MCP连接器：打通企业数据孤岛，实现AI高效落地的标准化方案_服务软件

1. 全网首发，Claude Code高危漏洞解析！

2. 一个视频带你快速盘点2025年GitHub热点项目

3. Excalidraw 官方的 MCP 工具，让 AI 直接给你画图。试一下提示词1）「用 Excalidraw 画一只猫」2）「画一个架构图：用户 → API Server → 数据库」3）「把刚才的系统设计画出来」附图是让AI分析Claude Code的源码架构生成的架构图。访问：github.com/excalidraw/excalidraw-mcp/#HOW I AI# #程序员#

4. SKILL能解决MCP的token冗余，但为什么又说二者不是对立关系而是互补关系呢？

5. 【alphaXiv推出MCP协议：让AI研究助手直接检索数百万篇论文】快速阅读：alphaXiv为arXiv论文库推出MCP协议支持，让AI研究助手可以直接检索、嵌入搜索数百万篇论文。这不只是速度提升，而是改变了研究范式——从被动索引到主动理解上下文。 — alphaXiv刚刚为arXiv论文库推出了MCP协议支持。现在你的研究Agent可以用关键词搜索和embedding搜索，在数百万篇论文里做多轮检索。集成很简单，在Claude Code里运行一行命令就能接入。有人提了个有意思的问题：能不能让Agent自动找出我感兴趣的论文，然后用Telegram bot提醒我？理论上完全可以。有观点认为，这才是“研究Agent真正有用的地方”。当Agent能查询数百万篇论文并提取embedding时，你就从“先读完所有东西”变成了“带着上下文问问题”。生产力提升不只是速度快了，而是不用自己做查找这件事。这把通用搜索工具变成了真正理解自己在处理什么的领域专用Agent。 embedding搜索是改变研究循环的那一块拼图。关键词搜索返回的是已索引的内容，embedding搜索找到的是相关但尚未发表的——那些接近你假设的论文，而不仅仅是匹配你查询的那些。更多噪音意味着更难筛选。真正的优势在于知道该忽略什么。已经有人用这个MCP生成了强化学习论文的阅读依赖图。也有人提到每次运行Claude Code都得重新登录激活alphaXiv MCP，这确实有点麻烦。有开发者在做更完整的Agent研究流程，正考虑使用这个MCP，还问了个问题：除了搜索，会不会在embedding基础上提供聚类功能？那对文献绘图和主题发现会很有用。有网友直言：跳过API租金直接接入arXiv，这才是真正的开放协议玩法。 ref: x.com/askalphaxiv/status/2034003206217601375 #AI创造营##人工智能# http://t.cn/AXfGYHqY

6. 【“MCP已死”是AI圈最大的技术谎言？】快速导读：最近，技术圈风向突变，鼓吹“MCP已死，CLI万岁”。但这场争论的本质，并非协议优劣或Token效率，而是一个更深层的问题：你是满足于自娱自乐的“感觉编程”，还是在构建严肃的“智能体工程”？本文揭示，对于任何想超越个人玩具规模的团队来说，这场争论的答案从一开始就是确定的。---技术圈的风向变得比天气还快。几个月前，模型上下文协议（MCP）还是人人都想上的船，转眼间，风评急转直下，鼓吹“MCP已死，CLI万岁”成了新的政治正确。很多人被表象迷惑了。他们说，MCP臃肿、消耗大量上下文，远不如简单直接的命令行（CLI）来得高效。经验丰富的老炮们甚至不屑一顾：“这玩意儿看起来就像垃圾，那它就是垃圾。”这种论调听起来很酷，但可能完全搞错了重点。是的，如果AI智能体要用的工具是`git`或`curl`这种早已刻在模型“肌肉记忆”里的命令，那用CLI当然省事。但如果你用的是一个自定义工具呢？智能体照样需要一份说明书（`--help`或者`SKILL.md`）来学习，所谓的Token优势瞬间荡然无存。整个OpenAPI schema塞进上下文的场景，并不少见。这场争论的真正分野，不在于技术，而在于开发的组织形态。它区分了两种开发者：单打独斗的“感觉编程”（vibe-coding）信徒，和面向组织的“智能体工程”（agentic engineering）实践者。对于前者，MCP确实显得多余。但对于一个10人以上的团队，问题就变了：如何保证不同技术栈的工程师用不同智能体得到一致的结果？如何管理密钥、做权限控制？如何追踪哪个工具有效、哪个在拖后腿？这才是MCP真正发力的地方——不是本地`stdio`模式的小打小闹，而是作为中心化服务器通过HTTP提供的服务。它把认证（Auth）、安全（Security）、遥测（Telemetry）这些麻烦事一揽子解决了。工程师离职？吊销他的OAuth令牌即可，他从未接触过核心密钥。这对于任何依赖GitHub Actions这类临时运行环境的团队来说，更是刚需。更有趣的是，连Anthropic和Cloudflare都发现，让LLM直接调用MCP，不如让LLM“写代码去调用MCP”来得更稳、更省。Anthropic的“程序化工具调用”甚至能节省高达98.7%的Token。这说明，MCP的价值在于提供了一个稳定的、可被机器理解的“契约”，而不是一个手感舒适的“玩具”。所以，当人们在激烈争论MCP和CLI的优劣时，他们实际上在无意中暴露了自己的立场：他们究竟是在构建一个随时可丢弃的个人项目，还是在为一个需要长期维护、多人协作的系统打地基？这根本是两条路线的斗争。---简评：这已经不是技术选型问题，而是工程成熟度问题。当你的智能体应用开始考虑“人”的因素——团队协作、权限、审计、迭代——你会发现，你需要的不是一个更“聪明”的工具，而是一个更“笨”、更稳固、有明确边界的协议。那些嘲笑MCP的人，可能还没遇到需要为AI代码擦屁股的烦心事。---ref: chrlschn.dev/blog/2026/03/mcp-is-dead-long-live-mcp/#AI创造营##人工智能#

