Issue快速创建：从bug描述、用户反馈、代码注释自动创建结构化的Issue
  • 智能分配：根据团队成员的技能和当前工作量，AI建议合适的负责人
  • 进度追踪：查询某个功能的开发进度，AI汇总所有相关Issue的状态
  • Sprint规划：AI分析Issue的优先级和依赖关系，建议合理的Sprint计划
  • 自动化工作流：代码合并后自动更新Issue状态，保持Linear和GitHub同步

实际使用场景：

  • 敏捷开发：每日站会前，AI生成团队昨天的进度报告和今日计划
  • Bug分类：AI读取bug报告，自动打上标签（frontend/backend/urgent）并分配优先级
  • 技术债务管理：AI识别代码中的TODO注释，在Linear创建技术债务Issue
  • 发布规划：AI列出下个版本需要完成的所有Issue，评估是否能按时发布

官方文档： https://linear.app/docs/mcp

21. Jira MCP ​

这是什么： Jira MCP连接企业级项目管理工具Jira，让AI处理复杂的工作流、看板和报告。特别适合大型团队和遵循正规敏捷流程的组织。

核心功能详解：

  • Issue全生命周期：创建、更新、转移Issue状态，从Backlog到Done的完整流程
  • 复杂工作流：处理多阶段审批、跨团队协作等复杂场景
  • Sprint管理：规划Sprint、分配Story Points、跟踪燃尽图
  • 报表生成：速度图(Velocity)、累积流图(CFD)、周期时间等敏捷指标
  • 权限管理：根据不同角色（开发、测试、PO）设置访问权限

实际使用场景：

  • 大型项目跟踪：AI汇总多个子项目的进度，生成高层管理报告
  • 跨团队协作：前端团队完成后，AI自动将Issue移交给后端团队
  • 质量保证：测试团队发现bug，AI创建关联到相应Story的Bug Issue
  • 发布管理：AI列出待发布的所有Issue，检查是否都通过测试

官方文档： https://github.com/jira-mcp/jira-server

22. Notion MCP ​

这是什么： Notion MCP让AI操作Notion的页面和数据库，打造智能知识库。Notion的灵活性加上AI的智能，知识管理变得轻而易举。

核心功能详解：

  • 页面CRUD：创建、读取、更新Notion页面，AI理解Notion的块结构
  • 数据库操作：查询、过滤、排序Notion数据库，就像操作电子表格
  • 模板应用：根据场景自动应用合适的模板（会议纪要、项目规划等）
  • 关联建立：在不同页面间建立双向链接，构建知识网络
  • 批量操作：批量更新属性、移动页面、整理归档

实际使用场景：

  • 会议纪要自动化：会议结束后，AI从录音生成纪要并保存到Notion
  • 项目文档生成：新项目开始时，AI自动创建项目wiki、技术方案、任务列表
  • 知识检索：在大型Notion workspace中搜索相关信息，AI理解上下文给出最相关结果
  • 定期报告：每周五AI从Notion数据库提取本周完成的任务，生成周报

官方文档： https://developers.notion.com/docs/mcp

23. Asana MCP ​

这是什么： Asana MCP连接Asana任务管理平台，适合注重清晰度和执行力的团队。比Jira轻量，比Trello强大，找到了复杂度和易用性的平衡点。

核心功能详解：

  • 任务层级：管理任务、子任务、里程碑，AI理解任务间的依赖关系
  • 项目视图切换：在列表、看板、时间线、日历视图间切换，不同视角看进度
  • 自动化规则：设置触发器（如任务完成后自动创建下一个任务）
  • 工作负载平衡：AI分析团队成员的任务量，建议重新分配以平衡工作负载
  • 自定义字段：添加优先级、预估时间、标签等字段，丰富任务信息

