上节我们讲了 MCP 是什么、为什么重要。今天我们讲怎么用——跟着本文,你能在 30 分钟内把 Claude(或 Cursor)接上 GitHub、PostgreSQL、Playwright 浏览器,让你的 Agent 能查仓库、查数据库、操作网页。

这 3 个 MCP Server 几乎是所有企业内部 Agent 的”标配”,学会它们,你就能应对 80% 的 Agent 工具集成场景。

一、为什么要把这 3 个工具集成在一起

在开始之前,先说一个真实场景——为什么这 3 个工具缺一不可:

假设你的团队要做”竞品监控 Agent”。这个 Agent 需要:

  • 每天自动跑一遍竞品网站(Playwright)
  • 把新内容存到数据库(PostgreSQL)
  • 把分析结果推到 GitHub 仓库,作为团队知识库(GitHub)

这三个动作必须连贯。如果你不会 MCP,得分别写 3 套集成代码;用 MCP,30 分钟搞定。这就是为什么 MCP 在企业 Agent 场景里几乎是必备技能。

接下来我们一个个讲怎么接。

二、准备工作:5 分钟装好 MCP Client

我们用 Claude Desktop 作为 MCP Client(也是目前最稳定的 MCP 客户端)。如果你偏好 Cursor、Windsurf 或其他工具,流程一样,只是配置文件路径不同。

步骤 1:装 Claude Desktop

从 [claude.ai/download](https://claude.ai/download) 下载,装好后用邮箱登录。新账号有 Pro 试用,够用。

步骤 2:找到 MCP 配置文件

Claude Desktop 的 MCP 配置在:

  • macOS: ~/Library/Application Support/Claude/claude_desktop_config.json
  • Windows: %APPDATA%\Claude\claude_desktop_config.json
  • Linux: ~/.config/Claude/claude_desktop_config.json

如果文件不存在,新建一个。

步骤 3:准备 API key

后文用到的 MCP Server 需要这些 key:

  • GitHub:GitHub Personal Access Token(PAT),去 GitHub Settings → Developer settings → Personal access tokens → Tokens (classic) 生成。勾选 repo、read:org、read:user 等权限。
  • PostgreSQL:数据库连接字符串,如 postgresql://user:password@localhost:5432/mydb
  • Tavily(配合 Playwright 用):Web 搜索 API key,去 [tavily.com](https://tavily.com) 注册免费 1000 次/月。

把这些 key 存到环境变量,或者直接写在 MCP 配置的 env 字段。

到这里准备就绪。下面开始接工具。

三、实战 1:接 GitHub(查仓库、提 issue、看 PR)

GitHub MCP 是最常用的 MCP Server 之一,Anthropic 官方维护。装好后,你的 Agent 能:

  • 查仓库信息(描述、语言、stars)
  • 列 issue、PR、commits
  • 创建 issue、加评论
  • 看 workflow 状态

配置 MCP

在 claude_desktop_config.json 里加:

{
"mcpServers": {
"github": {
"command": "npx",
"args": ["-y", "@modelcontextprotocol/server-github"],
"env": {
"GITHUB_PERSONAL_ACCESS_TOKEN": "ghp_你的token"
}
}
}
}

重启 Claude Desktop。它会自动连接 GitHub MCP Server,在对话窗口你会看到左下角有个 “🔧 1 tool available” 提示——这就是 GitHub MCP 已经接好了。

测试用例

用例 1:查仓库信息

输入:帮我查一下 anthropics/anthropic-sdk-python 仓库的描述、最新 release、stars 数

Claude 会自动:

  1. 调用 GitHub MCP 的 get_repository 工具
  2. 拿到仓库信息后整理输出
  3. 给你可读的摘要

用例 2:列出我所有的 PR

输入:列出我最近一周在 [你的用户名] 名下所有仓库的 open PR

Claude 会调 list_pull_requests 工具,带过滤条件。

用例 3:查 issue

输入:查一下 [仓库名] 上所有 label 是 bug 的 open issue,按创建时间倒序排

Claude 会综合多个工具调用,把结果整理好。

用例 4:创建 issue

输入:给 [仓库] 提一个新 issue,标题是 [XXX],内容是 [YYY],labels 是 [bug, enhancement]