7. 《What if you don't need MCP at all?》随着MCP服务器话题持续火热，作者从实用角度出发，提出了一个关键观点：在很多场景下，我们其实根本不需要复杂笨重的MCP服务器。相比之下，简单的Bash脚本+代码组合，不仅高效且灵活，完全能满足需求。以浏览器DevTools为例，常见MCP服务器为了覆盖所有功能，往往包含20+工具，消耗大量上下文资源（上万token），导致代理混乱且难以扩展。相比之下，作者只用了一套精简的Node.js脚本工具，包括启动浏览器、导航页面、执行JavaScript、截图四大核心功能。每个工具都用Bash调用，简单明了，README文档仅225个token，极大节省了上下文空间。这种方式还有天然的可组合性：工具输出可以直接保存文件，供后续处理，无需每次都在上下文中传递庞大数据。新增功能也非常方便，比如作者自制的“元素选择器”工具，可以通过页面点击快速定位DOM元素，极大提升爬取效率和灵活度。又如“Cookies”工具，解决了页面执行环境无法访问HTTP-only cookies的问题。作者进一步分享了如何将这些工具模块化管理，通过目录和环境变量整合到代理，保持了环境整洁又便于调用。相比MCP的封闭和臃肿，这种“代码即工具”的思路更贴合实际开发习惯，也更容易维护和升级。总结来看，这篇文章鼓励开发者跳出MCP的框架限制，拥抱简洁的Bash与代码组合。它不仅能提高代理运行效率，减少token消耗，还赋予开发者最大自由度去定制和扩展工具链。对任何需要代码执行环境的代理应用，这都是一条值得尝试的实用路径。阅读原文了解更多细节和代码示例： mariozechner.at/posts/2025-11-02-what-if-you-dont-need-mcp/

8. Agent Skill 为何没有像 MCP 那样火爆？

9. 微表情测谎、极速赔付、AI打败AI，深聊“AI in All”下的保险革命与增长飞轮【硅谷101】

10. 为什么 skills 优于 mcp ?

11. 小册子：MCP Workbook下载： www.byhand.ai/p/mcp-workbookMCP (Model Context Protocol) 的概念、架构、核心组件以及工作流程。文中详细阐述了 MCP 的核心架构（Host、Client、Server）以及服务器提供的三大基础能力：Tools（执行动作的工具）、Resources（只读数据资源）和 Prompts（预设提示词模板）。此外，文章还通过具体的医疗查询案例，展示了从服务发现、LLM 推理、安全审批到并行任务执行的完整工作流程，强调了 MCP 在标准化 AI 互联与安全控制中的关键作用。#科技先锋官#

