不写一行代码，零基础接入MCP！Cursor、阿里云百炼、Open-WebUI、Cherry Studio接入10大最热门MCP工具实战流程！

一、MCP基础技术回顾

1. MCP服务器Server合集

• MCP官方服务器合集：https://github.com/modelcontextprotocol/servers

• MCP Github热门导航：https://github.com/punkpeye/awesome-mcp-servers

• MCP工具注册平台：https://github.com/ahujasid/blender-mcp

• MCP导航：https://mcp.so/

• 阿里云百炼：https://bailian.console.aliyun.com/?tab=mcp

2. MCP热门客户端Client

        除了能在命令行中创建MCP客户端外，还支持各类客户端的调用：https://modelcontextprotocol.io/clients

二、Cursor接入MCP工具流程

        Cursor是一款集成了人工智能功能的现代化代码编辑器，旨在提升开发者的编码效率和体验。通过内置的AI助手，Cursor能够提供代码补全、错误检测、优化建议等智能辅助功能，帮助开发者更快速地编写高质量代码。

        当Cursor接入MCP（Model Context Protocol）后，其功能得到了进一步扩展。MCP是由Anthropic于2024年11月推出的开放标准协议，旨在为AI模型与外部工具或数据源之间建立标准化的接口。通过MCP，Cursor可以与各种外部工具和服务进行交互，例如数据库、文件系统、浏览器等，从而使AI助手具备更强的环境感知和操作能力。

        例如，开发者可以在Cursor中通过自然语言指令，直接让AI助手访问数据库查询数据、调用浏览器进行网页搜索，甚至控制Blender等专业软件进行3D建模操作。这种深度集成使得开发者无需离开Cursor编辑器，就能完成以往需要在多个工具之间切换才能完成的任务，大大提升了开发效率和工作流的连贯性。

        总之，Cursor结合MCP协议，为开发者打造了一个功能强大且高度可扩展的智能编码环境，使AI助手不仅能理解和生成代码，还能与广泛的外部工具和服务协同工作，真正实现了智能化的开发体验。

• cursor中国区官网：https://www.cursor.com/cn

• cursor 0219加入MCP功能更新公告：https://www.cursor.com/cn/changelog/agent-is-ready-and-ui-refresh?utm_source=chatgpt.com

1.Cursor安装与Agent模式开启

1.1 Cursor安装流程

1.2 Cursor Agent调用模式

        Cursor的Agent功能是其编辑器中的一项核心特性，旨在通过深度集成人工智能技术，主动与开发者的代码库交互，提供上下文相关的建议、代码生成和操作支持。Agent模式的设计目标是成为开发者的“智能编程伙伴”，帮助完成复杂任务并提升开发效率。

Agent模式的主要功能包括：

• 自动上下文提取：Agent会自动从代码库中提取相关上下文信息，帮助开发者快速定位问题或生成代码。 citeturn0search0

• 运行终端命令：无需离开编辑器，即可直接运行命令行操作。

• 文件操作：支持文件创建、修改、删除等操作，简化开发流程。

• 语义搜索：通过代码语义搜索功能，快速找到关键代码片段。

启用Agent模式非常简单，只需使用快捷键 ⌘.（Mac）或 Ctrl + .（Windows/Linux），即可激活Agent功能。在Agent模式下，你可以通过命令行或快捷键执行上下文管理、终端操作和文件交互等操作。

例如，在代码重构场景中，Agent会根据代码库上下文提供优化建议，并自动生成替代代码。当代码出现错误时，Agent不仅会标注问题，还会提供详细的修复建议，并自动修复。通过Agent模式，Cursor旨在为开发者提供一个智能、高效的编程环境，减少手动操作，提高开发效率。

