企业官网建设流程全解析

1. 先搞清楚 MCP Server 是什么，以及为什么需要它

如果你最近在关注 AI 辅助编程，尤其是使用 Cursor 这类工具，可能会频繁听到MCP Server这个词。它听起来很技术，但核心要解决的问题其实很直接：让 AI 助手（比如 Cursor 里的 AI 模型）能够安全、可控地访问和使用你本地的工具、数据或服务。

简单来说，你可以把 MCP Server 理解为一个“翻译官”或“适配器”。AI 模型本身无法直接操作你的文件系统、数据库或调用某个本地 API。MCP Server 就负责定义一套标准接口，告诉 AI：“你可以通过我，用这些特定的‘工具’（Tools）或‘资源’（Resources）来做事。” 然后，当你在 Cursor 里对 AI 说“帮我把当前目录下的所有 .ts 文件整理到一个列表里”时，AI 就能通过你写的 MCP Server，调用一个“读取目录”的工具来完成这个任务。

所以，这个实战教程的价值在于，它教你如何从零开始，用几条清晰的Prompt来引导 AI（比如 Claude 或 GPT-4），快速搭建一个能实际工作的 MCP Server。这比单纯看文档要高效得多，因为文档往往告诉你“是什么”，而 Prompt 工程则直接引导你“怎么做”，并在这个过程中让你理解背后的原理。

最适合看这篇教程的人：

• 正在使用 Cursor、Claude Desktop 等支持 MCP 协议的 AI 编程工具的开发者。
• 希望扩展 AI 助手能力，让其能安全接入自己内部工具、私有 API 或特定数据源的团队。
• 对 TypeScript/Node.js 有基本了解，想学习如何将 AI 能力与现有工作流结合的工程师。

最关键的一点：通过这个教程，你获得的不是仅仅一个服务器代码，而是一套“用 Prompt 驱动复杂开发任务”的方法论。你会发现，写好 Prompt 让 AI 帮你写代码，比自己从头吭哧吭哧写要快得多，而且 AI 还能帮你考虑一些你可能会忽略的边界情况。

2. 动手前的环境与概念准备

在开始跟着 Prompt 搭建之前，你需要确保环境就绪，并理解几个关键概念，这样 AI 生成的代码你才能看得懂、改得了。

2.1 核心环境配置

1. Node.js 环境：MCP Server 标准实现目前主要基于 Node.js。你需要安装Node.js 18或更高版本。可以在终端运行node -v和npm -v来确认。
2. TypeScript：教程和社区示例大量使用 TypeScript，因为它能提供更好的类型安全和开发体验。确保已全局安装 TypeScript：npm install -g typescript。
3. 代码编辑器/IDE：强烈推荐使用Cursor或VS Code。本教程的 Prompt 思路在 Cursor 中实践效果最佳，因为它深度集成了 AI 能力。如果你用 VS Code，需要安装相应的 AI 插件（如 Continue、Claude for VS Code 等）。
4. MCP 基础包：你需要安装@modelcontextprotocol/sdk这个官方 SDK。这是构建任何 MCP Server 的基石。

2.2 必须理解的三个核心概念

在给 AI 下 Prompt 前，你自己得先明白要让 AI 做什么。MCP 协议主要围绕这三个概念展开：

• Server（服务器）：就是你将要构建的这个程序。它启动后，会通过标准输入输出（stdio）或 HTTP 等方式，等待 AI 客户端（如 Cursor）的连接和指令。
• Tools（工具）：这是 Server 向 AI 暴露的核心能力。每个 Tool 都有一个名字、描述、输入参数定义（JSON Schema）和一个执行函数。例如，一个read_file工具，参数是file_path，执行函数就是读取该路径文件并返回内容。AI 只能调用你明确声明和提供的 Tools。
• Resources（资源）：你可以理解为一种只读的“数据源”。AI 可以通过 URI 来请求（read）这些资源的内容，但不能修改。例如，你可以将本地一个配置文件、一个数据库查询结果封装成 Resource 供 AI 参考。

为什么先理解这些？因为你的 Prompt 需要清晰地告诉 AI：“请帮我创建一个 MCP Server，它需要提供 A、B、C 这几个 Tools，以及 X、Y 这几个 Resources。” 如果你自己都搞不清要什么，AI 生成的代码就会偏离目标。

