
AI 助理有個共同的弱點:推理很強,卻進不了你工作內容真正存放的地方——筆記、程式碼、專案工具。MCP 伺服器補的就是這道斷層。這篇教學會依序講清楚 MCP 是什麼、運作原理、常見用途、與 API 和 RAG 的差別,最後帶你在五分鐘內把自己的工作區接上 AI。
MCP 是 Model Context Protocol 的縮寫,是 AI 模型連接外部工具與資料的開放標準。Anthropic 在 2024 年 11 月發布並開源,2025 年 3 月 OpenAI 宣布支援,幾週後 Google 也跟進。到了 2026 年,Claude、ChatGPT、Cursor、Cline 等主要 AI 應用程式幾乎都內建了 MCP 客戶端。
MCP 解決的是一個老問題:「N×M 整合地獄」。五個 AI 應用程式要接六個工具,以前得寫三十條客製整合,每一條的認證、資料格式、錯誤處理都不一樣。有了共同協定,AI 應用程式實作一次 MCP、工具方架一次 MCP 伺服器,任何組合都能直接運作。
所以業界很快就用同一個比喻:MCP 是「AI 界的 USB-C」——連接埠規格統一之後,什麼裝置插上去都能動。技術上它其實很單純:用 JSON-RPC 訊息,跑在兩種傳輸方式上:本機伺服器走 stdio,遠端伺服器走 Streamable HTTP。伺服器提供什麼、模型能呼叫什麼,都是連線時雙方協商出來的。
MCP 伺服器是把外部工具或資料來源,依 MCP 規格開放給 AI 應用程式使用的程式,對外提供三種能力:
伺服器的規模差很多:有只包一支內部 API 的百行小工具,也有像 GitHub 的 MCP 伺服器那樣,用數十個工具涵蓋儲存庫、Issue、Pull Request 的完整實作。有的跟著編輯器在你的電腦上執行,也有像 AFFiNE 內建的 MCP 伺服器那樣直接由產品託管,什麼都不用安裝。
真正要抓住的重點只有一個:MCP 伺服器不是聊天機器人的外掛,而是基礎建設——它是你現在用的 AI 應用程式,和存放資料的系統之間,一份型別明確、長期穩定的契約。明年就算換了助理,伺服器照樣能用。
AI 助理每次使用 MCP 伺服器,背後都是同樣的四個步驟:
對話和模型歸主機管,認證和資料存取歸伺服器管。權責切得乾淨,MCP 的生態系才擴得起來。
到目前為止,真正站穩腳步的用法大致有五種:
要判斷自己需不需要 MCP,方法很簡單:數一數你每週把同樣的內容複製貼上進 AI 對話視窗幾次。那個一直重複貼的東西,就是你第一個伺服器該連的資料來源。
| 伺服器 | 連接對象 | 典型用法 |
|---|---|---|
| GitHub | 儲存庫、Issue、PR | 「幫我摘要 bug 標籤的未結 Issue」 |
| Playwright | 真實瀏覽器 | E2E 測試、表單自動化 |
| Chrome DevTools | 瀏覽器內部 | 查版面跑版、效能瓶頸 |
| Figma | 設計檔 | 產出符合設計稿的 UI 程式碼 |
| Slack | 頻道、討論串 | 「上週定了什麼結論?」 |
| Notion | 頁面、資料庫 | 查頁面與資料庫內容(官方伺服器走託管制) |
| Obsidian(社群版) | 本機筆記庫 | 搜尋自己的 Markdown 筆記(需開啟桌面應用程式) |
| AFFiNE | 文件與白板 | 文件與白板語意搜尋;開啟 AI 功能時不另收 MCP 費用 |
官方登錄庫(registry)已在 2025 年下半年開放預覽,社群目錄上也有數千個伺服器可挑。你想要的整合,多半已經有人做好了。
先講結論:API 是各服務自己的程式介面,MCP 是 AI 應用程式共用的連接標準,RAG 則是回答前先檢索文件的技巧。三者的分工如下:
