所有文章
AFFiNE
Toeverything·發布於 2026年8月19日 · 更新於 2026年8月20日
文件與白板經由 MCP 連接埠連上 AI 助理的示意圖

MCP 是什麼?MCP 伺服器原理、用途與五分鐘設定教學

重點整理

  • MCP(Model Context Protocol,模型上下文協定)是讓 AI 助理連接外部工具與資料的開放標準,由 Anthropic 在 2024 年 11 月發布,目前 Claude、ChatGPT、Cursor 等主流 AI 工具幾乎都已支援。
  • MCP 伺服器(MCP Server)是把特定工具或資料來源,依 MCP 規格開放給 AI 使用的程式。伺服器只要架一次,任何 AI 客戶端都能用同一套方式連上。
  • MCP 不是要取代 API,而是在 API 之上加一層讓 AI 能安全「發現並呼叫」的標準介面;它和 RAG 的分工也不同:RAG 是單一應用程式回答前先檢索的手法,MCP 是所有 AI 應用程式連接外部系統的共同通道。
  • 不會寫程式也能上手:用 AFFiNE 內建的 MCP 伺服器,在設定頁發一組憑證、貼進 Claude 或 Cursor,就能讓 AI 搜尋文件和白板;Cloud 與開啟 AI 功能的自架環境不另收 MCP 費用。

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 是什麼?

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 伺服器是什麼?

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:

  • 工具(tools):模型可以呼叫的動作,例如搜尋文件、建立 Issue、查資料庫。每個工具都宣告了輸入輸出的型別,模型才知道怎麼正確呼叫。
  • 資源(resources):應用程式可以讀進來當作上下文的資料,例如檔案、文件、結構描述。
  • 提示(prompts):伺服器預先準備好、可重複使用的提示詞範本。

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。

運作原理:主機、客戶端、伺服器

AI 助理每次使用 MCP 伺服器,背後都是同樣的四個步驟:

  1. 主機應用程式開啟工作階段。主機就是你操作的 AI 應用程式(Claude Desktop、Claude Code、Cursor),它會為每個設定好的伺服器啟動一個 MCP 客戶端。
  2. 動態發現能力。連線時,客戶端會詢問伺服器有哪些工具、資源、提示可用。模型看到的是即時目錄,不是寫死的舊整合。
  3. 模型呼叫工具。當請求需要外部資料——例如「找一下新人到職清單」——模型挑選工具、送出型別正確的參數,實際的檢索或 API 查詢由伺服器執行。
  4. 結果成為回答的依據。伺服器回傳結構化結果,模型據此作答:不是用猜的,是根據真實資料。

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。

AI 主機透過 MCP 客戶端與伺服器,分別連接工具與資料來源的流程
MCP 讓 AI 使用一致的連線方式,同時保留各伺服器對工具與資料的存取邊界。

MCP 的用途

到目前為止,真正站穩腳步的用法大致有五種:

  • 帶著真實專案脈絡寫程式:GitHub、Playwright、Chrome DevTools 伺服器,讓 AI 代理能讀 Issue、操作瀏覽器跑測試、檢查真實頁面。
  • 搜尋自己的知識庫:接上筆記或團隊 Wiki,回答就來自團隊實際寫過的內容。AFFiNE 的 MCP 連白板都在搜尋範圍內——「那張架構圖畫在哪」可以直接從畫布上定位,而不只是翻文字筆記。
  • 設計稿轉程式碼:Figma 的 MCP 伺服器給 AI 代理的是結構化設計資料,不是截圖。
  • 團隊工具串接:Slack、Sentry、Notion 等都有官方伺服器,查訊息、查錯誤、查頁面都是一句話的事。
  • 自動化樞紐:接上 n8n 這類工作流程工具,一條 MCP 連線就能串起背後數百個應用服務。

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。

常見的 MCP 伺服器

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。

MCP、API、RAG 差在哪?

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
MCPAI 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。

五分鐘教學:把自己的工作區接上 AI

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:

  1. 建立憑證:在 AFFiNE 打開「設定 → Integrations → MCP Server」,按「Create credential」,以要連接的客戶端命名(例如 Claude Code、Cursor)。存取權限預設唯讀,有效期限自己設定。
  2. 複製設定:權杖只會顯示一次,旁邊的「Copy JSON」按鈕會產生完整的 MCP 設定,端點 URL 和認證標頭都包含在內。
  3. 貼進客戶端:Claude Code 用一行 CLI 指令,Cursor 貼進 ~/.cursor/mcp.json 即可。任何支援 Streamable HTTP 的客戶端,做法都相同。
  4. 問一個真問題:「在我的工作區找出 Q3 上線檢查清單,整理還沒完成的項目」。助理會跨文件與白板做關鍵字加語意搜尋,再於你的權限範圍內讀取文件全文(Markdown 格式),用你真正寫過的內容回答。

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。

資安上至少要做到的事

把工作區接上 AI,等於多開了一扇門。下面四件事是底線:

  • 縮小憑證範圍:一組憑證只該碰得到一個工作區、只帶你本人的權限。還用不到寫入之前,維持唯讀(AFFiNE 預設就是唯讀)。
  • 設定期限、依客戶端分開發憑證:一台裝置一組憑證,撤銷筆電那組,不影響桌機。
  • 別盡信檢索回來的內容:伺服器回傳的文件可能夾帶想操縱模型的文字(提示注入)。重要操作前的確認步驟,不要關。
  • 優先用官方伺服器:產品自己維護的伺服器,直接繼承該產品的認證與權限模型;社群作品連接前,先看清楚它能碰到什麼。

常見問題

MCP 是什麼的縮寫?

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 伺服器簡單來說是什麼?

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 是免費的嗎?

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 的原理是什麼?

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。

ChatGPT 支援 MCP 嗎?

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。

我需要會寫程式才能用 MCP 嗎?

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。

結語

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。