实际使用场景：

  • 产品路线图：AI从产品backlog创建季度路线图，设置里程碑
  • 资源规划：AI查看团队的任务分配，发现某人过载，建议重新分配
  • 跨职能协作：设计完成后，AI自动通知开发团队并创建开发任务
  • 回顾总结：Sprint结束后，AI统计完成率、延期任务，生成复盘报告

官方文档： https://developers.asana.com/docs/mcp

☁️ 六、云服务与部署 ​

24. Vercel MCP ​

这是什么： Vercel MCP让AI管理你的Vercel部署，从项目配置到环境变量，从部署日志到性能监控，一切都能通过对话完成。

核心功能详解：

  • 一键部署：AI读取你的代码，配置构建设置，自动部署到Vercel
  • 环境管理：添加、修改环境变量，区分开发、预览、生产环境
  • 部署诊断：部署失败时，AI分析日志，指出具体错误和修复建议
  • 性能监控：查看每次部署的性能指标，AI给出优化建议
  • 文档集成：搜索Vercel官方文档，快速找到配置方法

实际使用场景：

  • 快速迭代：修改代码后，告诉AI"部署到预览环境"，几秒钟后有预览链接
  • 环境配置：AI帮你配置API密钥、数据库连接等环境变量，避免手动输入错误
  • 问题排查：部署后网站500错误，AI查看日志发现是环境变量缺失
  • A/B测试：为不同的实验组部署不同版本，AI管理多个deployment

官方文档： https://mcp.vercel.com/

25. EdgeOne Pages MCP ​

这是什么： EdgeOne Pages MCP是腾讯云EdgeOne提供的部署服务，让AI助手能够将HTML内容、文件夹或全栈项目部署到EdgeOne Pages，并获得公开访问的URL。特别适合中国市场和亚洲用户。

核心功能详解：

  • 一键部署：通过AI对话，将HTML、文件夹或ZIP包部署到EdgeOne Pages，秒级生成公开链接
  • 无需登录模式：deploy_html工具无需API token，直接部署HTML内容并获取公开URL
  • 全栈项目支持：deploy_folder工具支持Next.js等全栈框架，完整项目一键部署
  • 边缘函数集成：支持EdgeOne Pages Functions（类似Cloudflare Workers），在边缘运行代码
  • KV存储：集成边缘KV存储，实现数据持久化

实际使用场景：

  • AI生成网页快速分享：AI生成一个HTML页面后，立即部署并获得可分享的链接，无需手动操作
  • 全栈应用部署：开发完Next.js应用后，AI部署到EdgeOne Pages，支持SSR和API路由
  • 中国市场加速：利用EdgeOne在中国的3200+边缘节点，为国内用户提供极速访问
  • 临时演示页面：快速创建产品演示或营销页面，自动分配公开URL

为什么需要它： 国外CDN在中国访问慢，EdgeOne是腾讯云的边缘网络，在亚洲特别是中国市场有显著性能优势。MCP让部署完全自动化。

官方文档： https://edgeone.ai/document/173173997276819456
GitHub仓库： https://github.com/TencentEdgeOne/edgeone-pages-mcp

适合人群： 服务中国/亚洲用户的开发者

26. Cloudflare MCP ​

这是什么： Cloudflare MCP让AI管理Cloudflare的边缘网络服务，从Workers部署到DNS配置，从CDN优化到安全防护。全球300+城市的边缘节点，尽在掌控。

核心功能详解：

  • Workers部署：用AI编写和部署边缘函数，在全球边缘节点运行代码
  • DNS管理：添加、修改DNS记录，AI帮你处理A、CNAME、MX等各种类型
  • CDN配置：设置缓存规则、页面规则，优化静态资源加载速度
  • 安全防护：配置WAF规则、DDoS防护、Bot管理，保护网站安全
  • Analytics分析：查看流量统计、请求分布、缓存命中率等指标