12. 新浪微博 AI 应用业务提效实践

13. 企业数据如何被 AI Agent 调用？EventHouse 打造 AI-Ready 数据底座

14. 告别多API配置噩梦：QVeris如何定义AI Agent的数据调用新标准？| 鹿演 Vol.009

15. MCP已死，CLI当立！Perplexity首先放弃使用MCP，全网赞成

16. B站基于Neo4j知识图谱与MCP协议：构建万级任务数仓的智能化底座

17. Skills比MCP更重要？更省钱的多！Python大佬这观点老金测了一周终于懂了

18. 我常用的一个MCP宝藏库，有点东西

19. github.com/Tencent/WeKnora 腾讯开源的RAG框架：WeKnora（维娜拉）这是一款基于大语言模型的文档理解与语义检索框架，专为结构复杂、内容异构的文档场景而打造。框架采用模块化架构，融合多模态预处理、语义向量索引、智能召回与大模型生成推理，构建起高效、可控的文档问答流程。核心检索流程基于 RAG（Retrieval-Augmented Generation）机制，将上下文相关片段与语言模型结合，实现更高质量的语义回答。核心特性 🤖 Agent模式：支持ReACT Agent模式，可调用内置工具检索知识库、MCP工具和网络搜索，通过多次迭代和反思给出全面总结报告 🔍 精准理解：支持 PDF、Word、图片等文档的结构化内容提取，统一构建语义视图 🧠 智能推理：借助大语言模型理解文档上下文与用户意图，支持精准问答与多轮对话 📚 多类型知识库：支持FAQ和文档两种类型知识库，支持文件夹导入、URL导入、标签管理和在线录入 🔧 灵活扩展：从解析、嵌入、召回到生成全流程解耦，便于灵活集成与定制扩展 ⚡ 高效检索：混合多种检索策略：关键词、向量、知识图谱，支持跨知识库检索 🌐 网络搜索：支持可扩展的网络搜索引擎，内置DuckDuckGo搜索引擎 🔌 MCP工具集成：支持通过MCP扩展Agent能力，内置uvx、npx启动工具，支持多种传输方式 ⚙️ 对话策略：支持配置Agent模型、普通模式模型、检索阈值和Prompt，精确控制多轮对话行为 🎯 简单易用：直观的Web界面与标准API，零技术门槛快速上手 🔒 安全可控：支持本地化与私有云部署，数据完全自主可控 #科技先锋官#

20. Google MCP（Model Context Protocol）提供了一套完整的协议和服务器资源，帮助开发者快速搭建和管理基于模型上下文的服务。这个开源项目收录了Google官方维护的远程MCP服务器列表，涵盖Google Maps、BigQuery、Firebase、Google Workspace等多个核心服务接口，同时支持本地或云端部署。项目不仅提供了详细的部署指南和示例代码，还包含丰富的工具箱，支持数据库管理、云端安全和多代理系统架构，适合需要集成Google多种云服务和AI模型的开发者使用。主要特点包括：- 官方远程MCP服务器，随时可用，保持最新；- 开源服务器代码，可本地运行或部署到Google Cloud Run、GKE等；- 支持多种Google云产品和服务的模型上下文调用；- 丰富的示例和工具，帮助快速上手和扩展；- 完善的文档和贡献指南，社区活跃。项目地址：github.com/google/mcp适合有云计算和大数据需求的开发者、企业及研究团队，助力构建智能、高效的分布式应用和服务。

21. AI编程工具里的 Skill、MCP、Workflow、Rules、Memories到底有什么区别？

22. 无数据，不 AI：公共网络数据如何助力高效合规的 AI 研发

23. 阿里云 EventHouse 正式公测！连接企业数据与 AI Agent，释放实时数据价值

24. 最近花了些时间扩展了一下wegent里的skill机制，先说一个。传统的skill和mcp是平行的关系，在claude code新推出的插件机制里这俩也是并列的存在。但是我总觉得，没必要把skill和mcp做成两种机制。 skill本质上就三个能力：代码拆分：skill可以独立于agent开发和分发，也就意味着skill开发者不需要有agent开发能力。动态加载：默认情况下只给模型摘要信息，加载后再“展开”skill提示词。附加文件：skill可以携带附加的文档和脚本，供大模型调用。这三个能力很好，但是有个问题：如果一个能力需要用到某种远程资源，目前的skill不能描述这个信息，需要通过plugin来描述。而plugin里的mcp的生命周期和skill又是不同的，就造成了skill可以按需加载，但mcp只能静态加载的问题。在一些极端场景中，为了某个不怎么常用的偏门技能，可能需要加载一堆静态mcp资源，性价比很低。因此wegent给skill的metadata做了个扩展，支持直接在metadata里面配置mcpserver，并且对上下文做了些改进，让skill相关的mcp工具随着skill的激活而激活，而不是每次都发给模型。目前这个机制还在测试，从初步测试的效果来看，对于无需加载skill的任务会有一些帮助，毕竟少了很多无关的干扰项。但是我始终没想明白为什么官方skill和mcp是两套机制，是不是我的理解肤浅了……[流汗]