2.3 项目初始化

打开你的终端，创建一个新的目录并初始化项目：

mkdir my-first-mcp-server cd my-first-mcp-server npm init -y

然后安装核心依赖：

npm install @modelcontextprotocol/sdk npm install -D typescript @types/node tsx

在package.json中，添加一个启动脚本：

{ "scripts": { "dev": "tsx watch src/index.ts", "build": "tsc", "start": "node dist/index.js" } }

创建tsconfig.json文件：

{ "compilerOptions": { "target": "ES2022", "module": "NodeNext", "moduleResolution": "NodeNext", "outDir": "./dist", "rootDir": "./src", "strict": true, "esModuleInterop": true, "skipLibCheck": true, "forceConsistentCasingInFileNames": true }, "include": ["src/**/*"], "exclude": ["node_modules"] }

最后，创建源代码目录和入口文件：

mkdir src touch src/index.ts

现在，你的基础开发环境就准备好了。接下来，就是利用 Prompt 的力量，让 AI 帮你填充src/index.ts的内容。

3. 五条核心 Prompt 实战拆解

下面这五条 Prompt 是一个循序渐进的构建指南。我建议你在 Cursor 里新建一个 Chat，并将对话上下文关联到当前项目，然后一条一条地喂给 AI（比如 Claude 3.5 Sonnet 或 GPT-4）。

3.1 Prompt 1：创建服务器骨架与基础工具

你的输入（Prompt）：“我将使用@modelcontextprotocol/sdk构建一个 MCP Server。请先为我创建一个最基本的服务器骨架。这个服务器需要通过 stdio 传输。同时，请先实现一个最简单的工具，叫做get_server_info，当被调用时，返回一个简单的 JSON 对象，包含服务器名称name和当前时间戳timestamp。请确保代码使用 TypeScript，并包含必要的注释。”

AI 会做什么及输出要点：AI 会生成src/index.ts的初始内容。它会：

1. 导入Server类和相关类型。
2. 创建一个Server实例。
3. 使用server.setRequestHandler来定义tools/list和tools/call的处理逻辑。
4. 在tools/list中返回get_server_info工具的定义（包括名称、描述和参数 schema——本例无参数）。
5. 在tools/call中，处理对get_server_info的调用，执行函数并返回结果。
6. 最后启动服务器，监听 stdio。

你需要检查和理解的地方：

• 工具定义：看get_server_info工具的inputSchema是否为{ type: “object”, properties: {} }，这表示它不需要输入参数。
• 结果返回：看tools/call处理函数中，是否正确返回{ content: [{ type: “text”, text: JSON.stringify({ name: “My First MCP Server”, timestamp: Date.now() }) }] }。MCP 协议要求返回的内容是特定格式的数组。
• 启动方式：最后应该是server.connect(stdio).then(() => console.error(‘MCP Server running…’));。注意是console.error，因为 stdout 要留给协议通信。

实测感：跑通这个最简单的工具至关重要。它能验证你的环境、依赖和基础通信链路是否正常。先别急着加复杂功能。

3.2 Prompt 2：添加一个实用的文件读取工具

你的输入（Prompt）：“很好。现在，请为这个服务器添加一个新的工具，叫做read_file。这个工具应该接受一个字符串参数file_path，描述是‘读取指定路径的文本文件内容’。在tools/call中实现其逻辑：使用 Node.js 的fs/promises读取文件，并以文本形式返回内容。请妥善处理错误，例如文件不存在时，返回一个用户友好的错误信息。同时，更新tools/list的返回，包含这个新工具。”

AI 会做什么及输出要点：AI 会修改代码，主要更新两个部分：

1. tools/list处理器：在返回的列表中添加第二个工具定义。inputSchema会包含file_path参数，类型为string。
2. tools/call处理器：添加一个if (request.params.name === “read_file”)的分支。在这个分支里，使用await readFile(request.params.arguments?.file_path, ‘utf-8’)，并将结果包装返回。它应该用try…catch包裹，在catch中返回错误信息。

