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？

比較項目	MCP	Function Calling
標準化	開源標準，跨模型通用	各家 API 格式不同
執行位置	本地或遠端 Server	需要自己實作呼叫邏輯
安全性	內建權限管理	需自己處理
生態系	30+ 工具已支援	依賴各平台

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。

MCP Server 開發實戰：從零打造 AI Agent 工具整合系統