        具体开启流程如下所示：

然后在当前页面完成订阅：

然后即可采用Agent模式进行对话：

Cursor 编辑器提供三种对话模式：Ask、Agent 和 Manual，每种模式适用于不同的开发需求。

1. Ask 模式： 此模式主要用于探索和了解代码库，而不会对代码进行任何修改。开发者可以在该模式下向 AI 提问，获取关于代码的解释、功能说明或建议。该模式是“只读”的，不会主动更改代码。

2. Agent 模式： 这是 Cursor 中最为自主的模式，设计用于处理复杂的编码任务，具有全面的工具访问权限。在该模式下，Agent 可以自主探索代码库、读取文档、浏览网页、编辑文件，并运行终端命令，以高效完成任务。例如，开发者可以指示 Agent 添加新功能或重构代码，Agent 将自动执行相关操作。

3. Manual 模式： 此模式允许开发者手动控制 AI 对代码的修改。开发者可以选择特定的代码片段，描述希望进行的更改，AI 将根据描述提供修改建议，开发者可以选择是否应用这些更改。该模式适用于需要精确控制代码修改的场景。

2.将新版Cursor接入MCP

        Cursor接入MCP的方法有很多种，我们首先尝试将更加规范、维护更好的Smithery平台上的MCP工具接入Cursor，然后再接入GitHub MCP工具。

• https://smithery.ai/

Smithery 是一个专门用于管理和分发 MCP（Model Context Protocol）服务器的平台，旨在帮助开发者和 AI 模型轻松发现、安装和管理各种 MCP 服务器。Smithery 平台上的 MCP 工具与 GitHub 上的 MCP 工具的对比：

2.1 安装基础依赖

        MCP 工具依赖于 Node.js 和 npm，我们需要先对其进行安装。Windows下可以在官网上进行下载安装：https://nodejs.org/zh-cn

        在使用 Model Context Protocol（MCP）时，是否需要安装 Node.js 取决于您所选择的 MCP 服务器的实现方式。MCP 是一个开放协议，允许大型语言模型（LLM）与外部工具和数据源进行标准化交互。不同的 MCP 服务器可以使用多种编程语言实现，包括但不限于 Node.js、Python 和 Java。而目前Node.js 实现的 MCP 服务器：许多开发者选择使用 Node.js 来实现 MCP 服务器，主要因为其拥有丰富的包管理生态系统（如 npm），以及在处理异步操作和 I/O 密集型任务方面的高效性。例如，开发者可以使用 Node.js 快速搭建一个 MCP 服务器，以提供特定的功能或工具。

具体安装过程一路点击下一步即可：

然后使用pip安装uv：

pip install uv

安装完成后即可在cursor中查看安装结果：

node -vnpm -v pip show uv

2.2 尝试为Cursor添加MCP工具

        Sequential Thinking 是一个基于 Model Context Protocol（MCP）的服务器工具，旨在通过结构化的思维流程，帮助用户动态、反思性地解决复杂问题。 该工具将问题拆解为可管理的步骤，每个步骤都可以建立在先前的见解之上，或对其进行质疑和修正，从而逐步深化对问题的理解，最终形成全面的解决方案。

然后打开cursor：

并写入如下内容：

"server-sequential-thinking": {      "command": "cmd",      "args": [        "/c",        "npx",        "-y",        "@smithery/cli@latest",        "run",        "@smithery-ai/server-sequential-thinking",        "–key",        "…"      ]    }

然后回到MCP Servers页面，等待验证：

验证通过后，即可开启自动调用工具选项：

点击确认：

然后进行简单问答测试，查看能否顺利调用工具：

请问strawberry有几个r？请先调用sequential-thinking MCP工具进行思考，然后再回答。

2.3 添加Playwright MCP

        Playwright Automation 是一个基于 Model Context Protocol（MCP）的服务器工具，利用 Microsoft 开发的开源浏览器自动化库 Playwright，为大型语言模型（LLMs）和 AI 助手提供与网页交互的能力。