实际使用场景：

  • 边缘计算：AI编写Workers脚本，在边缘处理API请求，降低延迟
  • 全球加速：AI分析流量模式，优化CDN配置，提升不同地区的访问速度
  • 安全事件响应：发现攻击时，AI快速更新WAF规则，阻止恶意请求
  • 多环境管理：为开发、测试、生产配置不同的DNS记录和Workers路由

官方文档： https://developers.cloudflare.com/workers/

27. Netlify MCP ​

这是什么： Netlify MCP专注于Jamstack应用部署，提供静态站点托管、无服务器函数、表单处理等全套服务。对于静态网站和SSG应用，比传统服务器简单十倍。

核心功能详解：

  • Git集成部署：连接GitHub仓库，代码push后自动构建部署
  • 无服务器函数：部署API端点，无需管理服务器，按需执行
  • 表单处理：无需后端代码就能处理表单提交，自动防垃圾
  • A/B测试：按百分比分流到不同版本，测试新功能效果
  • 访问控制：设置密码保护、JWT认证，控制谁能访问网站

实际使用场景：

  • 文档网站：AI管理文档站点的部署，PR预览让审查更直观
  • 营销活动：快速部署落地页，AI配置表单收集用户信息
  • 项目演示：为每个feature branch生成预览链接，方便展示给客户
  • 渐进式发布：新版本先给10%用户，AI监控错误率，决定是否全量发布

官方文档： https://netlify-mcp.netlify.app/

💳 七、支付与API工具 ​

28. Stripe MCP ​

这是什么： Stripe MCP让AI处理支付业务逻辑，从创建产品、管理订阅到分析收入，所有金融操作都能用自然语言完成。

核心功能详解：

  • 产品和价格管理：创建商品、设置价格、配置订阅计划（月付/年付）
  • 客户生命周期：管理客户信息、订阅状态、支付历史
  • 支付处理：创建支付链接、处理一次性支付、设置自动扣款
  • 账单管理：查看发票、发送收据、处理退款
  • 财务分析：统计收入、MRR（月度经常性收入）、流失率等关键指标

实际使用场景：

  • SaaS定价测试：快速创建新的定价方案，测试不同价格点的转化率
  • 客户服务：客户投诉扣款问题，AI查询交易记录，说明扣款明细
  • 财务报表：月底生成收入报告，AI分析收入来源和增长趋势
  • 订阅迁移：客户升级套餐，AI计算按比例退款并创建新订阅

官方文档： https://mcp.stripe.com

29. Replicate MCP ​

这是什么： Replicate MCP让AI调用其他AI模型，实现"AI套娃"。需要图像生成、音频处理、视频分析？通过Replicate调用专业模型，几行代码搞定。

核心功能详解：

  • 模型市场：访问数千个预训练模型，涵盖图像、音频、文本、3D等领域
  • 按需计算：无需自己购买GPU，按使用量付费，用多少付多少
  • 一键部署：将自己的模型部署到Replicate，获得API端点
  • 版本管理：模型更新时，AI自动使用最新版本或指定历史版本
  • 批处理：批量处理图片、视频，AI管理队列和并发

实际使用场景：

  • 内容生成：博客需要配图，AI调用FLUX模型生成符合文章主题的插图
  • 图片处理：批量放大用户上传的头像，使用超分辨率模型提升清晰度
  • 语音合成：将文档转换为播客，AI调用TTS模型生成自然的语音
  • 视频分析：分析视频内容，提取关键帧，生成字幕和摘要

官方文档： https://replicate.com/docs/reference/mcp

30. Apidog MCP ​

这是什么： Apidog MCP让AI参与API的完整生命周期管理——设计、测试、文档、SDK生成。不再需要分别使用Postman、Swagger等多个工具，一站式解决API开发所有问题。

核心功能详解：

  • API设计：用自然语言描述API需求，AI生成OpenAPI规范和接口定义
  • 自动测试：AI根据API规范生成测试用例，覆盖正常场景和边界情况
  • SDK生成：一键生成多语言SDK（JavaScript、Python、Java等），保持与API同步
  • 文档生成：自动生成美观的API文档，包含示例代码和参数说明
  • Mock服务：基于API定义自动生成Mock数据，前后端并行开发