25. AI编程工具里的 Skill、MCP、Workflow、Rules、Memories到底有什么区别？

26. MCP vs. Skills？智能体协议之争的答案在于执行环境

27. 从踹倒机器人到被春晚武打机器人震撼，中国AI智能体正在快速落地！你还发现AI在哪些领域的变化特别大？#网络名人赞两会 #2026全国两会 #AI #红衣聊AI #两会代表委员有话说

28. 构建AI Agent常常需要从零开始摸索，LLM调用、工具集成、推理循环、记忆模块、规划反射等功能分散在各种框架和教程中，来回切换学习成本高。新书《Build an AI Agent (From Scratch)》提供完整AI Agent从零构建的实战指南，帮助你一步步打造能推理、规划、执行复杂多步任务的智能代理。不仅教你实现ReAct循环（Thought→Action→Observation）、MCP工具调用、Agentic RAG，还覆盖记忆模块、多代理系统、代码执行代理等核心功能。www.manning.com/books/build-an-ai-agent-from-scratch主要内容：- 实现ReAct推理循环，支持思考-行动-观察闭环；- MCP协议集成工具调用，提升代理工作流效率；- Agentic RAG实现相关知识检索和响应优化；- 构建记忆模块，存储事实、上下文和动态目标；- 代理规划、反思和自我修正机制；- 开发专业代理如代码执行代理；- 设计多代理协作系统。全Python实现，标准笔记本电脑即可运行，适合AI开发者与从业者。MEAP已100%章节可用，附GitHub源码。#AI-Agent##大语言模型##人工智能#

29. 我有一个想法其实想了有一段时间了。在以往我们开发软件，给用户的是 App，但现在共识慢慢变成了，除了做 GUI，也要有 CLI 和 MCP.因为用户很可能不再愿意用 GUI 去亲自操作获得结果，而是想要把中间的过程交给 AI Agent.好，那么对于企业传播来说，是不是也有类似的情况呢？我觉得是有的。在之前，企业的官方宣传片，官网，社交媒体，加上第三方媒体的内容，其实就相当于 GUI.但是消费者也越来越不爱自己去看这些东西了。企业与其写一个几十上百页的评测指南，然后交给媒体去「翻译」，还不如直接把这些东西公开，让它们成为 CLI 或者 MCP，效率要高得多。所以在未来，我觉得媒体如果没有客观测试的能力，比如真能测试厂商给的数值和实际数值的差异，否则几乎没有存在的意义。

30. MCP、Skills、SubAgent 到底是啥？简单捋一下

31. 云原生网关 Higress 与服务注册 Nacos 的创新结合：打造零代码扩展 AI 工具的能力

32. Kali Linux通过MCP集成Claude AI实现渗透测试自动化

33. 开发者经常需要申请X API权限、处理OAuth认证、维护tokens，还要手动调用各种API端点，繁琐且容易出错。xdevplatform/xmcp 把X API完整功能暴露为MCP工具服务器，让AI助手一键调用X（Twitter）全套接口，无需复杂认证。支持发帖、搜索推文、获取用户数据、管理列表、媒体上传等数百个工具调用，通过FastMCP协议无缝集成到Claude/Grok等AI中。GitHub：github.com/xdevplatform/xmcp主要功能：- 完整X API工具集（排除流式/回调端点），支持发帖、搜索、用户查询、列表管理等；- 自动OAuth1认证，开浏览器一键授权，tokens内存存储无需持久化；- 支持工具白名单过滤，自定义加载所需API如getUsersByUsername、createPosts；- 高性能FastMCP服务器，默认http:// 127.0.1:8000/mcp，易于ngrok外网暴露；- 可选Grok测试客户端，一键验证工具调用效果；- Python 3.9+单文件部署，配置.env后python server.py即启动。支持本地/远程部署，完美适配AI开发者和X平台自动化需求。#MCP##XAPI##人工智能##AI开发#

