MCP接入（按需）：什么时候才真需要MCP，怎么接现成server

新手一听"MCP"，第一反应往往是：这是高级功能，得装上才算用好 Claude Code。于是打开 GitHub，搜 awesome-mcp-servers，把看起来有用的都塞进配置文件，然后发现 Claude Code 变慢了、响应时间长了、有时候还莫名其妙绕远路。

问题不在 MCP 本身，在于用错了场景。

MCP 是连接外部系统的标准协议，不是 Claude Code 的"必装增强包"。大多数日常编程任务，你完全不需要它。这篇的核心就是教你辨别那条线：什么时候该上 MCP，什么时候别碰它。

---

MCP 是什么

MCP（Model Context Protocol）是让 AI 工具连接外部系统的标准协议。

原理很直接：Claude Code 默认只能读写你本地的文件、执行本地命令。如果你想让它读数据库里的数据、调用某个 SaaS 的 API、拿到你公司内网服务的内容，就需要一个"桥"。MCP 就是这个桥的标准。

它的工作方式是这样的：

1. 你启动一个 MCP server（一个独立进程，可以是你自己写的，也可以是别人开源的）
2. 这个 server 暴露一组"工具"（tools），比如"查询数据库"、"搜索 Confluence 页面"、"调用 GitHub API"
3. Claude Code 启动时读取你的 MCP 配置，知道有哪些 server 可用
4. 当 AI 认为需要用某个工具时，它会调用对应的 MCP server，拿回结果，再继续推理

详细的概念解释可以看 MCP 是什么、什么时候才该上，这篇更聚焦在"怎么接"和"什么时候接"。

---

什么时候才真需要 MCP

有一个简单的判断标准：你需要 AI 读写你本地文件系统和代码之外的数据，才需要 MCP。

以下场景，MCP 是真的有用：

场景	为什么需要 MCP
让 AI 直接查你的 PostgreSQL 数据库，帮你写 SQL 或排查数据问题	数据在数据库里，Claude Code 本身触达不到
让 AI 搜索你公司的 Notion / Confluence 知识库	数据在 SaaS 平台，需要 API 认证才能访问
让 AI 操作 GitHub Issues、PR，帮你做代码审查流	需要 GitHub REST API，本地没有这些数据
让 AI 调用内部微服务 API，帮你调试接口联调问题	内部 API 需要认证，Claude Code 自己发不了这个请求

以下场景，你不需要 MCP：

• 改代码、写功能、跑测试——这些 Claude Code 直接操作本地文件就够了
• 用常见命令行工具（grep、curl 公开 API 等）——直接在对话里让 AI 执行命令
• 复用自定义工作流、快捷指令——这是 Skills 的场景，不是 MCP
• 学习和理解代码、生成文档——纯文本任务，不需要连接外部系统

一句话判断："AI 需要读写我本地没有的外部数据" → 考虑 MCP；其他情况先用 Skills 或直接对话。

---

为什么别一上来就堆 MCP

这是新手最常见的误操作，值得单独说清楚。

原因一：每个 MCP server 都占上下文窗口。

Claude Code 每次启动，会把所有已注册的 MCP server 暴露的工具定义（工具名称、参数说明、描述文本）全部加载进上下文。你装了 5 个 server，每个 server 有 10 个工具，加起来几十条工具描述，少则几千 token，多则上万 token——这些 token 还没干任何事，就已经被"开场白"吃掉了。

可用的上下文变少了，AI 能"看到"你代码的范围就变窄了，长对话越往后越容易出现"忘了之前做了什么"的问题。

原因二：AI 会被额外工具分心。

工具越多，AI 每次推理时需要"决策"是否使用某个工具的开销越大。有时候它会莫名其妙地调用一个你根本没想用的 MCP 工具，绕了一大圈，结果还不如直接回答。这不是 bug，是工具列表太长导致的推理质量下降。

原因三：没用到的连接是纯负担。

你装了 GitHub MCP server，但今天只是在调 CSS 样式——那个 server 的工具定义仍然占着 token，而且 server 进程还在后台跑着，占内存和端口。

正确的使用姿势：按项目配置，按需启用。 项目 A 需要查数据库，就在项目 A 的配置里加数据库 MCP；项目 B 是纯前端，什么都不加。关于如何做好 Skills 和 MCP 的调度决策，可以对照看 3.8 的判断表。

---

怎么接一个现成 MCP server

以接入官方的 Filesystem MCP server（允许 AI 在指定路径读写文件，适合需要跨项目操作文件的场景）为例，演示完整配置流程。

注意：具体配置字段、server 名称、包版本以官方文档为准（Claude Code MCP 文档）。下面给的是流程示范，不是可直接复制的生产配置。

第一步：安装 server 包

大多数开源 MCP server 以 npm 包形式发布：

npm install -g @modelcontextprotocol/server-filesystem

安装完成后验证：

npx @modelcontextprotocol/server-filesystem --help

看到帮助信息说明包安装正常。

第二步：编辑 Claude Code 配置文件

Claude Code 的 MCP 配置放在 .claude/settings.json（项目级）或 ~/.claude/settings.json（全局级）里。项目级配置只对这个项目生效，推荐优先用项目级。

打开或创建配置文件，加入 mcpServers 字段：

{
  "mcpServers": {
    "filesystem": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-filesystem",
        "/你要授权访问的目录路径"
      ]
    }
  }
}