Claude 会调 create_issue,告诉你 issue URL。

这些用例展示了一个关键能力:Claude 不仅能”读”GitHub(查询信息),还能”写”GitHub(创建 issue、加评论)。这是普通 LLM 调用做不到的——通过 MCP,Agent 真正能改变外部系统。

四、实战 2:接 PostgreSQL 数据库

数据库是 Agent 工具集成最常见的场景。有了 PostgreSQL MCP,Agent 能:

  • 执行 SQL 查询
  • 看表结构
  • 分析数据
  • 生成报告

配置 MCP

{
"mcpServers": {
"postgres": {
"command": "npx",
"args": ["-y", "@modelcontextprotocol/server-postgres"],
"env": {
"POSTGRES_CONNECTION_STRING": "postgresql://user:password@localhost:5432/mydb"
}
}
}
}

⚠️ 安全提醒:连接字符串里包含数据库密码。生产环境建议用只读权限的数据库账号,或者通过 Unix socket / SSH 隧道连。永远不要给 Agent 写权限的数据库账号。

测试用例

用例 1:查表结构

输入:看一下 mydb 库里 customers 表的表结构,列出所有字段名、类型、是否可空

Claude 会调 list_tables、describe_table 工具。

用例 2:执行 SQL

输入:用 postgres MCP 查一下 customers 表的总行数、最近一周新增客户数、按注册来源分组的客户数前三名

Claude 会:

  1. 写出 SQL:SELECT COUNT() FROM customers; + SELECT COUNT() FROM customers WHERE created_at >= NOW() - INTERVAL '7 days'; + SELECT source, COUNT(*) FROM customers GROUP BY source ORDER BY 2 DESC LIMIT 3;
  2. 执行每条 SQL(注意,mcp server 通常一次执行一条)
  3. 把结果整合成可读的总结

整个过程你不需要懂 SQL——Claude 自己写并执行。

用例 3:数据可视化建议

输入:基于上面的查询结果,给我 3 个可视化建议,每个说明用什么图表、为什么

Claude 会基于数据给出图表建议(柱状图、折线图、饼图各适用什么场景)。

用例 4:更新数据(慎用)

输入:更新 customers 库 city='Beijing' 且 status='inactive' 的记录,把 status 改成 'reactivated',需要我确认再执行

Claude 会先调 SQL,但等你确认才执行。MCP 实现通常不允许 Agent 静默执行写操作,必须有”二次确认”步骤。这是一个安全机制,确保 Agent 不能随意改数据。

> 💡 生产建议:Agent 接入数据库,只读账号是底线。如果需要写操作,加事务、人工审核、回滚机制。Agent 一旦有写权限,出了 bug 可能批量改坏数据。

五、实战 3:接 Playwright 浏览器

Playwright MCP 让 Agent 能操作真实浏览器,做自动化测试、抓数据、模拟用户操作。

配置 MCP

{
"mcpServers": {
"playwright": {
"command": "npx",
"args": ["-y", "@modelcontextprotocol/server-playwright"]
}
}
}

注意:Playwright MCP 不需要 API key,它只是开了一个浏览器会话。但首次启动会下载浏览器二进制,可能需要几分钟。

测试用例

用例 1:抓网页数据

输入:用 Playwright 打开 https://news.ycombinator.com,列出前 10 条新闻的标题、链接、分数

Claude 会:

  1. browser_navigate 打开页面
  2. browser_snapshot 拿到 DOM 结构
  3. 解析 DOM,提取数据
  4. 整理输出

用例 2:自动填表单

输入:打开 https://example.com/contact,填写 name 字段为 "张三",email 字段为 "test@example.com",message 字段为 "你好",提交前先给我看截图

Claude 会:

  1. 打开页面
  2. 截图给你看(确认初始状态)
  3. 依次填字段
  4. 每一步截图给你看
  5. 提交前最后截图,等你确认

整个表单填写过程是”可视化”的——你能看到每一步发生什么,出错了 Claude 会主动停下来。

用例 3:多步骤业务流程

输入:在 https://github.com 上搜索 "agent framework",找到 anthropic-sdk-python 仓库,点进去看 README,把 README 的前 5 段提取出来给我

