MCP Server 開發實戰：從零打造 AI Agent 工具整合系統

你有沒有想過，為什麼有些 AI Agent 可以讀取你的檔案、查詢資料庫、甚至幫你發送訊息，而有些卻只能對話？關鍵就在於MCP（Model Context Protocol）——Anthropic 推出的開源標準，被稱為「AI 的 USB-C」。

身為一個從去年就開始玩 MCP 的 AI 工程師，我必須說這東西真的改變了我開發 AI 應用的方式。今天就來手把手教你怎麼從零開始建置自己的 MCP Server。

什麼是 MCP？為什麼你需要它

MCP 全名 Model Context Protocol，是一個讓 AI 模型能安全地與外部工具和資料來源互動的標準協議。簡單來說，它就是 AI Agent 的「手腳」——沒有 MCP，AI 只能用嘴巴說；有了 MCP，AI 可以實際動手做事。

MCP 的架構由四個核心元件組成：

• MCP Client：像是 Claude Desktop、Claude Code 或你自己寫的應用程式
• MCP Server：暴露工具（Tools）的服務端，用 JSON-RPC 2.0 通訊
• Tool Adapter：實際執行邏輯的輕量包裝
• Policy Layer：管理權限、頻率限制和日誌

如果你對 RAG 文件切割策略已經有了解的話，MCP 可以想成是把那些處理好的知識「接上」AI 的管道。

環境準備：你需要什麼

開始之前，確認你有以下環境：

# Node.js 18+ 或 Python 3.10+
node --version  # v20.x 以上推薦
python --version  # 3.10+

# 安裝 MCP SDK
npm install @modelcontextprotocol/sdk
# 或 Python
pip install mcp

我個人偏好用 TypeScript 來寫 MCP Server，型別檢查在這種協議層開發特別有用。但 Python 的 FastMCP 框架也很香，看你習慣哪個。

Step 1：建立基本的 MCP Server

先來寫一個最簡單的 MCP Server，提供一個「查詢天氣」的工具：

import { McpServer } from "@modelcontextprotocol/sdk/server/mcp.js";
import { StdioServerTransport } from "@modelcontextprotocol/sdk/server/stdio.js";

const server = new McpServer({
  name: "weather-server",
  version: "1.0.0",
});

server.tool(
  "get_weather",
  "查詢指定城市的天氣資訊",
  { city: { type: "string", description: "城市名稱" } },
  async ({ city }) => {
    const weather = await fetchWeather(city);
    return {
      content: [{ type: "text", text: JSON.stringify(weather) }]
    };
  }
);

const transport = new StdioServerTransport();
await server.connect(transport);

這段程式碼做了三件事：建立 Server 實例、註冊一個工具、然後透過 stdio 傳輸層啟動。就這麼簡單。

Step 2：加入資料庫查詢能力

光查天氣太無聊了。讓我們加入更實用的功能——查詢 PostgreSQL 資料庫：

import { Pool } from "pg";

const pool = new Pool({
  connectionString: process.env.DATABASE_URL,
});

server.tool(
  "query_database",
  "執行唯讀的 SQL 查詢",
  { sql: { type: "string", description: "SELECT 開頭的 SQL 查詢語句" } },
  async ({ sql }) => {
    if (!sql.trim().toUpperCase().startsWith("SELECT")) {
      return { content: [{ type: "text", text: "錯誤：只允許 SELECT 查詢" }], isError: true };
    }
    const result = await pool.query(sql);
    return { content: [{ type: "text", text: JSON.stringify(result.rows, null, 2) }] };
  }
);

注意安全性！這裡我們做了最基本的檢查——只允許 SELECT 查詢。在生產環境中，你還需要加上參數化查詢、查詢白名單等更嚴格的防護。

Step 3：Resource 與 Prompt 的運用

MCP 不只有 Tools，還有 Resources 和 Prompts 兩個重要概念：

• Resources：讓 AI 能讀取的靜態或動態資料來源
• Prompts：預設的提示模板，讓使用者更容易觸發特定工作流

server.resource(
  "project-docs",
  "file:///docs/**",
  async (uri) => {
    const content = await readFile(uri.path);
    return {
      contents: [{ uri: uri.toString(), mimeType: "text/markdown", text: content }]
    };
  }
);

server.prompt(
  "code-review",
  "幫忙做 Code Review",
  [{ name: "file", description: "要 review 的檔案路徑" }],
  async ({ file }) => ({
    messages: [{ role: "user", content: { type: "text", text: `請幫我 review 以下檔案：${file}` } }]
  })
);

Step 4：部署與連接 Claude

寫好 Server 後，要讓 Claude Desktop 能連上它。在設定檔中加入你的 MCP Server 路徑和環境變數，重啟後 Claude 就能自動偵測可用的工具，並在需要時呼叫它們。

MCP vs Function Calling：該選哪個？

你可能會問：MCP 跟 OpenAI 的 Function Calling 有什麼不同？

簡單說，Function Calling 是「告訴 AI 可以呼叫什麼函式」，MCP 是「建立一個標準化的工具生態系」。兩者不衝突，甚至可以一起用。

實戰案例：自動化 SEO 工作流

來分享一個我自己在用的案例。我建了一個 MCP Server，讓 Claude 可以查詢資料庫中的文章數據、分析哪些關鍵字還沒有覆蓋、自動生成文章大綱、發布到 CMS 系統。整個流程從手動操作 2 小時縮短到 AI 自動完成只要 10 分鐘。這就是 MCP 的威力。

如果你對 LangChain Agent 工具呼叫有興趣的話，MCP 可以說是更標準化、更易用的替代方案。而如果你想深入了解 LangChain vs LlamaIndex 的比較，MCP 提供了一個統一的工具層，讓你不必被框架綁死。

常見踩坑與解決方案

1. stdio 傳輸中文亂碼

確保你的 Node.js 環境使用 UTF-8 編碼。可以在啟動時設定環境變數 LANG=en_US.UTF-8。

2. 工具回傳太慢被 timeout

MCP Client 通常有 30 秒的預設 timeout。如果你的工具需要更長時間，考慮改用 SSE（Server-Sent Events）傳輸層，支援串流回傳。

3. 權限管理不夠細緻

在 Policy Layer 中設定工具級別的權限。比如資料庫工具只允許讀取，檔案工具限制在特定目錄內。

結語

MCP 還在快速演進中，2026 年初已經有超過 30 個工具支援這個標準。從 GitHub、Google Drive 到 Slack，幾乎你日常用的工具都可以透過 MCP 接入 AI。我的建議是：先從一個簡單的 MCP Server 開始，解決你自己的一個痛點。

如果你對 AI Agent 的整體架構感興趣，推薦也看看RAG 應用開發完整指南和Prompt Engineering 進階技巧，搭配 MCP 使用威力更強。