主要功能：

• 网页导航与交互：自动执行网页导航、点击、表单填写等操作，支持复杂的用户行为模拟。

• 内容提取与网页抓取：从网页中提取结构化数据，适用于信息检索和内容分析。

• 截图与可视化：捕获网页或特定元素的截图，便于调试和结果展示。

• JavaScript 执行：在浏览器环境中执行自定义 JavaScript 代码，满足特定的交互需求。

Playwright Automation主页：https://smithery.ai/server/@microsoft/playwright-mcp

然后需要在配置页面写入如下内容：

"playwright-mcp": {      "command": "cmd",      "args": [        "/c",        "npx",        "-y",        "@smithery/cli@latest",        "run",        "@microsoft/playwright-mcp",        "–key",        "……"      ]    }

然后输入如下问题：

你好，请帮我查找MCP（Model Context Protocol）技术的相关内容，并制作一份简易的入门级调研报告，MCP官网地址在@https://github.com/modelcontextprotocol 。你可以使用server-sequential-thinking进行思考，并使用playwright-mcp进行网络信息获取。

此时MCP工具会自动打开网页进行刘兰兰，然后梳理总结报告内容：

2.4 添加FileSystem工具

• FileSystem工具：https://github.com/modelcontextprotocol/servers/tree/main/src/filesystem

Filesystem MCP 是一个基于 Model Context Protocol（MCP）的服务器工具，旨在为大型语言模型（LLMs）和 AI 助手提供对本地文件系统的安全、受控访问。

主要功能：

• 文件读写：允许读取和写入文件内容，支持创建新文件或覆盖现有文件。

• 目录管理：支持创建、列出和删除目录，以及移动文件或目录。

• 文件搜索：能够在指定路径中搜索匹配特定模式的文件或目录。

• 元数据获取：提供获取文件或目录的详细元数据，包括大小、创建时间、修改时间、访问时间、类型和权限等信息。

调用过程如下，需要写入如下配置：

"filesystem": {      "command": "cmd",      "args": [        "/c",        "npx",        "-y",        "@modelcontextprotocol/server-filesystem",        "run",        "C:/Users/Administrator/Desktop/最新流量视频/MCP体验课/MCPTest"      ]    }

然后进行测试：

非常好，接下来请把你的这份调研报告，调用filesystem工具，以md格式写入本地文件，并取名为MCP技术初级调研报告

三、个人助理Cherry Studio接入MCP实现流程

        Cherry Studio 是一款功能强大的桌面客户端，支持与多种大型语言模型（LLM）服务商的无缝集成，包括 OpenAI、Gemini、Anthropic 等，同时兼容本地模型，如通过 Ollama 和 LM Studio 部署的模型。该应用适用于 Windows、Mac 和 Linux 操作系统，提供了丰富的个性化选项和先进的功能，旨在帮助用户在各种场景下提升工作效率。

主要功能：

• 多模型支持：用户可以快速在不同的 LLM 之间切换，以满足不同的需求。

• AI 助手与对话：内置超过 300 个预配置的 AI 助手，并支持自定义助手创建，方便用户根据具体任务定制个性化助手。

• 文档与数据处理：支持处理多种文件格式，包括文本、图像、Office 文档和 PDF 等，内置 WebDAV 文件管理和备份功能，方便用户管理和备份文件。

• 实用工具集成：提供全局搜索、主题管理、AI 驱动的翻译等实用工具，增强用户体验。

接入 MCP 的优势：

        通过集成 Model Context Protocol（MCP），Cherry Studio 的功能得到了进一步扩展。MCP 是一个开放标准协议，旨在为 AI 系统与外部数据源之间建立标准化的接口。通过 MCP，Cherry Studio 能够与各种外部工具和服务进行交互，例如文件系统、浏览器自动化工具等，从而使 AI 助手具备更强的环境感知和操作能力。

        例如，用户可以在 Cherry Studio 中通过自然语言指令，直接让 AI 助手访问本地文件系统、调用浏览器进行网页搜索，甚至控制其他专业软件进行特定操作。这种深度集成使得用户无需离开 Cherry Studio，就能完成以往需要在多个工具之间切换才能完成的任务，大大提升了工作效率和工作流的连贯性。