关键字段说明：

• command：启动 server 用的命令（npx、node、python 等，取决于 server 的实现语言）
• args：传给命令的参数数组，通常第一个是包名，后面是 server 需要的参数
• 路径参数：filesystem server 要求指定允许操作的目录，这是权限边界

第三步：重启 Claude Code，验证是否加载

退出 Claude Code，重新在项目目录启动：

claude

进入交互界面后，输入：

/mcp

你应该看到什么：列出当前已加载的 MCP servers，其中应该出现你刚加的 filesystem，状态是 connected 或 running。如果出现 error 或 not connected，说明 server 启动失败，去查下一节的故障排查表。

然后测试一下工具是否真的可用：

> 列出 /你授权的目录 里有哪些文件

AI 会调用 filesystem server 的 list_directory 工具，返回文件列表。能看到文件列表说明接入成功。

不同类型 server 的配置差异

Server 类型	command 字段	常见 args 格式
npm 包	npx	["-y", "包名", ...参数]
本地 Node.js 脚本	node	["路径/server.js", ...参数]
Python server	python 或 uvx	["-m", "模块名"] 或包名
本地可执行文件	可执行文件路径	对应参数

---

Skills 优先，MCP 按需：选型原则

碰到一个新需求，应该先问自己这几个问题，再决定要不要用 MCP：

1. 任务只需要操作本地文件和代码吗？ → 是的话，直接用 Claude Code 对话，不需要任何额外东西。

2. 需要复用某段工作流、特定格式的指令、或者给 AI 提供额外的背景知识？ → 用 Skills（.claude/skills/ 下的 markdown 文件）。Skills 是轻量的，不占额外 token，加载按需。

3. 需要 AI 访问本地没有的外部系统数据（数据库、SaaS、内部 API）？ → 这才是 MCP 的场景。先看有没有现成的开源 server，有的话按本篇接入；没有的话，再考虑自己写。

4. 需要给 AI 执行复杂的、需要多步骤自动触发的任务？ → 看 3.8 的决策表，评估是 slash command、Skills 还是 MCP 更合适。

这个顺序很重要：对话 → Skills → MCP，越往后越重，越往后越需要确认是真的有必要。

Claude Code 的完整工具能力概览见 /tools/claude-code/，包括 MCP 支持的范围和局限。

---

故障排查表

症状	原因	解法
/mcp 显示 server 状态是 error	server 启动命令找不到，或包没安装	先单独在终端运行 command + args，看报什么错；确认包已全局安装
/mcp 显示 connected，但 AI 说"没有这个工具"	工具名称或 server 暴露的工具与 AI 的理解不一致	输入 /mcp 看具体工具列表，确认工具名；可能需要在对话里明确说"用 filesystem server 的 xxx 工具"
AI 调用工具时返回权限错误	server 配置的路径或认证信息不对	检查 args 里的路径是否存在、是否有读写权限；API 类 server 检查 token/key 是否设置正确
Claude Code 启动变慢，响应时间明显增加	MCP server 启动耗时，或 server 进程响应慢	排查各 server 的启动日志；不需要的 server 从配置里移除
加了 MCP 之后 AI 频繁调用不该用的工具	工具描述文本太模糊，AI 容易误判	查 server 的工具描述；减少不必要的 server 数量；在对话开头明确"本次任务不需要用数据库"
配置文件修改后不生效	没有重启 Claude Code	完全退出（Ctrl+D）再重新启动

---

常见问题

Q：项目级配置和全局配置哪个优先？

两个配置会合并，项目级的配置会覆盖全局配置中同名的 server。建议：通用 server（比如你每个项目都用的 GitHub server）放全局；只有特定项目需要的（比如只连这个项目的数据库）放项目级。这样你的全局上下文不会被每个项目都塞进去，管理也更清晰。

Q：我找到一个看起来有用的第三方 MCP server，可以装吗？

可以装，但先看几件事：这个 server 的权限范围是什么（它会读写哪些数据、调用哪些 API）；是否有 star 数量和维护记录；args 里传的 token/key 是否只给了最小必要权限。MCP server 本质上是一个有读写权限的进程，权限过大是常见风险。

Q：自己的内部 API 没有现成的 MCP server，必须自己写吗？

不一定。先评估：如果只是偶尔让 AI 调几个 API，直接在对话里让 Claude Code 用 curl 或写一段脚本去调，反而更灵活，不需要 MCP。只有当你需要在多个场景里反复、稳定地让 AI 访问这个 API，才值得花时间做一个 MCP server。

Q：MCP server 的 token/key 写在配置文件里安全吗？

.claude/settings.json 如果放在项目目录里，注意不要把它提交进 git（加到 .gitignore）。更好的做法是通过环境变量传 key，然后在 args 里引用环境变量，避免 key 硬编码在文件里。具体做法以你使用的 server 文档说明为准。

Q：用了 MCP 之后感觉 AI 回答质量下降，是什么原因？

最常见的原因是 server 数量太多，工具描述占用了大量 token，AI 可用来"理解你代码"的上下文窗口变小了。先试试把不用的 server 暂时注释掉，重启 Claude Code，对比一下质量变化。

---

AI 编程工具的能力边界和 MCP 支持详情，可以在 /tools/claude-code/ 找到完整说明。

👉 看看我们的 AI 编程实战体系课，或逛 AI 编程教程大全 把基本功打扎实。