Claude 会执行一连串操作:搜索、点击、滚动、提取。每一步都会验证,失败会重试或换策略。

Playwright MCP 的最大价值是给 Agent”看见”和”操作”真实网页的能力。对于做”竞品监控”、”自动测试”、”数据采集”的 Agent 来说,这是必备工具。

六、实战 4:多个 MCP Server 组合

单 MCP 强不是真强,组合起来才见威力。我们做个综合应用:

让 Claude 同时接入 GitHub + PostgreSQL + Playwright,完成一个”竞品监控 Agent”。

配置文件

{
"mcpServers": {
"github": { … },
"postgres": { … },
"playwright": { … }
}
}

任务示例

输入:帮我做一次竞品监控:

  1. 用 Playwright 打开 example.com/pricing,把页面截图和价格文本存到 PostgreSQL 的 competitor_data 表
  2. 查一下 PostgreSQL 里 competitor_data 表,有几条最近一周的数据,列出来
  3. 如果发现价格有变化,在 GitHub 我的 [用户名]/competitive-analysis 仓库提一个 issue,标题 "Pricing change detected"

这个任务涉及 3 个 MCP Server、多个工具调用、状态持久化、外部通知。一般开发者写需要 200+ 行代码,用 MCP 30 分钟就能跑通。

七、调试技巧:常见坑与解决方案

问题 1:MCP Server 启动失败

症状:Claude 启动后没看到 “🔧 tool available” 提示
原因:

  • 配置文件路径错
  • JSON 格式错(注意 JSON 不能有注释)
  • 缺少依赖(Node.js、Python 等)

修复:

  • 查配置文件路径
  • 在线 JSON validator 校验格式
  • 终端手动跑 npx -y @modelcontextprotocol/server-postgres,看错误信息

问题 2:工具调用成功但结果不返回

症状:Claude 调用工具,日志有调用记录,但 Claude 没拿到结果
原因:通常是 MCP Server 的 stdout 输出有问题,或者超时
修复:把 MCP Server 输出重定向到文件,查错误日志

问题 3:权限拒绝

症状:Claude 报 “permission denied”
原因:token、key、数据库账号权限不够
修复:去对应平台(GitHub、DB)检查权限设置

问题 4:Agent 不知道有什么工具可用

症状:Claude 不知道怎么调某个工具
原因:这个 MCP Server 的工具没列在对话上下文里
修复:重启 Claude Desktop,确保 MCP Server 正常加载

问题 5:Agent 反复调同一个工具

症状:死循环,Agent 不停调工具
原因:工具返回的结果”误导”了 Agent,或者 Agent 没意识到任务完成
修复:

  • 把任务描述写得更明确(“调 1 次就够”)
  • 加 “如果不成功,告诉我,不要重试” 这样的 prompt
  • 在工具描述里加上”什么时候该停止”

八、安全建议:Agent 的工具调用不是”无代价”的

接 MCP 让 Agent 强大,但也让 Agent 有了”破坏力”。几个必须遵守的安全原则:

原则 1:权限最小化

不要给 Agent “root/admin” 权限的账号。例如:

  • 数据库只给只读账号
  • GitHub 用细粒度 PAT,只勾选需要的权限
  • 文件系统只在指定目录读写

原则 2:二次确认

涉及写操作(创建/更新/删除)的事,应该:

  • 让 Agent 先描述”它要做什么”
  • 等用户确认再执行
  • 或者用审批工作流

原则 3:审计日志

所有 MCP 工具调用都应该记录日志,包括:

  • 谁、什么时候、调了哪个工具
  • 输入输出是什么
  • 持续保存,便于事后审查

原则 4:超时和限流

防止 Agent 跑死循环:

  • 每个工具调用都有超时(30s/60s)
  • 每个会话有最大调用次数限制
  • 监控异常模式(如 100 次工具调用/分钟)

这些不是”偏执”,而是 MCP 工具集成的”基本功”。在企业生产环境,合规和审计是绕不过去的门槛。

九、下一步

学完 MCP 实战,你的 Agent 已经能”用手脚”做真实的事了。接下来的几个方向:

方向 1:基于 MCP 构建自定义 Agent

不只 Claude Desktop,你可以用 LangGraph、AutoGen 框架构建自己的 Agent,把 MCP Server 接进去。这样你有完全控制权(可以加 prompt 优化、加多 Agent 协作、加业务逻辑)。