• CherryStudio主页：https://github.com/CherryHQ/cherry-studio

1.Cherry Studio安装流程

• CherryStudio文档页：https://docs.cherry-ai.com/cherry-studio/download

下载完即可进入对话页面：

然后我们可以将模型切换为DeepSeek官方的模型API：

然后开启：

并尝试进行使用：

同时，为了能顺利调用MCP工具，我们还需要安装uv和bun文件：

这里推荐最快速的方法是直接从网盘中进行下载：

 然后在C:\\Users{用户名}下创建.cherrystudio\\bin目录，并将上面三个.exe文件移入即可。

其他操作系统配置详见：https://docs.cherry-ai.com/advanced-basic/mcp/install

2. Cherry Studio接入MCP流程

        接下来尝试接入filesystem MCP工具：https://github.com/modelcontextprotocol/servers/tree/main/src/filesystem 。

需要在编辑MCP配置页面输入如下内容：

{  "mcpServers": {    "filesystem": {      "isActive": true,      "command": "npx",      "args": [        "-y",        "@modelcontextprotocol/server-filesystem",        "C:/Users/Administrator/Desktop/最新流量视频/MCP体验课/MCPTest"      ],      "name": "filesystem"    }  }}

然后点击开启：

然后在对话中开启MCP工具，这里可选一个或者多个工具：

同时再尝试接入fetch MCP工具，https://github.com/modelcontextprotocol/servers/tree/main/src/fetch：

Fetch MCP 服务器是一个遵循模型上下文协议（Model Context Protocol，MCP）的服务器工具，旨在为大型语言模型（LLMs）提供从互联网检索和处理网页内容的能力。通过将网页的 HTML 内容转换为 Markdown 格式，Fetch MCP 使得 LLMs 能够更高效地理解和利用网页信息。

主要功能：

• 网页内容获取与转换：Fetch MCP 提供了 fetch 工具，可从指定的 URL 获取网页内容，并将其提取为 Markdown 格式，方便 LLMs 消化和处理。

• 支持多种内容格式：除了 Markdown，Fetch MCP 还支持获取网页的 HTML、JSON 和纯文本格式，满足不同应用场景的需求。

• 内容截取与分页：通过 start_index 参数，用户可以指定从网页内容的特定位置开始提取，允许模型分段读取网页，直到找到所需信息。

同样我们需要在MCP配置页面写入如下内容

"fetch": {    "command": "uvx",    "args": ["mcp-server-fetch"]  }

然后开启工具：

并尝试进行调用：

四、阿里云百炼平台接入MCP

• 阿里云百炼平台：https://bailian.console.aliyun.com/#/home

1. 阿里云百炼平台介绍

        阿里云百炼平台是一款一站式的大模型开发及应用构建平台，旨在帮助开发者和业务人员快速设计和构建大模型应用。用户可以通过简洁的界面操作，在短时间内开发出大模型应用或训练专属模型，从而将更多精力专注于应用创新。

        近期，阿里云百炼平台正式推出了全生命周期的MCP（Model-Connect-Protocol）服务，实现了从资源管理到部署运维的全流程自动化。用户仅需5分钟即可快速创建连接MCP服务的智能体（Agent），将大模型技术转化为生产力工具。首批集成了包括高德地图、无影、Fetch、Notion等50余款阿里巴巴集团及第三方MCP服务，覆盖生活服务、办公协同、内容创作等多个领域。

接入MCP的优势：

通过接入MCP服务，阿里云百炼平台为用户提供了高效、便捷的大模型应用开发环境，降低了开发门槛，加速了大模型技术的产业化应用进程。

2. 阿里云百炼接入MCP流程

然后我们进入MCP服务中心，先选择高德MCP工具进行测试：

点击开启服务：

高德地图 MCP 工具是高德地图基于 MCP 协议构建的服务器，整合了高德开放平台的地图服务与智能算法，为企业及开发者提供全场景的地图服务解决方案。 其 12 项核心功能涵盖了地图服务的方方面面，满足企业开发的多样化需求。