你需要检查和理解的地方：

• 参数验证：AI 生成的代码可能不会深入验证file_path是否为空或是否为绝对路径。这是一个潜在的改进点，但对于第一个版本，能处理基本错误即可。
• 错误格式：MCP 协议中，工具调用错误应该通过返回{ content: […], isError: true }来标示。检查 AI 是否正确地设置了isError: true。
• 导入语句：确保文件顶部正确添加了import { readFile } from ‘fs/promises’;。

边界感：这个工具很强大，但也危险。它允许 AI 读取你文件系统上的任何文件（在进程权限内）。在实际生产用途中，你必须严格限制可访问的路径范围，比如限制在项目目录内。这里为了学习，我们先保持其通用性，但心里要有这根弦。

3.3 Prompt 3：实现资源（Resources）列表与读取

你的输入（Prompt）：“现在，我想引入 Resources 的概念。请让服务器在初始化时，扫描当前项目目录下的所有.md文件，并将它们作为 Resources 公布。每个 Resource 的 URI 可以设为file://${filePath}。同时，请实现resources/list和resources/read请求处理器。resources/list返回这些 .md 文件的列表（包含 URI 和名称）。resources/read则根据请求的 URI 读取对应的 .md 文件内容并返回。”

AI 会做什么及输出要点：这是一个关键升级，AI 需要：

1. 添加readdir导入，用于扫描目录。
2. 在服务器启动时（或在一个函数中），获取当前目录下所有.md文件列表，并缓存起来。
3. 实现server.setRequestHandler对resources/list的处理：返回一个Resources列表，每个元素包含uri和name（可以用文件名）。
4. 实现resources/read的处理：解析请求中的uri，提取文件路径，然后读取文件内容返回。同样需要错误处理。

你需要检查和理解的地方：

• 路径处理：AI 生成的 URI 可能类似file://${path.join(__dirname, ‘..’, file)}。确保这个路径解析是正确的，并且resources/read时能反向解析出来。
• 初始扫描时机：代码可能在服务器启动时同步扫描，这对于小目录没问题。如果文件很多，要考虑异步初始化或懒加载。
• MIME 类型：在resources/read返回时，可以指定mimeType: “text/markdown”。检查 AI 是否添加了这个细节，这有助于客户端更好地处理内容。

避坑感：这里最容易出问题的是 URI 的格式和解析。如果resources/list返回的 URI 和resources/read请求的 URI 对不上，就会读不到文件。第一次实现后，一定要让 AI 客户端（如 Cursor）去请求一下资源列表，看是否能正确显示。

3.4 Prompt 4：连接 Cursor 并进行集成测试

你的输入（Prompt）：“服务器代码看起来差不多了。现在，请指导我如何将这个 MCP Server 连接到 Cursor IDE 中进行测试。我需要修改 Cursor 的哪些配置？请给出具体的配置步骤和示例。另外，请在我们的服务器代码中添加必要的日志输出，以便在调试时能看到连接和请求过程。”

AI 会做什么及输出要点：AI 会提供两种主要的连接方式指导：

1. 通过 Cursor 设置界面（推荐给初学者）：指导你打开 Cursor Settings -> MCP Servers -> Add New Server。配置方式选择 “Command”，然后填入运行命令，例如node /absolute/path/to/your/project/dist/index.js。你需要先运行npm run build生成dist目录。
2. 通过配置文件cursor/mcp.json：AI 会告诉你可以在项目根目录或用户全局目录创建这个文件，内容类似：

   { “mcpServers”: { “my-local-server”: { “command”: “node”, “args”: [“dist/index.js”], “cwd”: “/absolute/path/to/your/project” } } }

同时，AI 会在服务器代码的关键位置（如连接建立、收到list/call/read请求时）添加console.error日志，方便你观察通信流程。

你需要检查和理解的地方：

• 命令路径：确保配置中的路径是绝对路径。相对路径在 Cursor 的上下文中可能无法正确解析。
• 构建与运行：记住，每次修改src/index.ts后，需要重新运行npm run build来编译 TypeScript，或者直接使用tsx在开发时运行源码（配置命令为npx tsx src/index.ts）。
• 日志观察：连接 Cursor 后，你需要打开 Cursor 的“开发者工具”或查看其日志输出位置（不同平台不同），才能看到你服务器通过console.error打印的日志。这是排查连接问题的关键。