34. 在线数据分析和查询常常需要登陆多个平台，查找不同接口，操作繁琐且耗时。 datagouv-mcp 这个开源项目，是法国官方 data.gouv.fr 国家开放数据平台的 MCP（Model Context Protocol）服务器。通过这个服务，AI 聊天机器人（如 ChatGPT、Claude、Gemini 等）可以直接对接，便捷地检索、探索和分析法国内的开放数据。功能非常强大： - 直接通过对话搜索和筛选数据集，支持关键词模糊查询； - 获取详尽的数据集和资源信息，包括元数据、格式、大小和下载链接； - 还能调用 Tabular API 在线查询表格资源，轻松提取结构化数据； - 支持外部 Dataservices（第三方公开API）搜索和接口文档查看； - 提供数据访问的实时指标监控，如访问量和下载量； - 开箱即用的公共实例（mcp.data.gouv.fr/mcp）无门槛可用。支持多平台接入（ChatGPT、Cursor、Claude Desktop、VS Code等），还有 Docker 环境和本地部署方案，方便开发者、数据科学家和 AI 工程师快速集成国标开放数据。 GitHub：github.com/datagouv/datagouv-mcp 主要特点： - 免去网站繁琐操作，聊天式智能数据查询新体验； - 框架清晰、文档完善，易于二次开发与定制； - 目标明确，专注于法国国标数据服务，权威可靠； - 完全开源，MIT 许可证自由使用修改。适合政府数据开放、数据驱动研发、AI辅助决策等多种场景，提升工作效率，释放数据价值。 #AI创造营##人工智能#

35. 回复@祝威廉二世:脚本在我看来仍然是工具和参数的组织而且脚本运行空间应该与外界隔绝 call tools 仍然需要物理逻辑和权限的边界。mcp是一个rpc的边界命令工具调用的包也是 openapi的一个restful 也是//@祝威廉二世:skills 现在也带大大量的脚本，这里实际上就是类似MCP 了//@韦恩卑鄙:不太能同意。 mcp 和skills 本质上是两层的东西 skills 本质是subagent 带来的自动编排创建/编排/执行tools。mcp 是较为纯粹的tools封装，只要还有安全封装这件事情这俩就没有可比性。

36. OpenAI 正式成立了一家新公司，叫"OpenAI Deployment Company"（部署公司），专门帮企业把 AI 真正用起来。这家公司拿到了超过 40 亿美元的初始投资，由 OpenAI 控股，合作方包括 TPG、Advent、Bain Capital、Brookfield 等 19 家全球顶级投资机构、咨询公司和系统集成商，McKinsey、Bain & Company、Capgemini 这些咨询巨头也在其中。这家公司的核心角色叫 FDE（Forward Deployed Engineer，前线部署工程师）。他们会直接驻扎到客户的组织内部，和业务负责人、一线团队一起工作，找出 AI 能产生最大价值的环节，然后从头重新设计工作流程，把 AI 系统建成能在日常运营中稳定使用的生产级系统。为了从第一天就有战斗力，OpenAI 同时宣布收购了一家叫 Tomoro 的应用 AI 咨询工程公司，直接带来大约 150 名有经验的部署工程师。Tomoro 之前服务过 Tesco、Virgin Atlantic、Supercell 这些公司，做的都是对可靠性和业务影响有硬要求的关键流程。OpenAI 为什么要单独成立这家公司？他们的判断很明确：模型能力已经足够强了，企业 AI 的下一阶段，胜负手在于谁能把这些能力真正嵌入到业务流程里去。过去几年超过一百万家企业用了 OpenAI 的产品和 API，但在实际部署中他们发现了一个反复出现的模式：技术本身不是瓶颈，怎么把技术和组织的数据、工具、权限控制、业务流程打通才是最难的部分。这家部署公司还有一个独特优势：因为和 OpenAI 研究团队紧密相连，FDE 们能提前知道下一代模型的能力方向，帮客户建的系统天然就是面向未来的，新模型一出来就能直接受益，不用推倒重来。OpenAI CRO Denise Dresser 说了一句话总结得很到位：AI 已经能在组织内部做越来越有意义的工作了，现在的挑战是帮企业把这些系统整合进真正驱动业务运转的基础设施和工作流里去。#科技先锋官##How I AI#