主要功能：

• POI 智能提取：能够从文字中精准提取 POI（兴趣点）信息，涵盖位置、详情、打卡点、价格等多维度内容。

• 路径规划：提供驾车、步行、骑行等多种出行方式的路径规划服务，帮助用户选择最优路线。

• 实时路况查询：实时查询特定道路或区域的拥堵状况及趋势，为出行提供及时参考。

• 天气查询：通过经纬度信息，获取实时天气情况及未来天气预报，为用户出行计划提供支持。

通过高德地图 MCP 工具，AI 智能体可以直接调用高德地图的各项服务，实现如位置查询、路线规划、实时路况查询等功能，提升用户体验和服务效率。

然后进入应用管理，即可看到当前开启的MCP服务：

然后点击创建新的应用，其实也就是新的Agent：

点击创建

然后即可进行模型和MCP工具配置了：

然后输入系统提示词：你是一名经验丰富的导游，请耐心认真的为用户规划出游行程。

然后测试进行出游路线规划：

能够看到规划结果和MCP工具调用流程：

2. Firecrawl MCP工具

        Firecrawl MCP 工具是一款基于模型上下文协议（MCP）的企业级网页数据采集服务器，由 Mendable.ai 开发，专门针对复杂网页场景设计。它支持 JavaScript 动态渲染、批量数据处理、智能内容搜索和深度网页爬取等高级功能，能够为大型语言模型（LLM）提供强大的网页抓取能力。

主要功能：

• JavaScript 渲染：能够处理动态网页内容，突破传统抓取工具的局限，获取更全面的数据。

• 批量处理：支持并行处理和队列管理，提高数据抓取效率。

• 智能限速：根据网络状况和任务需求智能调整抓取速度，避免对目标网站造成过大压力。

• 多种输出格式*：支持将抓取的内容转换为 Markdown、HTML 等格式，满足不同场景的需求。

通过 Firecrawl MCP 工具，开发者可以高效地从网页提取结构化数据，增强 LLM 在信息检索和内容生成方面的能力。

• 高级网页抓取：Firecrawl 专为复杂的网页抓取任务设计，支持 JavaScript 渲染，能够处理动态内容丰富的网站。

• 批量处理与深度爬取：具备批量数据处理、URL 发现和深度爬取能力，适用于大规模数据采集任务。

• 智能内容搜索：内置智能内容搜索和提取功能，能够高效地从网页中提取结构化数据。

• 网页内容获取与转换：Fetch 主要用于从指定的 URL 获取网页内容，并将 HTML 转换为 Markdown 格式，便于 LLMs 理解和处理。

• 轻量级设计：Fetch 注重简洁和易用，适合需要快速获取和转换网页内容的场景。

然后需要创建Firecrawl API：

点击复制即可：

然后开启Firecrawl MCP工具：

然后输入系统提示词

##  角色设定（优化版）你是一位**内容整理专家**，擅长高效提取网页中的关键信息。##  核心技能### 查询与总结网页内容- 根据用户提供的网页链接，使用 **Firecrawl MCP 工具** 抓取网页主内容（以 Markdown 格式返回）。- 阅读并理解网页信息，**用中文提炼出关键要点与核心观点**。- 生成结构清晰、逻辑完整的内容总结，适合直接用于知识管理或随手记录## 限制要求1. 所有内容总结必须为**中文**。2. 每条记录只添加一个标签。3. 标签书写规范：`#标签`，前缀为 `#`，**无空格**。

并尝试爬取网页内容：

3. 百炼应用API获取与调用

然后我们即可使用API来调用已经创建好的应用：

!pip install dashscope import osfromhttpimport HTTPStatusfrom dashscope import Applicationresponse = Application.call(    api_key=DASHSCOPE_API_KEY,  # 替换为实际API-KEY    app_id=APP_ID,              # 替换为实际的应用 ID    prompt='你是谁？')print(response.output.text)prompt = '请帮我详细整理下这个网页里的内容：https://docs.cherry-ai.com/'response = Application.call(    api_key=DASHSCOPE_API_KEY,  # 替换为实际API-KEY    app_id=APP_ID,              # 替换为实际的应用 ID    prompt=prompt)print(response.output.text)

