MCP 在 Claude Code 的實踐：Model Context Protocol 如何讓 AI 連接你的工具生態

Claude Code 會使用 GitHub、能查詢 Postgres、能搜尋 Slack 頻道——這些不是 Claude 本身的能力，而是透過 MCP（Model Context Protocol）外掛進來的。

MCP 是 Anthropic 在 2024 年 11 月發布的開放協定，設計目標只有一個：讓 AI 代理人連接任何外部工具，而不需要為每個工具寫客製化的整合程式碼。

TL;DR

MCP（Model Context Protocol）是一個開放標準，定義了 AI 代理人和外部工具之間的溝通方式。類似 USB 統一了周邊裝置的連接標準，MCP 統一了「AI 呼叫工具」的協定。Claude Code 原生支援 MCP，可以連接 GitHub、Postgres、Slack、Google Drive 等數百個現有的 MCP server，或是用官方 SDK 自己實作一個。截至 2025 年，MCP 已被 Cursor、Windsurf 等 40+ 款 AI 編輯器採用，成為業界事實標準。

設計哲學

在 MCP 之前，AI 工具整合的方式是：為每個工具寫一個 function（OpenAI 稱為 function calling，Anthropic 稱為 tool use），定義它的參數格式，然後在 system prompt 裡描述它的用途。

這個方式有個根本問題：耦合性。你的 AI agent 程式碼直接知道「有 GitHub 這個工具、有 Postgres 這個工具」，工具的定義和 agent 的邏輯混在一起。每次加新工具，都要改動 agent 的核心程式碼。

MCP 的設計思路是把工具定義外部化：工具以獨立的 MCP server 形式存在，有標準化的介面。AI agent 在啟動時發現（discover）有哪些 server 可用，從 server 拿到工具描述，然後用標準協定呼叫。Agent 不需要提前知道有哪些工具——只要符合 MCP 標準，什麼工具都可以即插即用。

核心概念

MCP 的三層架構

MCP Host（Claude Code）
    ↕ MCP Protocol
MCP Client（Claude Code 內建）
    ↕ Transport（stdio / SSE / HTTP Streamable）
MCP Server（GitHub, Postgres, Slack, 自訂工具...）

MCP Host：使用 Claude 的應用程式（Claude Code、Cursor 等）

MCP Client：Host 內建的 MCP 協定實作，負責連接和管理多個 server

MCP Server：封裝特定能力的獨立程序，可以是本機 process（stdio 傳輸）或遠端服務（HTTP/SSE 傳輸）

MCP Server 能提供什麼

MCP server 可以暴露三種資源：

Tools：AI 可以呼叫的函式（讀取 GitHub PR、執行 SQL 查詢）
Resources：靜態或動態的資料（目前開啟的檔案、資料庫 schema）
Prompts：預設的提示詞模板

傳輸模式

模式	適用場景
stdio	本機工具（最常用，直接 fork subprocess）
SSE（Server-Sent Events）	遠端 server，單向串流
HTTP Streamable	遠端 server，雙向，2025 年新增

Claude Code 的 MCP 實作

設定方式

在 ~/.claude/settings.json 或專案的 .claude/settings.json 中：

{
  "mcpServers": {
    "github": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-github"],
      "env": {
        "GITHUB_PERSONAL_ACCESS_TOKEN": "${GITHUB_TOKEN}"
      }
    },
    "postgres": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-postgres",
               "postgresql://localhost/mydb"]
    }
  }
}

Tool Search：解決 MCP 的 Context 問題

每個 MCP server 都帶著它的工具定義（schema），如果你同時連接多個 server，這些定義本身就會佔用大量 context window。

Claude Code 引入了 Tool Search 機制：session 啟動時只載入工具名稱和 server 描述，詳細的工具 schema 按需延遲載入。這讓 context 消耗降低了約 46.9%。

實際效果是：你可以同時連接 20 個 MCP server，但 context window 使用量只比連接 5 個多一點點。

跟常見替代方案的差別

方案	優點	缺點
MCP	標準化、跨平台、工具生態豐富	需要 MCP server 運行
Function Calling（直接定義）	簡單直接，不需要額外 server	工具定義耦合進 agent 程式碼，難以跨平台重用
LangChain Tools	Python 生態系完整	框架鎖定，不跨語言
REST API 直接呼叫	最靈活	AI 需要理解每個 API 的格式，沒有標準化