我的开发环境里的 MCP 全家桶：一场全景盘点

2026-08-02

前言

如果你经常使用 AI 编程助手，一定听过 MCP 这个词。它正在成为 AI 应用连接外部世界的「普通话」。这篇文章不是协议文档的复读，而是把我当前开发环境里正在使用的一整套 MCP 服务器做一个全景盘点：它们各自是什么、能干什么、有哪些代表性工具、以及如何组合出实用的工作流。

一、MCP 是什么

MCP（Model Context Protocol，模型上下文协议）是一套开放协议，目标是解决一个老问题：AI 应用如何标准化地访问外部工具和数据。

在 MCP 出现之前，每个 AI 应用对接每个工具都要写私有适配器，就像每个电器都配一个专属插座。MCP 定义了统一的「插座标准」：

MCP Server（服务端）：把能力暴露出来，比如「我这边有一份代码图谱可以查」「我可以控制浏览器」。
MCP Client（客户端）：AI 应用（如 Codex、Claude Desktop）连接这些服务端，把工具调用交给模型。
工具（Tools）：服务端暴露的可调用能力，每个工具都有名字、参数和描述，模型会根据任务自动选择合适的工具。

一句话：MCP 是 AI 的 USB-C——一套协议，万物互联。

二、我的 MCP 环境总览

下面是我当前环境里实际可用的 MCP 服务器清单（截至 2026 年 8 月）：

服务器	定位	代表能力
`codebase-memory-mcp`	代码知识图谱	全仓库索引、图检索、调用链追踪、架构分析
`godot-mcp`	Godot 游戏引擎	场景搭建、脚本、着色器、动画、运行与导出
`playwright`	浏览器自动化	导航、点击、截图、网络抓包、无障碍快照
`local_rag`	本地向量知识库	文档摄入、混合检索、增量同步
`node_repl`	Node.js 执行器	持久内核跑 JS、动态加载 npm 包
`chart_mcp`	数据可视化	matplotlib / seaborn / pyecharts 生成图表
`imagemagick_mcp`	图像处理	格式转换、滤镜、元数据读取
`multi_agent`	多智能体编排	并行子任务、流水线协作

下面逐一展开。

三、逐个体检

1. codebase-memory-mcp：把仓库变成一张可查询的图

这是我最常用的一个。它会把整个代码仓库索引成语义知识图谱：函数、类、路由、文件作为节点，调用、依赖、数据流作为边。

核心工具：

工具	用途
`index_repository`	全量索引仓库（支持 full / moderate / fast 三档）
`search_graph`	关键词、正则、语义三种模式搜索代码符号
`trace_path`	追踪调用链：谁调用了它、它又调用了谁
`get_code_snippet`	直接读取某个函数/类的源码
`query_graph`	用 Cypher 写复杂查询，比如找循环复杂度超标的热点函数
`get_architecture`	一键生成架构总览（Leiden 社区检测自动划分模块）
`detect_changes`	对比分支/时间点，检测代码变更与影响面
`manage_adr`	把架构洞察沉淀为 Architecture Decision Record

举两个有意思的能力：

热点路径分析：图谱会给每个函数标注 transitive_loop_depth（传递循环深度）、linear_scan_in_loop（循环内的线性扫描次数）等复杂度属性，一条 Cypher 就能找出潜在的 O(n²) 隐患。
跨仓库追踪：通过 HTTP 路由节点匹配，可以识别服务间的调用关系。

以本仓库（zhimalab，Astro 静态站）为例，索引结果：13,408 个节点、48,074 条边，之后所有代码检索都走图而非裸 grep。

2. godot-mcp：用 AI 直接操作游戏引擎

Godot 是开源游戏引擎，godot-mcp 把编辑器能力暴露成了 100+ 个工具，几乎覆盖游戏开发全流程：

场景：create_scene / add_node / clone_node / edit_scene 批量操作
脚本：create_script / write_script / validate_script，甚至 editor_run_gdscript 直接在编辑器上下文执行代码
渲染：create_shader / write_shader / VisualShader 可视化节点图编辑
动画与物理：动画轨道与关键帧、碰撞体、物理材质、关节、车辆
运行与验证：editor_play / run_project / capture_screenshot / export_project / validate_project

这意味着 AI 可以「搭场景 → 写脚本 → 跑起来 → 截图检查 → 修 bug」形成闭环，而不只是生成一堆让你手动粘贴的代码。

3. playwright：给 AI 一双能看能点的浏览器

Playwright 是著名的浏览器自动化框架，作为 MCP 后模型可以直接操作真实浏览器：

交互：browser_navigate / click / type / fill_form / select_option / drag
观察：browser_snapshot（无障碍树快照，比截图更适合让 AI「看懂」页面）、browser_take_screenshot
诊断：browser_network_requests 抓接口请求、browser_console_messages 看控制台报错
进阶：browser_run_code_unsafe 执行任意 Playwright 代码片段