实测感：这一步是“临门一脚”。很多人在此卡住。最常见的问题是路径不对、命令执行权限问题，或者端口/stdio 冲突。如果连接失败，首先检查 Cursor 的错误日志，然后回到终端手动运行你的服务器命令，看是否能正常启动且不报错。

3.5 Prompt 5：功能增强与错误处理优化

你的输入（Prompt）：“我们已经有了一个可工作的原型。现在，请帮我进行以下增强和优化：

1. 安全性：修改read_file工具，将其访问范围限制在当前项目目录（即process.cwd()）及其子目录下，防止路径遍历攻击。
2. 健壮性：为所有工具调用和资源读取添加更全面的错误处理。不仅处理文件不存在，还要处理无权限、读取错误等情况，返回结构化的错误信息。
3. 可扩展性：将工具和资源的定义与处理逻辑拆分成独立的模块或类，让index.ts主文件只负责服务器初始化和路由。请展示一个简单的重构思路。”

AI 会做什么及输出要点：这条 Prompt 引导 AI 从“能跑”到“好用、安全”。

1. 路径安全：AI 会引入path模块，在read_file和resources/read中，使用path.resolve和path.relative来判断请求路径是否在项目根目录内。如果..试图跳出范围，则拒绝请求。
2. 错误处理：AI 会创建统一的错误处理函数，或是在每个try…catch中更细致地判断错误类型（instanceof Error，检查code属性如’ENOENT’,’EACCES’），并返回更具描述性的错误文本。
3. 代码重构：AI 可能会建议创建tools.ts和resources.ts文件。tools.ts导出所有工具的定义（Tool对象）和对应的执行函数。resources.ts管理资源列表和读取逻辑。然后在index.ts中导入并注册它们。这使得添加新工具变得非常容易。

你需要检查和理解的地方：

• 安全边界：检查路径检查逻辑是否严密。最简单的办法是：const resolvedPath = path.resolve(projectRoot, requestedPath); if (!resolvedPath.startsWith(projectRoot + path.sep)) { throw new Error(‘Access denied’); }。
• 错误信息有用性：返回给 AI 的错误信息应该能指导用户（或 AI 本身）下一步该做什么。例如，“文件不存在”比“读取错误”更好。
• 重构的清晰度：重构后的代码应该更易读。如果 AI 的重构让你感到更混乱，可以要求它用更简单的方式，或者先不进行这一步，保持原有结构。

经验注入：到这一步，你已经拥有了一个功能相对完整、有一定安全意识的 MCP Server。这个过程的核心收获不是代码本身，而是你通过精心设计的 Prompt，像项目经理一样，分阶段、有重点地引导 AI 完成了从骨架到血肉，再到安全加固的整个开发流程。这比单纯复制粘贴代码要深刻得多。

4. 在 Cursor 中实际使用与效果验证

服务器搭建好并成功连接到 Cursor 后，怎么验证它真的在工作？

4.1 验证工具调用

1. 在 Cursor 的 Chat 界面中，直接输入：“请调用get_server_info工具。”
2. Cursor 的 AI 应该识别到你连接的 MCP Server 提供了这个工具，并自动调用它。
3. 你会在回复中看到类似{“name”: “My First MCP Server”, “timestamp”: 172…}的结果。
4. 同样，尝试：“读取README.md文件的内容。” AI 应该会调用read_file工具并返回文件内容。

如果失败怎么办？

• AI 说“找不到工具”：检查 Cursor 的 MCP Server 配置是否正确，服务器进程是否在运行。查看 Cursor 日志，确认握手和工具列表交换是否成功。
• 调用出错：查看你的服务器日志（console.error输出的内容），通常会有详细的错误堆栈。常见问题包括路径错误、权限不足、代码逻辑 bug。

4.2 验证资源访问

1. 在 Chat 中输入：“列出所有可用的资源。” 或者更自然地说：“你有什么可参考的文档吗？”
2. AI 应该会调用resources/list，并返回你项目里所有.md文件的列表。
3. 你可以接着说：“请给我看看xxx.md的内容。” AI 会调用resources/read并返回该文件内容。

资源与工具的区别体验：你会发现，AI 在“思考”时，对 Resources 和 Tools 的使用方式略有不同。Tools 是 AI 主动“使用”的“能力”，而 Resources 更像是 AI 可以“查阅”的“资料库”。在设计你的 Server 时，可以根据这个特性来规划功能。