具体执行效果如图所示：

五、Open-WebUI接入MCP流程

• Open-WebUI：https://github.com/open-webui/open-webui

        Open WebUI 是一款可扩展、功能丰富且用户友好的自托管 AI 平台，旨在完全离线运行。它支持多种大型语言模型（LLM）运行环境，包括 Ollama 和兼容 OpenAI 的 API。

主要功能：

• 多模型支持：兼容多种 LLM 运行环境，用户可以根据需求选择适合的模型进行部署和交互。

• 离线运行：设计上支持完全离线操作，确保数据隐私和安全，适合对数据敏感的应用场景。

• 用户友好界面：提供类似 ChatGPT 的交互界面，方便用户与本地或远程部署的语言模型进行对话。

• 自托管部署：支持通过 Docker 等方式进行自托管部署，方便用户在本地环境中运行和管理。

1. 【可选】借助ollama拉取模型

1.1 ollama安装与部署

        Open-WebUI原生支持使用Ollama调用本地模型进行推理，Ollama是一款大模型下载、管理、推理、优化集一体的强大工具，可以快速调用各类离线部署的大模型。Ollama官网：https://ollama.com/

• 【安装方案一】Ollama在线安装

• 在Linux系统中，可以使用如下命令快速安装Ollama

curl -fsSL https://ollama.com/install.sh | sh

• 但该下载流程会受限于国内网络环境，下载过程并不稳定。

• 【安装方案二】Ollama离线安装

• 因此，在更为一般的情况下，推荐使用Ollama离线部署。我们可以在Ollama Github主页查看目前Ollama支持的各操作系统安装包：https://github.com/ollama/ollama/releases

• 若是Ubuntu操作系统，选择其中ollama-linux-amd64.tgz下载和安装即可。

• 此外，安装包也可从网盘中下载：

• 下载完成后，需要先上传至服务器：

• 然后使用如下命令进行解压缩

mkdir ./ollamatar -zxvf ollama-linux-amd64.tgz -C ./ollama

• 解压缩后项目文件如图所示：

• 而在bin中，可以找到ollama命令的可执行文件。

• 此时，我们可以使用如下方式使用ollama：

cd ./bin./ollama help

• 此处若显示没有可执行权限，可以使用如下命令为当前脚本添加可执行权限：

chmod +x ollama

• 而为了使用命令方便，我们也可以将脚本文件写入环境变量中。我们可以在主目录（root）下找到.bashrc文件：

• 然后在.bashrc文件结尾写入ollama/bin文件路径：

export PATH=$PATH:/root/autodl-tmp/ollama/bin

• 保存并退出后，输入如下命令来使环境变量生效：

source ~/.bashrc

• 然后在任意路径下输入如下命令，测试ollama环境变量是否生效

ollama help

• 【可选】更换Ollama默认模型权重下载地址

• 接下来我们需要使用ollama来下载模型，但默认情况下，ollama会将模型下载到/root/.ollama文件夹中，会占用系统盘空间，因此，若有需要，可以按照如下方法更换模型权重下载地址。

• 此外无论是在线还是离线安装的ollama，都可以按照如下方法更换模型权重下载地址。还是需要打开/root/.bashrc文件，写入如下代码：

export OLLAMA_MODELS=/root/autodl-tmp/models

• 这里的路径需要改写为自己的文件地址

• 保存并退出后，输入如下命令来使环境变量生效：

source ~/.bashrc

• 测试环境变量是否生效

echo $OLLAMA_MODELS

• 启动ollama

• 接下来即可启动ollama，为后续下载模型做准备：

ollama start

• 注意，在整个应用使用期间，需要持续开启Ollama。

1.2 下载Gemma-27B模型

ollama run gemma3:27b

ollama list

实际显存占用：

2. Open-WebUI安装与调用

pip isntall open-webui

        在准备好了Open-WebUI和一系列模型权重后，接下来我们尝试启动Open-WebUI，并借助本地模型进行问答。

首先需要设置离线环境，避免Open-WebUI启动时自动进行模型下载：

export HF_HUB_OFFLINE=1

然后启动Open-WebUI

open-webui serve

需要注意的是，如果启动的时候仍然报错显示无法下载模型，是Open-WebUI试图从huggingface上下载embedding模型，之后我们会手动将其切换为本地运行的Embedding模型。