典型场景：写完一个页面后，让 AI 自己打开浏览器访问、点击、截图核对样式，比人肉验证快得多。

4. local_rag：本地运行的私人知识库

local_rag 是一个完全本地化的 RAG（检索增强生成）服务：

ingest_file：摄入 PDF / DOCX / TXT / Markdown
ingest_data：摄入网页抓取文本、剪贴板等内存内容
query_documents：混合检索（关键词 + 语义向量）
read_chunk_neighbors：查看命中断落前后文
sync_start：与磁盘对账，增量摄入、自动清理已删除文件

最大的价值是隐私：文档不出本机，适合放产品文档、个人笔记、论文 PDF 等敏感资料。

5. node_repl：一个常驻的 Node 执行环境

node_repl 提供一个持久化的 Node.js 内核，好处是状态跨调用保留：

跑任意 JavaScript（支持顶层 await）
动态 import npm 包（配合 js_add_node_module_dir 添加模块搜索路径）
常驻变量和绑定，多次调用间可复用
还能直接和 Playwright 等库联动

适合数据处理、脚本验证、算法推演等「需要真正执行」的场景。

6. chart_mcp：一句话出图

generate_chart 内部用 Python（matplotlib / seaborn / pyecharts）渲染图表，输出 PNG / SVG / 交互式 HTML，list_charts 管理历史产物。写技术博客配数据图时非常好用。

7. imagemagick_mcp：图像处理工具箱

基于 ImageMagick 的封装：

magick_convert：格式转换、缩放、压缩、灰度
magick_filter：模糊、锐化、素描、油画、去色等滤镜
magick_info：读取格式、尺寸、色彩空间、位深等元数据

8. multi_agent：让多个 AI 并行干活

除了单机工具，我的环境还支持多智能体编排：spawn_agent 派生子代理、send_input 派发任务、wait_agent 等待结果。适合把「资料调研」「代码实现」「测试验证」拆成互不依赖的并行任务。

四、Skills：另一层「技能包」

与 MCP 服务器并列的还有一套 Skills（技能包） 机制——把「怎么做一件事」的完整流程写成可复用的指令文档：

技能	用途
`imagegen`	AI 生成/编辑位图图像
`archify`	一键生成架构图 / 时序图 / 流程图（HTML+SVG，可导出）
`openai-docs`	检索 OpenAI 官方文档
`plugin-creator` / `skill-creator` / `skill-installer`	创建、安装、管理 Codex 插件与技能
`browser:control-in-app-browser`	控制应用内浏览器
`template-creator`	把参考文档变成可复用模板

简单理解：MCP 管「手」（能调用什么工具），Skill 管「脑」（知道该怎么做）。

五、组合出来的工作流

单个工具是点，组合起来才是面。分享几个我实际在用的组合拳：

工作流 1：快速理解一个陌生仓库

index_repository  →  search_graph 找入口符号
                  →  trace_path 追踪调用链
                  →  get_code_snippet 读关键实现
                  →  get_architecture 看整体架构

工作流 2：写技术博客配数据图

chart_mcp 生成数据图（PNG/SVG）
  →  imagemagick 压缩 / 裁剪 / 加水印
  →  Playwright 截图验证页面排版

工作流 3：AI 辅助游戏开发

godot-mcp 建场景 + 写脚本
  →  editor_play 运行
  →  capture_screenshot 截图检查
  →  validate_project 校验引用完整性

工作流 4：私有文档问答

local_rag 摄入 PDF / 网页
  →  query_documents 检索答案（数据不出本机）

工作流 5：网页功能验证

Playwright 打开页面 → 快照理解结构 → 点击/填表
  →  network_requests 抓接口 → console 查报错 → 截图留档

六、一些心得与提醒

工具是给人用的，命名有规律。MCP 工具通常以 mcp__服务器名__工具名 暴露，看到名字就知道来自哪个服务器。
权限意识。浏览器自动化、文件写入、媒体权限这类工具，使用时要确认作用范围，尤其是「任意代码执行」级别的能力（如 browser_run_code_unsafe）。
本地优先。local_rag、codebase-memory 这类服务在本地运行，数据不离开你的机器，敏感项目可以放心用。
组合比单点重要。单个 MCP 服务器只是能力单元，真正提效的是把它们编排进工作流——这也是我在本文最后想强调的：AI 编程的下半场，拼的不是模型，而是模型周围那圈工具生态。

结语

MCP 把「AI 只能聊天」变成了「AI 能干活」。从代码图谱到游戏引擎，从浏览器到本地知识库，这套生态正在快速成熟。如果你还没试过，建议从一两个高频场景切入：代码理解装一个知识图谱类服务器，网页验证装一个 Playwright——体验过「AI 自己打开浏览器检查页面」的那一刻，你就回不去了。