参考上一节的 LangGraph 教程,把 MCP 工具包注入 Agent:

from mcp import StdioServerParameters
# 把 GitHub MCP 加载为 LangChain 工具
github_tools = await load_mcp_tools("github", …)
agent = create_react_agent(model, […其他工具, …github_tools])

方向 2:自己开发 MCP Server

当你有内部工具想给 Agent 用,可以自己写 MCP Server 包一层:

  • Python:用 mcp SDK,100 行内能写一个
  • TypeScript:用 @modelcontextprotocol/sdk

下次我会单独写一篇”如何开发 MCP Server”的实战教程。

方向 3:企业级 MCP 平台

如果你所在的企业想统一管理 MCP Server,可以搭一个 MCP Hub,提供:

  • 工具目录(像 App Store)
  • 权限管理(谁能用哪个工具)
  • 使用监控(谁调用了多少次)
  • 成本分析

MCP 的生态才刚开始,机会很大。

十、写在最后:MCP 让 Agent 从”能对话”变成”能做事”

最后回顾一下今天的重点:

  • GitHub MCP——让 Agent 管理代码仓库、自动化 issue 工作流
  • PostgreSQL MCP——让 Agent 查数据库、做数据分析、生成报告
  • Playwright MCP——让 Agent 操作浏览器、抓数据、做自动化测试
  • 多 MCP 组合——让 Agent 完成跨系统的复杂任务

这 4 个 MCP 工具,你任何一个能熟练用,都能在企业内部做出能解决真实问题的 Agent。组合起来,你能做的就更多了。

下周我会写一篇”如何自己开发 MCP Server”的文章,把你的内部工具也变成 MCP,接入到 Claude 或自研 Agent 里。这一步走通,你的”AI 转型”才真正落到实处。

今天先把 3 个公开 MCP 跑通,体验”Agent 能做事”的快感。30 分钟后,你的 Claude 就能查 GitHub、查数据库、操作网页——这 3 个能力,几乎覆盖所有企业内部 Agent 场景。

附:MCP 价值的三层递进

走完上面 3 个 MCP 实战,你的 Agent 已经能”动手做事”了。但这只是 MCP 价值的第一层——背后还有更深的价值空间,值得你慢慢体会。

第一层:接工具

你刚开始做的是”接工具”——Claude 用上 GitHub MCP、数据库 MCP、浏览器 MCP。这种能力的价值是”让 Agent 能做事”,适用于个人提升效率,但不适合企业大规模生产。

第二层:接场景

下一层是”接场景”——你为一个具体业务场景接入一套 MCP(比如”销售场景”的 CRM MCP + Email MCP + 会议纪要 MCP + 客户画像 MCP)。这种能力的价值是”让 Agent 能跑通一个完整业务流”,适用于部门级自动化。

第三层:接生态

最高层是”接生态”——你帮企业构建一个 MCP 内部生态,所有内部工具都暴露为 MCP Server。这样做的好处是:

  • 不同 Agent 可以互联互通(销售 Agent 能调技术 Agent,财务 Agent 能调运营 Agent)
  • 新员工接 Agent 的成本降低(招新人不用学内部所有系统,只要跟 Agent 说话)
  • 工具复用率提升(一个 MCP Server 服务所有 Agent,避免重复造轮子)

这一层是 2026 年企业 AI 转型的”决战点”——谁能先建好 MCP 生态,谁就能先享受 Agent 时代红利。

这三个层级不是一次到位,是 1-3 年的渐进过程。个人/小团队做到第一层就足以效率翻倍;中型企业需要做到第二层;头部企业则必须在第三层布局。你现在做的事,从一开始就在为未来蓄能。

最后一句话:MCP 不只是”工具集成协议”,它是”Agent 时代的操作系统接口”。今天你接入 3 个 MCP,是理解这个接口的最好方式。1-2 年后回看,这 30 分钟的学习可能是你在 AI 时代最划算的一笔投资。

现在就去 Claude Desktop 装上 GitHub MCP,试试让 Claude 查一下你的某个仓库——体验”Agent 真正能动手做事”的感觉。这种体验一旦有了,你就回不去了。

(综合 Anthropic MCP 官方文档、Playwright MCP 文档、PostgreSQL MCP 文档、GitHub MCP Server 配置指南整理)