37. 配50个Claude项目手改mcp.json？这招让你永远只改1次

38. //@Dcatfly:技能中也可以调用工具，能用 skill 优先用 skill，因为 skill 会按需加载上下文，初始化时更省上下文空间//@宝玉xp:回复@不靠谱的寒大嘴:不会，两者互补，Skill 是技能，MCP 是调用工具//@不靠谱的寒大嘴:skills会取代mcp吗？

39. 当下AI最火的三条主线其实很清晰：AI编程、企业智能体、AI创意生成。从数据服务视角看：AI编程基本已经做“关门”了，格局和供给都相对定型；企业智能体才是真的想象空间巨大，harness engineering、各类skills、工具编排、安全对齐，可做的服务特别多；AI创意生成则还在高速爬坡，高质量音画同步、真人级语音、精细化素材数据，缺口都还很大，空间依然非常广阔。三条路，三种完全不同的数据服务机会。

40. MCP协议实战

41. CS146S The Modern Software Developer——MCP 学习笔记

42. MCP详解指南

43. 82.7k Star！这个项目收集了GitHub上各类MCP服务器实现

44. MCP协议

45. MCP

46. 我为什么要学MCP？

47. 【喂饭教程】保姆级AI大模型MCP教程

48. MCP 已成行业标准

49. 旁听斯坦福的AI编程课（第四讲）

50. 【必藏】Model Context Protocol (MCP)

51. Model Context Protocol 是啥

52. 智能体设计模式（10）Model Context Protocol（模型上下文协议）

53. MCP 完全入门指南

54. 一切尽在网关，MCP 如何在企业落地

55. MCP企业级部署

56. 派拉新产品发布（四）｜MCP 网关 × Ditto

57. MCP协议实战进阶

58. MCP访问治理

59. Spring AI MCP 实战

60. MCP协议深度拆解

61. 读懂AI底层范式

62. 告别插件时代

63. MCP实战

64. MCP

65. RAG与MCP

66. RAG MCP Skill Agent 到底啥区别？

67. RAG 与 MCP

68. 【搞懂AI · 第5期】RAG与MCP深度解析

69. 拆解 RAG 与 MCP

70. MCP协议正在重塑RAG工程

71. MCP协议是什么，为何AI工具需要它

72. AI驱动的数据认知革命

73. 突破数据与工具孤岛的MCP协议与协作网络

74. 企业AI集成破局

75. 驯服数据混乱

76. 打破数据孤岛

77. MCP协议

78. AI代理底层对决

79. MCP当道，SaaS已死，你怎么看？

80. 大模型如何执行业务动作

81. 编排

82. 数据中台如何与AI大模型对接

83. 招投标数据API

84. 构建完全本地的MCP客户端

85. 【深度技术】MCP协议

86. MCP，正在成为AI界的“USB-C”接口

87. 一篇讲透MCP的核心原理、动手实践、扩展思路、与Agent/Skill的协同关系

88. MCP

89. MCP 到底是什么——从工具调用到工具生态的标准化

90. MCP 协议设计

91. 【Hermes教程第十一章】MCP服务器

92. MCP 协议深度解析

93. 5 分钟彻底搞定MCP（模型上下文协议）完整详解手册

94. MCP 协议爆火背后

95. MCP 协议

96. AI Agent 2.0时代

97. AI实战｜用Cursor+MCP协议打造你的私人AI编程助手，效率翻倍不是梦

98. Claude Code MCP Protocol

99. CS146S 现代软件开发二

100. MCP解读（转载）

101. Google《Agent Tools&MCP》重磅白皮书

102. Claude Code 通过 MCP 调用电脑工具完全教程

103. AI的辅助利器MCP

104. [ClaudeCode] MCP (Model Context Protocol) 工作原理详解

105. 第2篇

106. 聊聊MCP三种通信机制 —— 一场技术面试实录

107. 什么是 MCP（下）

108. MCP 不能只当工具插座

109. MCP与Skill

110. Agent 的万能插座

111. 三大 AI Agent 协议

112. 为什么越来越多AI框架支持MCP？模型上下文协议到底解决了什么问题

113. 一文读懂爆火的MCP(小白友好版)

