MCP 集成实战：连接外部世界

引言：当 AI 助手遇到"信息孤岛"

使用 Claude Code 一段时间后，你可能遇到过这些场景：

场景 1：你想让 AI 帮忙查一下公司内部文档里关于某个 API 的说明，但它只能说"我无法访问你的内部系统"。

场景 2：你正在修复一个 Bug，想让 AI 看看 Jira 上的问题描述，却不得不手动复制粘贴一大段文字。

场景 3：你希望 AI 能直接查询数据库验证数据，而不是每次都让你手动执行 SQL 再把结果贴回来。

这些问题的本质是：Claude Code 是一个"信息孤岛"，它只能访问本地文件系统，无法触及你的知识库、项目管理工具、数据库等外部系统。

MCP（Model Context Protocol） 就是解决这个问题的答案——它是 Anthropic 推出的开放协议，让 AI 能够安全、标准化地连接外部世界。

一、MCP 是什么？

1.1 一句话定义

MCP 是 AI 与外部系统之间的"USB 接口"。

就像 USB 让各种设备（键盘、鼠标、硬盘）能用统一的方式连接电脑，MCP 让各种外部服务（知识库、数据库、API）能用统一的方式连接 AI。

1.2 MCP 的三大能力

MCP 服务器可以向 AI 暴露三种能力：

实际开发中，Tools 是最常用的能力，本文的案例也主要围绕 Tools 展开。

1.3 MCP vs Plugin：有什么区别？

在第 10 篇我们讲过 Plugin，它和 MCP 有什么不同？

简单理解：Plugin 像是给 Claude Code “装插件”，MCP 像是让 Claude Code “连外设”。

二、MCP 配置与使用

2.1 配置文件位置

Claude Code 的 MCP 配置文件位于：

~/.claude/mcp.json # 全局配置
<项目目录>/.mcp.json # 项目级配置（优先级更高）

2.2 配置文件格式

{
"mcpServers": {
"ragflow": {
"command": "python",
"args": [
"/path/to/mcp_server.py",
"–address", "ragflow.example.com",
"–api-key", "your-api-key"
]
},
"filesystem": {
"command": "npx",
"args": ["-y", "@modelcontextprotocol/server-filesystem", "/path/to/allowed/dir"]
}
}
}

关键字段说明：

• command：启动 MCP 服务器的命令
• args：命令行参数
• env：环境变量（可选，用于传递敏感信息）

2.3 常用官方 MCP 服务器

Anthropic 和社区提供了一些开箱即用的 MCP 服务器：

2.4 验证 MCP 连接

配置完成后，在 Claude Code 中可以通过 /mcp 命令查看已连接的 MCP 服务器及其提供的工具。

三、自定义 MCP 服务器开发

当官方服务器无法满足需求时，就需要自己开发 MCP 服务器。Python 生态推荐使用 FastMCP 框架，它大大简化了开发流程。

3.1 FastMCP 框架

FastMCP 是 MCP 的 Python SDK 封装，提供了类似 Flask/FastAPI 的装饰器语法：

from mcp.server.fastmcp import FastMCP

# 创建 MCP 服务器实例
mcp = FastMCP("my_server")

# 定义工具
@mcp.tool(name="hello", description="打招呼")
def hello(name: str) –> str:
return f"Hello, {name}!"

# 启动服务器
if __name__ == "__main__":
mcp.run(transport='stdio')

核心要素：

3.2 开发流程

1. 安装依赖 pip install mcp
2. 创建服务器 使用 FastMCP 定义工具
3. 本地测试 python mcp_server.py –help
4. 配置连接 编辑 ~/.claude/mcp.json
5. 验证集成 在 Claude Code 中测试工具调用

四、案例 1：RAGFlow 知识库集成

这是一个真实的生产案例，将 RAGFlow 知识库接入 Claude Code，让 AI 能够搜索和管理内部文档。

4.1 需求分析

我们希望 Claude Code 能够：

• 搜索知识库中的相关内容
• 上传新文档到知识库
• 列出数据集和文档

4.2 核心实现

服务器初始化与全局配置：

from mcp.server.fastmcp import FastMCP
from core.ragflow_api import get_datasets, retrieve_chunks, upload_document
import argparse

mcp = FastMCP("ragflow_mcp")

# 全局配置（通过命令行参数传入）
ADDRESS = None
API_KEY = None

核心工具 1：搜索知识库

@mcp.tool(name="search_chunks", description="从数据集中检索相关的文本块")
def search_chunks(question: str, dataset_id: str = None, page_size: int = 5) –> str:
"""
从知识库中搜索与问题相关的内容。