然后在本地浏览器输入地址:8080端口即可访问：

然后首次使用前，需要创建管理员账号：

然后点击登录即可。需要注意的是，此时Open-WebUI会自动检测后台是否启动了ollama服务，并列举当前可用的模型。稍等片刻，即可进入到如下页面：

接下来即可进入到对话页面：

• MCP Support：https://docs.openwebui.com/openapi-servers/mcp

最新Open WebUI 提供的 MCP（Model Context Protocol）到 OpenAPI 的代理服务器（mcpo）MCP 到 OpenAPI 的代理服务器让你可以通过标准的 REST/OpenAPI API 来直接使用基于 MCP（模型上下文协议）实现的工具服务器——无需学习或处理任何复杂的自定义协议。

💡 为什么使用 mcpo？

尽管 MCP 工具服务器功能强大、灵活，但它们通常通过标准输入/输出（stdio）进行通信——这意味着它们通常运行在本地，可以方便地访问文件系统、环境变量及其他系统资源。这既是优势，也是一种限制。

因为 MCP 服务器通常依赖于原始的 stdio 通信方式，它：

• 🔓 在跨环境使用时不安全

• ❌ 与大多数现代工具、UI 或平台不兼容

• 🧩 缺乏认证、文档和错误处理等关键特性

而 mcpo 代理 自动解决了这些问题：

• ✅ 与现有的 OpenAPI 工具、SDK 和客户端即时兼容

• 🛡 将你的工具包裹为安全、可扩展、基于标准的 HTTP 接口

• 🧠 自动为每个工具生成交互式 OpenAPI 文档，无需任何配置

• 🔌 使用纯 HTTP——无需配置 socket、不用管理后台服务或编写平台相关代码

因此，虽然引入 mcpo 表面上看像是“又多了一层”，但实际上它：

✅ 简化了集成流程✅ 提升了安全性✅ 强化了可扩展性✅ 让开发者和用户更满意

✨ 有了 mcpo，你本地运行的 AI 工具可以立刻支持云端部署、适配各种 UI，并实现无缝交互——无需修改工具服务器代码中的任何一行。

✅ 快速开始：本地运行代理服务器

pip install uvpip install mcpo

接下来我们可以通过以下命令运行推荐的 MCP 服务器（如 mcp-server-time）并同时通过 mcpo 代理进行开放：

uvx mcpo –port 8000 — uvx mcp-server-time –local-timezone=Asia/Shanghai

⚡️ MCP 到 OpenAPI 代理的优势

为什么通过代理使用 MCP 工具服务器是更优选择？Open WebUI 强烈推荐这一方式：

• 用户友好且熟悉的接口：不需要学习新的客户端，只需使用你熟悉的 HTTP 接口

• 即时集成：与数千个现有的 REST/OpenAPI 工具、SDK 和服务无缝兼容

• 强大自动文档支持：Swagger UI 自动生成、准确维护

• 无需新协议开销：免去直接处理 MCP 协议复杂性和 socket 通信问题

• 稳定安全：沿用成熟的 HTTPS、认证机制（如 JWT、API key）、FastAPI 的可靠架构

• 面向未来：使用标准 REST/OpenAPI，长期获得社区支持与发展

以上是本期全部内容，📍更多大模型技术相关内容，⬇️请点击原文进入赋范大模型技术社区即可领取～

为每个人提供最有价值的技术赋能！【公益】大模型技术社区已经上线！

内容完全免费，涵盖20多套工业级方案 + 10多个企业实战项目 + 400万开发者筛选的实战精华～不定期开展大模型硬核技术直播公开课，对标市面千元价值品质，社区成员限时免费听！