实际使用场景：

  • API first开发：项目开始时，AI帮助设计RESTful API规范，生成文档和Mock服务
  • 接口测试：AI编写测试脚本，自动化测试API的各种情况，回归测试一键运行
  • 客户端SDK：后端API更新后，AI自动生成新版本SDK，通知前端团队
  • API文档：代码变更后，AI自动更新文档，保持文档与实现同步

为什么需要它： API开发涉及多个环节，Apidog MCP让AI统一管理，减少工具切换，提高协作效率。

官方文档： https://apidog.com/mcp

开发者评价： "让API开发变得简单"

🔐 八、代码质量与安全 ​

31. Semgrep MCP ​

这是什么： Semgrep MCP是代码安全扫描工具，AI用它检查代码中的安全漏洞、代码异味和违反最佳实践的地方。比传统linter更智能，理解代码语义。

核心功能详解：

  • 安全漏洞检测：SQL注入、XSS、CSRF、不安全的反序列化等常见漏洞
  • 代码质量检查：发现性能问题、代码重复、过于复杂的函数
  • 自定义规则：为你的项目编写专属的代码规范检查规则
  • 多语言支持：支持30+种编程语言，统一的规则语法
  • 增量扫描：只检查变更的代码，CI/CD中快速完成扫描

实际使用场景：

  • PR审查：提交PR后，AI自动运行Semgrep，在代码评论中指出安全问题
  • 重构辅助：重构前扫描潜在问题，重构后验证没有引入新bug
  • 安全审计：定期全量扫描代码库，生成安全报告供管理层审阅
  • 代码标准化：新人提交代码后，AI检查是否符合团队编码规范

官方文档： https://semgrep.dev/docs/mcp

32. Sentry MCP ​

这是什么： Sentry MCP让AI成为你的生产环境守护神，实时监控错误和性能问题。当用户遇到bug时，AI在你发现之前就已经开始分析和修复了。

核心功能详解：

  • 错误追踪：捕获前端和后端的所有异常，AI分析堆栈跟踪定位问题代码
  • 性能监控：记录API响应时间、数据库查询、页面加载，AI发现性能瓶颈
  • Issue管理：相似错误自动分组，AI判断哪些是新bug，哪些是已知问题
  • 发布追踪：关联错误到具体的代码版本，AI识别某次发布引入的新问题
  • 用户影响分析：统计有多少用户受影响，AI评估bug的优先级

实际使用场景：

  • 主动发现bug：生产环境出现异常，AI立即通知Slack，附带错误详情和可能的原因
  • 性能优化：AI发现某个API慢查询，分析日志，建议添加数据库索引
  • 发布验证：新版本上线后，AI监控错误率变化，发现问题立即回滚
  • Bug分类：AI根据错误频率和影响用户数，自动设置优先级，帮助团队决定先修哪个

为什么需要它： 不能等用户投诉才知道有bug，Sentry MCP让AI主动监控，第一时间发现和解决问题。

官方文档： https://docs.sentry.io/platforms/

📊 九、数据分析与可视化 ​

33. Jupyter MCP ​

这是什么： Jupyter MCP让AI操作Jupyter Notebook，执行代码、生成图表、进行数据分析。数据科学家的AI助手，理解数据分析的完整流程。

核心功能详解：

  • 代码执行：在Notebook中运行Python代码，实时看到输出和可视化结果
  • 数据探索：加载数据集，AI自动进行EDA（探索性数据分析），生成统计摘要和可视化
  • 实验管理：记录不同参数的实验结果，对比模型性能
  • 图表生成：用Matplotlib、Seaborn生成专业图表，AI选择合适的可视化类型
  • Markdown文档：在代码间插入解释性文字，生成可读性强的分析报告

