Cline 配置 MCP 扩展，我给 AI 编程助手装上了无限可能的外设
Cline 配置 MCP 扩展，我给 AI 编程助手装上了无限可能的外设
如果你用过 Cursor 或者 Windsurf，大概已经习惯了 AI 帮你写代码的感觉。但我想说，Cline + MCP 的组合，才是 AI 编程工具的完全体。
为啥？因为 MCP 协议让 AI 不再只是一个”会聊天的代码生成器”，它真的能帮你操作文件、查数据库、调浏览器、管理 GitHub 仓库——就像给 AI 装了 USB 接口，想插什么设备就插什么。
今天就来聊聊我折腾 Cline + MCP 的真实体验，从安装配置到写自己的 MCP Server，全部手把手。不废话，直接开干。
Cline 到底是什么
先简单说下 Cline。它是一个开源的 VS Code 插件（全称叫 Cline，以前叫 Claude Dev），跟 Cursor 那种重度集成 IDE 不一样，Cline 就是个插件，装在你现有的 VS Code 上就能用。
它最牛的地方是：自主执行能力。你给它一个任务，它不是光给你生成代码让你自己粘贴，而是会自己读项目文件、分析 AST、执行终端命令、创建编辑文件、甚至开浏览器截图看效果。遇到 lint 报错了，它自己修。
而且 Cline 原生支持 MCP 协议，这就是我们今天的主角。
MCP 协议到底是个啥
MCP 全称 Model Context Protocol，是 Anthropic 在 2024 年底提出来的一个开放协议。它想解决的问题很简单：AI 大模型没法直接访问外部工具和数据。
你可以把 MCP 理解成 AI 界的 USB-C 接口。这个比喻不是官方话，是真的贴切：
- 你用 USB-C 可以接显示器、键鼠、存储设备，即插即用
- 你用 MCP 可以让 AI 连文件系统、数据库、浏览器、API，也是即插即用
MCP 采用 client-server 架构。Cline 就是那个 client（客户端），你自己写的或者别人写的 MCP Server 就是服务端。两边通过 JSON-RPC 通信，AI 通过 MCP 协议去调用 server 上的工具、读 server 上的资源。
目前 MCP Server 生态已经相当丰富了。官方仓库 modelcontextprotocol/servers 就有文件系统、GitHub、Git、PostgreSQL、SQLite、浏览器自动化等一堆开箱即用的 Server。社区仓库 punkpeye/awesome-mcp-servers 更是有几百个，涵盖数据库、设计工具、地图、日历、搜索引擎……基本你能想到的都有。
在 Cline 里配置 MCP，三步搞定
第一步：装好 Cline
在 VS Code 扩展市场搜 “Cline” 安装。左侧会出现一个小机器人图标。装完之后需要配置 API Provider：
- 如果你有 Anthropic 的 Key，可以直接用 Claude 模型
- 也可以用 OpenRouter，免费额度不少
- 或者用阿里云百炼、硅基流动的 API，兼容 OpenAI 格式就行
我个人用的是 DeepSeek V3 走 OpenRouter，免费的，日常写代码完全够用。
第二步：装 MCP Server 的两种方式
方式一：市场里直接装（新手推荐）
Cline 面板右下角有个”MCP Servers”的加号图标，点开有一个内置市场，可以直接搜想要的服务。比如搜 “filesystem”、”github”、”sequential-thinking”，一键安装。自动配好 cline_mcp_settings.json。
方式二：手动配置 JSON（更灵活）
如果要装自定义或者社区版的 MCP Server，就需要编辑 JSON 配置文件。Cline 的设置界面里有个”编辑 MCP 配置”按钮，会打开 cline_mcp_settings.json 文件，结构长这样：
{
"mcpServers": {
"filesystem": {
"command": "npx",
"args": [
"-y",
"@modelcontextprotocol/server-filesystem",
"/Users/me/projects"
],
"disabled": false,
"autoApprove": []
},
"github": {
"command": "npx",
"args": [
"-y",
"@modelcontextprotocol/server-github"
],
"env": {
"GITHUB_TOKEN": "ghp_xxxxxxxx"
},
"disabled": false,
"autoApprove": ["create_issue", "create_pull_request"]
}
}
}每个 Server 配置的核心就是 command + args。npx 最方便，它会自动下载执行。自己用 Python 或 Node 写的 Server，可以用 uv 或 node 来启动。
⚠️ 网络问题提示：如果你的环境需要魔法才能连 GitHub，有时候开了代理反而 MCP Server 超时。实测国内直连大部分 npx 下载反而更快，这个随缘。
第三步：开始用
配好之后，MCP Server 旁边会有个绿色指示灯。亮了就表示连接成功。然后你就可以在对话里直接让 AI 用这些工具了。
比如你配了 GitHub MCP Server，就可以说：
“帮我看看这个仓库的最新 issue，然后给第一个 issue 加个评论”
AI 就会自己调 GitHub API，查 issue、发评论，全程不需要你复制粘贴 token。
装了 filesystem Server 后，你可以让 AI 读写你指定的目录文件，不只是项目范围内的。
装了 browser Server，AI 能自己打开浏览器访问网页、截图、分析控制台日志。
推荐几个超实用的 MCP Server
折腾了一两个月，我列几个真正在用的，每个都有场景：
- filesystem — 读写文件系统。基础但极其实用。AI 可以读你本地的任何文件，写入指定目录，甚至做批量文件处理。
- GitHub — 管理仓库。创建 Issue、提 PR、Review 代码、查看 CI 状态。我现在开 Issue 都直接让 AI 来。
- PostgreSQL / SQLite — 直接查数据库。让 AI 写 SQL 然后帮你查结果，调试数据问题快多了。