114. 一文了解：LangChain、LangGraph与MCP框架集成原理分析

115. 将AI Agent 暴露为 MCP 工具，供第三方安全调用

116. MCP最全详解

117. Spring AI MCP 双向通信深度实战：四大 Provider、采样回调与双模部署，重塑 AI 微服务架构

118. 使用Trae配置MySQL MCP智能体进行数据库取证

119. MCP：Agent 工具调用的下一站

120. 第十篇：插件、MCP、Skills：Claude Code 怎么从封闭工具变成开放平台

121. 阿里云:AI应用AI Agent开发新范式

122. MCP协议实战：让AI直接操作数据库

123. 搞懂 MCP：AI 工具协议是怎么一回事

124. 案例分享——MCP改进提案在生产中落地的例子

125. MCP (Model Context Protocol) 实现原理简介

126. 【2026 AI硬件开发学习必看系列】智能硬件接MCP服务开发上手看这篇就够了

127. 《智能体设计模式》读书翻译笔记——第10章模型上下文协议（MCP）

128. GreptimeDB MCP Server v0.3：安全查询、Pipeline 管理与 Prompt 模板升级

129. 7大Model Context Protocol服务器，彻底颠覆你的AI辅助开发体验

130. 告别RAG四大痛点：MCP+数据库让大模型精准检索结构化数据的黑科技，实测效果吊打传统方法！

131. MCP Server 如何助力 Lakehouse 实现 AI 驱动的 6 大数据应用场景

132. Simon Willison 本周把 SQL 塞进 Google Sheets 直连 Datasette 之后，我重新审视了一次我们 AI 应用的数据接入层

133. MCP API Gateway：用 FastMCP 把多个外部 API 统一成标准化工具

134. 突破RAG瓶颈，MCP如何解决工具单一、缺乏判断的结构性痛点！

135. AI应用开发：RAG、MCP和Skill

136. MCP 从入门到实战完整教程（Windows 版）

137. MCP协议本地AI工具深度对比：从原理到实战，手把手教你搭建私有智能体

138. 我用 QVeris 给 AI 接入上万个 API，实测金融投研场景：一个入口搞定所有数据

139. 给 AI 装上万能插座：MCP 协议工程实战全攻略

140. AI MCP Gateway 网关，可以写简历啦！

141. Spring-AI 结合自定义 mcp server 实现飞书智能机器人

142. AI Agent 实战11：手把手教你用 MCP 扩展大模型的能力

143. Agent之间怎么对话？MCP协议深度解析

144. MCP调试工具：MCP Inspector 功能介绍

145. YC支持的MCP集成平台来了！AI Agents终于可以"指挥"所有工具

146. MCP 爆火背后：是技术革命，还是精心包装的“新瓶旧酒”？

147. 了解MCP吗？

148. 如何使用 MCP 中的 STDIO 模式？

149. 15 分钟用 FastMCP 搭建你的第一个 MCP Server（附完整代码）

150. 大型企业AI应用开发：破解数据孤岛，构建统一智能底座

151. git_mcp服务部署

152. 用Spring AI接入MCP,工具调用从此跨服务、可插拔

153. 技术分享 | 离线AI问答式分析服务器实战：断网可用

154. 据说，80%的人都搞不懂MCP底层？

155. 一文吃透 Spring AI Alibaba + MCP：服务端搭建 + 客户端调用全流程

156. [AIAgent-MCP]学了半天MCP，原来核心就这条调用链

157. AI智能问数与数据仓库联动方案：打破数据孤岛

158. 收藏备用！Python+FastMCP从零搭MCP服务器，打通大模型与网络自动化

159. MCP 协议全攻略 | 从零到一彻底搞定标准化通信

160. 【告别“伪智能”代码：用 Spec + RAG 打造真正懂你的AI程序员】本文提出“SPEC（硬规则）+ RAG（软上下文）+ MCP（标准化接口）”三位一体AI编码知识增强体系：SPEC保障代码准确性与可验证性；RAG动态检索非结构化知识提升语境理解；MCP实现工具与数据的安全、灵活集成，共同解决

161. 一文手把手教你把卖家精灵mcp集成到你的AI工具中，建议收藏~

162. 一站式开发/调试/部署/运行远程mcp服务实践

163. 使用 MCP 服务器，把乐鑫文档接入 AI 工作流 - 哔哩哔哩

164. 使用 LM Studio 学习本地 MCP 基础知识，手把手搭建本地计MCP

165. 从零开始：Higress网关实现MySQL和REST API秒变MCP服务

166. 告别手动调试！用 Flutter MCP 让 AI 直接操控你的 App

167. Opera Neon引入MCP连接器开放浏览器控制权给外部AI代理

MCP连接器：打通企业数据孤岛，实现AI高效落地的标准化方案

精选参考来源