实际使用场景：

  • 数据清洗：AI检测数据集中的缺失值、异常值，建议清洗策略并执行
  • A/B测试分析：导入实验数据，AI进行统计检验，判断结果是否显著
  • 模型训练：AI尝试不同的特征工程和模型参数，记录每次实验的结果
  • 报告生成：分析完成后，AI整理Notebook为PDF或HTML报告

官方文档： https://github.com/jupyter-mcp/jupyter-server

34. Google Sheets MCP ​

这是什么： Google Sheets MCP让AI操作电子表格，实现数据管理、分析和可视化。相比Excel，Google Sheets在协作和云端访问上更有优势，结合AI更是如虎添翼。

核心功能详解：

  • 数据读写：读取和更新单元格、行、列，AI理解表格结构
  • 批量操作：一次性处理大量数据，如批量更新、数据清洗、格式化
  • 公式计算：AI编写复杂的VLOOKUP、QUERY、ARRAYFORMULA等公式
  • 图表生成：根据数据自动选择合适的图表类型，生成可视化
  • 协作共享：设置共享权限，AI管理谁可以查看或编辑

实际使用场景：

  • 数据收集：AI定期从API拉取数据，更新到Google Sheets，团队实时查看
  • 报表生成：月度运营数据，AI自动汇总统计，生成图表和趋势分析
  • 表单处理：Google Forms收集的数据，AI清洗、分类、提取关键信息
  • 协作报告：AI在Sheets中准备财务报告，团队成员协作审阅和修改

为什么需要它： 电子表格是最普及的数据工具，让AI能操作Sheets，很多数据任务就能自动化了。

官方文档： https://developers.google.com/sheets

🛠️ 十、开发工具与框架 ​

35. MCP SDK (TypeScript) ​

核心功能：

  • 快速构建MCP服务器
  • 类型安全
  • 标准化接口
  • 丰富的示例

适用场景： 自定义MCP开发、企业工具集成

官方文档： https://github.com/anthropic/mcp/tree/main/typescript

36. MCP SDK (Python) ​

核心功能：

  • Python MCP服务器开发
  • 异步支持
  • 简洁API
  • FastMCP框架

适用场景： 数据科学工具、自动化脚本、后端集成

官方文档： https://github.com/anthropic/mcp/tree/main/python

🎮 十一、其他热门工具 ​

37. Blender MCP ​

核心功能：

  • 3D建模控制
  • 场景管理
  • 渲染操作
  • 动画制作

适用场景： 3D设计、动画制作、游戏开发

官方文档： https://github.com/blender-mcp/blender-server

38. Unity MCP ​

核心功能：

  • 游戏引擎控制
  • 场景编辑
  • 资源管理
  • 脚本生成

适用场景： 游戏开发、3D应用、VR/AR

官方文档： https://github.com/CoderGamester/mcp-unity

39. Buildkite MCP ​

核心功能：

  • CI/CD管理
  • 构建触发
  • 失败诊断
  • 队列监控

适用场景： 持续集成、自动化部署、构建管理

官方文档： https://github.com/buildkite/buildkite-mcp-server

💡 如何选择合适的MCP工具？ ​

根据开发角色选择： ​

前端开发者：

  • Chrome DevTools、Figma、Vercel、Playwright

后端开发者：

  • PostgreSQL、Docker、GitHub、Semgrep

全栈开发者：

  • 上述全部 + Stripe、Replicate、Apidog

DevOps工程师：

  • Docker、Cloudflare、Buildkite、Sentry

数据科学家：

  • Jupyter、PostgreSQL、Memory MCP、Google Sheets

🚀 快速开始指南 ​

1. 选择你的AI工具 ​

支持MCP的主流工具：

  • Claude Desktop - 桌面应用
  • Claude Code - 命令行工具
  • Cursor - AI编辑器
  • VS Code + GitHub Copilot - 编辑器插件
  • Windsurf - AI IDE
  • Cline - VS Code扩展

