所以今天，讓我們深入研究一下實作方法。
以下是我們將要做的事情：
- 用一個簡單的類比來理解MCP。
- 建置本機 MCP 伺服器並透過 Cursor IDE 與其互動。
- 整合Firecrawl 的 MCP 伺服器並與其工具進行互動（如上面的影片所示）。
讓我們開始吧！
但首先，讓我們使用翻譯類比來理解 MCP。
MCP 類比
想像一下你只懂英文。
從只知道以下資訊的人那裡獲取資訊：
- 法國人，你一定要學法文。
- 德語，你一定要學德語。
- 等等。
即使學習 5 種語言對你來說也是一場惡夢！
但是，如果您添加一個能夠理解所有語言的翻譯器會怎麼樣？
- 你和翻譯交談。
- 它推斷出您想要的資訊。
- 它會選擇與之交談的人。
- 它會給你答案。
該翻譯器就像一個 MCP！
它讓您（代理商）透過單一介面與其他人（工具）交談。
在代理環境中，整合工具/API 需要閱讀文件、編寫程式碼－類似於學習語言。
為了簡化這一點，平台現在提供 MCP 伺服器。開發人員可以插入它們，代理可以立即使用他們的工具/API。
代理使用方法如下：
- 代理意識到它需要更多資訊。
- 它聯絡 MCP 伺服器，返回相關工具 + 預期輸入。
- 代理準備函數呼叫。
- MCP 伺服器運行它並返回輸出。
- 代理使用輸出。
接下來我們來搭建一個MCP伺服器吧！
啟動 MCP 伺服器
首先，我們定義一個具有主機 URL 和連接埠的 MCP 伺服器。
定義工具
透過 MCP 伺服器公開的工具有兩個要求：
- 它必須用“工具”裝飾器來裝飾。
- 它必須有一個清晰的文檔字串。
透過我們的 MCP 伺服器，我們想要公開一個工具來計算字串中的「r」的數量。
這是此工具的程式碼
將 MCP 伺服器與 Cursor 集成
在這種情況下，Cursor 是一個 MCP 主機/客戶端，它將使用 MCP 伺服器公開的工具。
若要整合 MCP 伺服器，請前往設定 → MCP → 新增的全域 MCP 伺服器。
在 JSON 檔案中，加入如下所示的內容
完畢！您的本地 MCP 伺服器已上線並連接至 Cursor！
檢查一下
接下來我們來與MCP伺服器進行互動。
如下面的影片所示，當被要求數出草莓中「r」的數量時：
- 它識別了 MCP 工具。
- 準備好輸入參數。
- 調用該工具。
- 使用該工具的輸出來產生響應。
讓我們透過整合Firecrawl 的 MCP 伺服器來利用抓取工具，使其更加實用和現實。
為此，請前往設定 → MCP → 新增的全域 MCP 伺服器。
在 JSON 檔案中，加入如下所示的內容
完成後，您將發現您的代理程式可以使用 Firecrawl 的 MCP 伺服器公開的所有工具！
請注意，我們沒有編寫一行 Python 程式碼來整合 Firecrawl 的工具。相反，我們只是整合了 MCP 伺服器。
接下來我們來與這個MCP伺服器進行互動。
如影片所示，當被要求列出我的部落格中列出的 CrewAI 工具的導入時：
- 它識別了 MCP 工具（刮刀）。
- 準備好輸入參數。
- 調用抓取工具。
- 使用該工具的輸出來產生響應。
這很簡單，不是嗎？
交給你：你認為 MCP 比傳統 API 設定更強大嗎？
感謝大家閱讀 ，希望繼續支持本 Salon William！