4.3 更复杂的场景测试

尝试一些组合指令，观察 AI 如何利用你的 Server：

• “帮我把src目录下所有.ts文件的文件名列出来。”（这可能需要你新增一个list_directory工具，或者 AI 组合多次read_file？不，更好的方式是新增工具。你可以用 Prompt 让 AI 帮你添加这个工具。）
• “根据requirements.md里的描述，帮我规划一下项目结构。”（AI 会先读取该资源，获取上下文，然后再进行回答）。

这就是 MCP 的强大之处：你扩展了 AI 的感知和行动边界。它不再局限于对话历史，而是能实时、安全地与你本地环境交互。

5. 排查清单：当你的 MCP Server 不工作时

按照以下顺序检查，能解决 95% 的问题：

1. 基础运行检查：

   • 在项目目录下，能否直接运行node dist/index.js或npx tsx src/index.ts并看到“MCP Server running…”日志，且进程不退出？
   • 如果启动失败，根据终端报错解决（通常是语法错误、依赖缺失）。

2. Cursor 连接配置检查：

   • 配置中使用的命令和路径，是否能在终端中独立执行成功？
   • Cursor 的 MCP Server 配置页面，该 Server 的状态是否是 “Connected” 或 “Ready”？如果是 “Error”，点击查看详情。
   • 检查 Cursor 的日志（Help -> Toggle Developer Tools 打开控制台，或在日志文件中查找）。

3. 协议通信检查：

   • 在你的服务器代码中，是否在关键步骤（连接成功、收到请求）添加了日志？查看这些日志是否被打印。
   • 如果根本没收到tools/list请求，说明连接或握手可能有问题。
   • 如果收到了list请求但没收到call请求，可能是 AI 认为工具不适用当前问题，或者工具描述不够清晰。

4. 工具/资源逻辑检查：

   • 当 AI 调用工具失败时，服务器返回的错误信息是什么？是否遵循了 MCP 的错误格式（isError: true）？
   • 手动模拟调用：你可以在代码中临时写一个测试脚本来调用你的工具函数，看逻辑是否正确。
   • 路径问题：所有文件路径都处理成绝对路径了吗？路径权限对吗？

5. 依赖与版本检查：

   • @modelcontextprotocol/sdk的版本是否与 Cursor 兼容？查看 Cursor 文档或社区，了解其兼容的协议版本。
   • Node.js 版本是否满足要求？

一个很常见的坑：你的服务器代码使用了 ES Module (import/export)，但package.json中没有设置“type”: “module”，或者启动命令不对。确保你的环境一致。使用tsx通常能避免很多模块问题。

6. 下一步：从玩具到生产力的思考

通过这 5 条 Prompt，你已经走完了从零到一的闭环。接下来，可以考虑如何让它真正产生价值：

• 连接内部系统：将 MCP Server 作为桥梁，让 AI 能安全查询公司内部数据库（只读）、调用内部 API（如创建 JIRA 工单、查询 CI/CD 状态）、读取监控图表。关键是做好权限控制和审计。
• 封装复杂工作流：比如一个“部署预览”工具，AI 调用后，Server 后端执行一系列 Git、Docker、kubectl 命令，最后将预览 URL 返回给 AI。这比让 AI 去生成一堆命令再让你复制粘贴要可靠得多。
• 动态资源：Resources 不一定非要是文件。它可以是一个动态生成的报告，比如“当前线上错误最多的 5 个服务”，Server 每次收到resources/read请求时，实时调用内部系统获取数据并生成 Markdown 返回。
• 权限模型：实现一个简单的权限模型，不同的工具/资源对不同用户或不同上下文（项目）可见。这需要 Server 能识别调用上下文（MCP 协议支持部分元数据传递）。

最后一点经验：Prompt Engineering 对于开发 MCP Server 来说，其价值在于快速原型设计和逻辑描述。一旦核心流程跑通，后续的优化、测试、安全加固和部署，仍然需要你扎实的工程能力。不要指望单靠 Prompt 就能得到一个完美的生产级应用，但它绝对是帮你跨越“从想到做”这个鸿沟的超级杠杆。现在，你可以试着用同样的方法，去让 AI 帮你实现上面任何一个进阶想法了。