:param question: 要搜索的问题或关键词
:param dataset_id: 数据集ID，不提供则搜索所有数据集
:param page_size: 返回结果数量，默认5条
"""
# 获取要搜索的数据集
if dataset_id:
dataset_ids = [dataset_id]
else:
dataset_ids = get_all_dataset_ids() # 搜索所有数据集

# 调用 RAGFlow API 检索
result = retrieve_chunks(
address=ADDRESS,
api_key=API_KEY,
question=question,
dataset_ids=dataset_ids,
page_size=page_size,
similarity_threshold=0.1
)

# 格式化返回结果
if result and result.get('code') == 0:
chunks = result.get('data', {}).get('chunks', [])
if not chunks:
return f"未找到与 '{question}' 相关的内容"

formatted = []
for i, chunk in enumerate(chunks, 1):
content = chunk.get('content', '')
similarity = chunk.get('similarity', 0)
doc_name = chunk.get('document_keyword', '未知文档')
formatted.append(f"{i}. 【{doc_name}】(相似度: {similarity:.3f})\\n{content[:500]}")

return f"找到 {len(chunks)} 个相关结果：\\n\\n" + "\\n\\n".join(formatted)

return f"检索失败: {result.get('message', '未知错误')}"

核心工具 2：上传文档

@mcp.tool(name="upload_documents", description="上传文档到知识库")
def upload_documents_tool(file_paths: list, dataset_id: str = None) –> str:
"""
上传本地文档到 RAGFlow 知识库。

:param file_paths: 文件路径列表
:param dataset_id: 目标数据集ID
"""
if isinstance(file_paths, str):
file_paths = [file_paths]

results = []
for file_path in file_paths:
if not os.path.exists(file_path):
results.append({"file": file_path, "error": "文件不存在"})
continue

result = upload_document(
address=ADDRESS,
api_key=API_KEY,
dataset_id=dataset_id,
file_path=file_path,
document_name=os.path.basename(file_path)
)
results.append({"file": file_path, "result": result})

return json.dumps(results, ensure_ascii=False, indent=2)

启动入口：

def main():
global ADDRESS, API_KEY

parser = argparse.ArgumentParser(description='RAGFlow MCP Server')
parser.add_argument('–address', required=True, help='RAGFlow 服务器地址')
parser.add_argument('–api-key', required=True, help='API 密钥')
args = parser.parse_args()

ADDRESS = args.address
API_KEY = args.api_key

# 验证连接
result = get_datasets(address=ADDRESS, api_key=API_KEY, page=1, page_size=1)
if not result or result.get('code') != 0:
print("❌ RAGFlow 连接失败", file=sys.stderr)
sys.exit(1)

print("✅ RAGFlow 连接成功", file=sys.stderr)
mcp.run(transport='stdio')

if __name__ == "__main__":
main()

4.3 配置与使用

配置 ~/.claude/mcp.json：

{
"mcpServers": {
"ragflow": {
"command": "python",
"args": [
"/path/to/mcp_server_stdio.py",
"–address", "ragflow.your-company.com",
"–api-key", "ragflow-xxxxxx"
]
}
}
}

在 Claude Code 中使用：

你：帮我在知识库里搜一下"用户认证流程"相关的文档

Claude Code：[调用 search_chunks 工具]
找到 3 个相关结果：

1. 【认证模块设计文档】(相似度: 0.892)
用户认证采用 JWT + Refresh Token 双令牌机制…

2. 【API 接口规范】(相似度: 0.756)
POST /api/auth/login 用户登录接口…

五、案例 2：Jira 集成

让 Claude Code 能够直接操作 Jira，实现开发与任务管理的无缝衔接。

5.1 工具定义

from mcp.server.fastmcp import FastMCP
import requests

mcp = FastMCP("jira_mcp")

JIRA_URL = None
JIRA_TOKEN = None

@mcp.tool(name="get_issue", description="获取 Jira 任务详情")
def get_issue(issue_key: str) –> str:
"""
获取指定 Jira 任务的详细信息。

:param issue_key: 任务编号，如 PROJ-123
"""
response = requests.get(
f"{JIRA_URL}/rest/api/2/issue/{issue_key}",
headers={"Authorization": f"Bearer {JIRA_TOKEN}"},
timeout=10
)

if response.status_code == 200:
data = response.json()
fields = data.get('fields', {})
return f"""
任务: {issue_key}
标题: {fields.get('summary', '')}
状态: {fields.get('status', {}).get('name', '')}
优先级: {fields.get('priority', {}).get('name', '')}
描述: {fields.get('description', '')[:500]}
"""
return f"获取任务失败: {response.status_code}"