- puppeteer / playwright — 浏览器自动化。AI 能打开网页截图、填表单、测交互。前端写页面后让 AI 自己去验证效果。
- sequential-thinking — 分步推理增强。官方出品的一个思考工具，让 AI 每一步都记录下来再走下一步。处理复杂任务时质量提升明显。
- fetch — 抓取网页内容。跟 filesystem 配合，AI 可以浏览网络上的文档然后写到本地。
动手写一个你自己的 MCP Server
其实 MCP Server 没那么复杂，就是一个遵循 MCP 协议的本地进程。支持 Python、Node.js、Go 等语言写。
我拿 Python 写一个天气查询的 MCP Server 来示范下：
# weather_mcp/server.py
from mcp.server import Server
from mcp.server.stdio import stdio_server
from mcp.types import Tool, TextContent
import httpx
import json
# 创建 MCP Server
server = Server("weather-server")
# 注册工具列表：告诉 AI 你有啥工具
@server.list_tools()
async def handle_list_tools() -> list[Tool]:
return [
Tool(
name="get_weather",
description="查询指定城市的当前天气",
inputSchema={
"type": "object",
"properties": {
"city": {
"type": "string",
"description": "城市名，如 北京、上海、深圳"
}
},
"required": ["city"]
}
)
]
# 实现工具调用逻辑
@server.call_tool()
async def handle_call_tool(name: str, arguments: dict) -> list[TextContent]:
if name == "get_weather":
city = arguments["city"]
async with httpx.AsyncClient() as client:
resp = await client.get(
f"https://api.weather.example.com/current",
params={"city": city}
)
data = resp.json()
return [TextContent(
type="text",
text=json.dumps(data, ensure_ascii=False, indent=2)
)]
if __name__ == "__main__":
import asyncio
asyncio.run(stdio_server(server))写完之后，在 cline_mcp_settings.json 里加上：
"weather": {
"command": "uv",
"args": ["run", "--directory", "/path/to/weather_mcp", "server.py"],
"disabled": false,
"autoApprove": ["get_weather"]
}搞定。然后你就可以在 Cline 里问”北京今天多少度”，AI 会自己调用这个 Server 去查天气返回结果。整个流程不需要你去手动接任何 API。
autoApprove 这个字段很实用——你可以标记哪些工具可以让 AI 自动调用不用你点确认。比如 get_weather 这种只读的可以 autoApprove，create_pull_request 这种写操作的就得手动确认。
一些小技巧和坑
内存管理：每加一个 MCP Server，AI 都要加载 tool list。Server 多了，模型上下文窗口压力会变大。建议按需启用，不用的时候在 JSON 里设 disabled: true。
stdio vs SSE：MCP 支持 stdio 和 SSE 两种传输方式。本地开发用 stdio 最简单，Server 作为子进程启动。远程 Server 用 SSE，不过 Cline 目前主要走 stdio。
权限控制：autoApprove 要谨慎。我一般是只读操作开自动，写操作（文件写入、Git push）都得手动确认。
网络不稳：有些 MCP Server 初次用 npx 下载要一点时间，等个十几秒如果还是红色，检查下网络，或者手动 clone 下来走本地路径。
这玩意儿真的能提升效率吗
说真的，最开始我也是将信将疑。但实际用下来，Cline + MCP 这套组合确实改变了我的开发流。
举几个真实场景：
- 场景一：调试数据库问题。以前要开 DBeaver、连数据库、查数据、截图给同事。现在直接在 Cline 里说”查一下 orders 表今天有多少条记录”，AI 通过 PostgreSQL MCP Server 查回来，还能顺便告诉我趋势。
- 场景二：写 Markdown 文档，里面要贴 GitHub Issue 链接和状态。以前要手动去 GitHub 复制。现在让 AI 通过 GitHub MCP 把 Issue 信息取回来直接写入文档。
- 场景三：新项目初始化。让 AI 通过 filesystem 创建目录结构、通过 GitHub 初始化仓库、提交第一个 commit。一条指令完成。
Cline 的 3.x 版本还加了 checkpoint 功能——每一步操作前自动快照工作区，不满意可以回退到任意历史状态。配合 MCP Server，开发体验真的拉满。
写在最后
MCP 协议的出现，把 AI 编程工具从一个”聊天框”变成了真正的”开发伙伴”。Cline + MCP 的组合，是目前我觉得最接近”AI 帮你干活”这个愿景的产品。
2026 年了，AI 写代码已经不是什么新鲜事，但 AI 自己去操作工具链、调数据库、管仓库——这才是真正的提效。如果你还在把 AI 当高级搜索用，试试给 Cline 配几个 MCP Server，打开新世界的大门。
装好了别吃灰，搞个 filesystem 和 GitHub 的 Server 先玩起来，十分钟就能感受到差距。
评论区
登录后可评论。