2. 安装MCP服务器 ​

大多数MCP服务器支持以下方式安装：

方式一：NPM包（推荐）

npx mcp-package-name

方式二：远程托管 直接连接到官方托管的MCP服务器URL

方式三：本地开发 克隆仓库并在本地运行

3. 配置连接 ​

根据你使用的AI工具，配置对应的MCP服务器连接。通常需要在配置文件中添加服务器信息和必要的API密钥。

4. 开始使用 ​

通过自然语言与AI助手交互，AI会自动调用相应的MCP工具完成任务。

📈 MCP使用最佳实践 ​

1. 安全第一 ​

  • 妥善管理API密钥
  • 使用环境变量存储敏感信息
  • 定期轮换凭证
  • 只授予必要的权限

2. 组合使用 ​

不要只用单个工具，多个MCP组合能解决更复杂的问题：

  • GitHub + Semgrep + Buildkite = 完整CI/CD
  • Figma + Chrome DevTools + Vercel = 前端开发流程
  • PostgreSQL + Memory MCP + Jupyter = 数据分析工作流

3. 自定义开发 ​

  • 使用MCP SDK开发专属工具
  • 将内部系统接入MCP生态
  • 参与社区贡献

4. 持续学习 ​

  • 关注MCP社区动态
  • 尝试新发布的工具
  • 分享使用经验

🎯 实战场景示例 ​

场景1：全栈应用开发 ​

1. 使用Figma MCP获取设计
2. 用Chrome DevTools MCP调试前端
3. 通过PostgreSQL MCP管理数据库
4. 用GitHub MCP提交代码
5. 用Vercel MCP部署应用
6. 用Sentry MCP监控错误

场景2：数据分析项目 ​

1. 用PostgreSQL MCP查询数据
2. 用Jupyter MCP进行分析
3. 用Memory MCP存储insights
4. 用Slack MCP分享结果

场景3：API开发与测试 ​

1. 用Apidog MCP设计API
2. 用GitHub MCP管理代码
3. 用Semgrep MCP检查安全
4. 用Docker MCP容器化
5. 用Cloudflare MCP部署

🌟 社区推荐的隐藏宝石 ​

基于Reddit和开发者社区的反馈，以下是一些容易被忽视但非常实用的MCP工具：

  1. Sequential Thinking MCP - "改变了我的调试方式"
  2. Memory MCP - "大型项目必备"
  3. DuckDuckGo MCP - "免费且隐私友好"
  4. Apidog MCP - "API开发效率提升10倍"
  5. Buildkite MCP - "CI/CD变得简单"

📚 学习资源 ​

官方资源 ​

服务器目录 ​

开发工具 ​

社区 ​

🔮 未来展望 ​

MCP生态系统正在快速发展：

  1. 更多企业级工具 - AWS、Azure、GCP等云服务商正在推出MCP支持
  2. 更好的安全性 - 细粒度权限控制和企业级认证
  3. 多租户支持 - SaaS产品的MCP集成
  4. 可视化工具 - GUI配置和管理界面
  5. 性能优化 - 更快的响应速度和更低的延迟

总结 ​

MCP正在重新定义AI与开发工具的交互方式。这30+个工具覆盖了从开发到部署、从协作到监控的完整开发链路。

关键要点：

  • ✅ MCP让AI从对话工具变成生产力工具
  • ✅ 组合使用多个MCP获得最佳效果
  • ✅ 优先使用官方或社区验证的工具
  • ✅ 注意安全和权限管理
  • ✅ 持续关注生态发展

行动建议：

  1. 从3-5个核心工具开始
  2. 在实际项目中测试效果
  3. 根据需求逐步扩展
  4. 分享经验帮助社区

MCP不仅仅是一个协议，它代表着AI辅助开发的未来。现在就是开始探索的最佳时机！

📚 相关文章

💬 评论

以 VitePress 驱动，部署于 GitHub Pages

© 2020-2026 范伟彬