@mcp.tool(name="add_comment", description="给 Jira 任务添加评论")
def add_comment(issue_key: str, comment: str) –> str:
"""
给指定任务添加评论。

:param issue_key: 任务编号
:param comment: 评论内容
"""
response = requests.post(
f"{JIRA_URL}/rest/api/2/issue/{issue_key}/comment",
headers={
"Authorization": f"Bearer {JIRA_TOKEN}",
"Content-Type": "application/json"
},
json={"body": comment},
timeout=10
)

if response.status_code == 201:
return f"✅ 评论已添加到 {issue_key}"
return f"❌ 添加评论失败: {response.status_code}"

@mcp.tool(name="update_status", description="更新 Jira 任务状态")
def update_status(issue_key: str, status: str) –> str:
"""
更新任务状态。

:param issue_key: 任务编号
:param status: 目标状态（如 "In Progress", "Done"）
"""
# 先获取可用的 transitions
trans_resp = requests.get(
f"{JIRA_URL}/rest/api/2/issue/{issue_key}/transitions",
headers={"Authorization": f"Bearer {JIRA_TOKEN}"}
)

if trans_resp.status_code != 200:
return f"获取状态转换失败"

transitions = trans_resp.json().get('transitions', [])
target = next((t for t in transitions if t['name'].lower() == status.lower()), None)

if not target:
available = [t['name'] for t in transitions]
return f"无效状态。可用状态: {available}"

# 执行状态转换
response = requests.post(
f"{JIRA_URL}/rest/api/2/issue/{issue_key}/transitions",
headers={
"Authorization": f"Bearer {JIRA_TOKEN}",
"Content-Type": "application/json"
},
json={"transition": {"id": target['id']}}
)

if response.status_code == 204:
return f"✅ {issue_key} 状态已更新为 {status}"
return f"❌ 状态更新失败"

5.2 实际使用场景

场景：Bug 修复完成后自动更新 Jira

你：我已经修复了 PROJ-456 的 Bug，帮我更新一下 Jira 状态，并添加修复说明

Claude Code：好的，我来更新 Jira。
[调用 add_comment] ✅ 评论已添加到 PROJ-456
[调用 update_status] ✅ PROJ-456 状态已更新为 Done

已完成：
1. 添加了修复说明评论
2. 将任务状态更新为 Done

六、最佳实践

6.1 错误处理

MCP 工具的返回值会直接展示给 AI，因此错误信息要清晰易懂：

# ❌ 不好的做法
return str(e)

# ✅ 好的做法
return f"❌ 操作失败: {str(e)}。请检查参数是否正确。"

6.2 安全考虑

• 敏感信息：API Key 等通过命令行参数或环境变量传入，不要硬编码
• 权限控制：MCP 服务器应该只暴露必要的操作，避免过度授权
• 输入校验：对用户输入进行校验，防止注入攻击

# 通过环境变量传递敏感信息
{
"mcpServers": {
"myserver": {
"command": "python",
"args": ["server.py"],
"env": {
"API_KEY": "${MYSERVER_API_KEY}"
}
}
}
}

6.3 性能优化

• 连接复用：使用连接池，避免每次请求都建立新连接
• 超时设置：所有外部调用都要设置合理的超时时间
• 结果缓存：对于不常变化的数据，可以在 MCP 服务器端缓存

总结

MCP 是 Claude Code 连接外部世界的桥梁：

• 官方 + 社区服务器：覆盖文件系统、数据库、HTTP 请求等常见场景
• FastMCP 框架：用 Python 快速开发自定义服务器
• 真实案例：RAGFlow 知识库集成让 AI 能搜索内部文档，Jira 集成实现开发流程自动化

通过 MCP，Claude Code 从一个只能操作本地文件的工具，进化为能够连接企业各种系统的"能力枢纽"。

下一篇，我们将把本系列的所有内容整合起来，构建一个开箱即用的完整工作流包，让你能够一键安装、立即使用。

“MCP 让 AI 从信息孤岛变成能力枢纽——连接一切，无所不能。”

MCP资源

• MCP资源平台大全

🔗 相关文章:

• 上一篇: Plugin 扩展实战:增强 Claude Code 的能力

如果这篇文章对你有帮助,欢迎点赞、收藏、分享!有任何问题或建议,欢迎在评论区留言讨论。让我们一起学习,一起成长!

也欢迎访问我的个人主页发现更多宝藏资源