| 本質 | 給誰用 | 什麼時候需要 | |
|---|---|---|---|
| API | 各服務自己的程式介面 | 寫程式的開發者 | 要開發與該服務整合的軟體 |
| MCP | AI 應用程式共用的連接標準 | AI 助理 | 想讓任何 AI 都能用某個工具 |
| RAG | 生成前先檢索相關文件的技巧 | 單一應用程式內部 | 需要以自有文件為根據作答 |
MCP 不取代 API——多數 MCP 伺服器就是把既有 API 薄薄包一層,差別在「給誰用」:API 為人類開發者設計,MCP 讓模型能自己發現、安全地呼叫。MCP 也不取代 RAG——RAG 是單一應用程式在回答前先撈文件的手法,MCP 是所有應用程式連到外部系統的通道。兩者天生互補:AFFiNE 的搜尋工具同時做關鍵字與語意檢索,再透過 MCP 開放出去,所有接上的助理共用同一套檢索基礎。
理解 MCP 最快的方式,就是接一份你最熟的資料。AFFiNE 內建 MCP 伺服器,所以步驟很短:
MCP 伺服器不另外收費:AFFiNE Cloud 和開啟 AI 功能的自架環境都能直接用。限制也先講清楚:目前連線預設唯讀,寫入功能還在逐步推出;白板內容可以被搜尋、也能定位到畫布上的元素與框架,但不會把整張畫布原樣輸出——文件讀取回傳的是 Markdown 本文。知道工具的邊界在哪,才不會對助理有錯誤期待。
把工作區接上 AI,等於多開了一扇門。下面四件事是底線:
MCP 是 Model Context Protocol(模型上下文協定)的縮寫,是 Anthropic 在 2024 年 11 月發布的開放標準,用來連接 AI 模型與外部工具、資料。目前 Claude、ChatGPT、Cursor 等主流 AI 工具都已廣泛支援。
MCP 伺服器是讓 AI 助理能使用外部工具或資料的「連接程式」。與其替每個 AI 應用程式和每個工具的組合各寫一條整合,不如讓雙方都講 MCP 這套共同規格——像 USB-C 一樣,規格對了,插上就能用。
MCP 協定本身開源,任何人都能免費實作與使用;至於各家官方伺服器要不要錢,則跟著該服務本身的方案走,連接前先確認。AFFiNE 內建的 MCP 伺服器不另外收費,AFFiNE Cloud 和開啟 AI 功能的自架環境都能用。
MCP 的底層是 JSON-RPC 訊息:主機應用程式替每個伺服器建立客戶端,連線時動態詢問可用的工具與資源,模型再以型別正確的參數呼叫工具,伺服器執行實際查詢並回傳結構化結果。傳輸方式有兩種:本機用 stdio,遠端用 Streamable HTTP。
支援。ChatGPT 自 2025 年起可透過連接器(connectors)連上遠端 MCP 伺服器,開發者模式下能使用完整的 MCP 工具;Claude、Claude Code、Cursor、Cline 也都支援,所以同一個伺服器可以給你手上所有的助理共用。
不用,接現成的伺服器不需要寫程式:發一組憑證、把產生的設定貼進 AI 應用程式就完成了。AFFiNE 會在「設定 → Integrations → MCP Server」直接產生完整的 JSON 設定,複製貼上即可;只有要自己開發新伺服器時,才需要寫程式。
MCP 把「這個 AI 看得到我們的資料嗎?」從得排進產品路線圖的難題,變成了設定頁裡發一組憑證的小事。標準已定,客戶端到位,剩下的只是決定先接什麼。如果你們團隊的決策都埋在文件和白板裡,先把知識庫接上 AI是最划算的一步——五分鐘即可完成;AFFiNE Cloud 與自架環境在啟用 AI 功能後,都不另收 MCP 費用。