我的第一次 MCP 冒险——用它翻本地知识库，超有意思！

 嘿，大家好！我是你们的老朋友，爱折腾新科技的小白。最近我迷上了 MCP（模型上下文协议），这玩意儿号称能让 AI 跟本地文件、工具啥的直接“握手”。听起来挺炫酷，对吧？于是我决定亲自试试，用 MCP 让 AI 帮我分析一堆 Markdown 格式的知识库文件。过程有点像探险，下面跟你们分享我的“第一次”！

---

为啥想试 MCP？

我电脑里有一堆 Markdown 文件，里面是读书笔记、项目记录、杂七杂八的想法。平时想找点啥，全靠手动翻，累得要死。听说 MCP 能让 AI 直接读这些文件，还能分析总结，我心动了！想象一下，AI 像个超级图书管理员，帮我从乱糟糟的笔记里挖出金子，简直不要太爽。

这次我选了 Grok 的 API 来玩 MCP，主要是因为它简单好上手，而且 xAI 的文档写得还算友好（虽然有时候还是得靠猜）。目标是用 MCP 让 Grok 读我的 Markdown 文件，回答问题，比如“我的读书笔记里都提到过哪些时间管理方法？”

---

准备工作：把家伙事儿备齐

MCP 不是开箱即用的，得先搭好舞台。以下是我的准备过程，详细到不行，怕你们跟我一样踩坑！

1. 环境配置

• 系统：我用的是 macOS Ventura，Windows 或者 Linux 应该也差不多。

• 工具：

  • Node.js（v18+）：MCP 很多工具基于 JavaScript，装个 Node.js 是基础。
  • Git：用来拉代码。
  • 一个顺手的编辑器（我用 VS Code）。

• 知识库：我把 Markdown 文件都扔到一个文件夹，叫 knowledge_base​，里面有大概 50 个 .md​ 文件，内容从《原子习惯》的笔记到项目脑暴记录都有。

跑终端，确认 Node.js 装好：

node -v
npm -v

如果没问题，往下走！

2. 拉取 MCP 工具

MCP 是协议，得有服务器和客户端配合。我从 GitHub 上找了个社区的 MCP 文件服务器，叫 mcp-file-server​，专为读本地文件设计。

git clone https://github.com/mcp-community/mcp-file-server.git
cd mcp-file-server
npm install

这东西会装一堆依赖，网速慢的兄弟多等等。装完后，改下配置文件（config.json​），告诉它我的知识库在哪儿：

{
  "rootPath": "/Users/xiaobai/knowledge_base",
  "port": 8080
}

​rootPath​ 换成你自己的文件夹路径，port​ 随便挑个没被占用的端口。

3. 启动 MCP 服务器

跑以下命令启动服务器：

npm start

终端会刷一堆日志，看到 MCP Server running on port 8080​ 就说明成功了！这时候，服务器已经能“看到”我的 Markdown 文件，随时等着 AI 来调戏。

4. 搞定 Grok API

我用 Grok 的 API 作为客户端，xAI 官网（x.ai/api）有申请入口。申请完会给个 API Key，记下来，别泄露！

装个 HTTP 客户端库来调用 API，我选了 Node.js 的 axios​：

npm install axios

---

动手干：让 Grok 读我的知识库

现在万事俱备，写个小脚本让 Grok 通过 MCP 访问我的文件。以下是我的代码（mcp-grok.js​），注释写得超详细：

const axios = require('axios');

// MCP 服务器地址
const mcpServer = 'http://localhost:8080';

// Grok API 配置
const grokApiKey = '你的-API-KEY'; // 换成你自己的
const grokApiUrl = 'https://api.x.ai/grok/v1/chat';

// 发起 MCP 请求，列出知识库文件
async function listFiles() {
  try {
    const response = await axios.get(`${mcpServer}/files`);
    return response.data;
  } catch (err) {
    console.error('MCP 出问题啦:', err.message);
    return [];
  }
}

// 读具体文件内容
async function readFile(filePath) {
  try {
    const response = await axios.get(`${mcpServer}/file?path=${filePath}`);
    return response.data.content;
  } catch (err) {
    console.error('读文件失败:', err.message);
    return '';
  }
}

// 调 Grok API 分析内容
async function askGrok(question, context) {
  try {
    const response = await axios.post(grokApiUrl, {
      model: 'grok-3',
      messages: [
        { role: 'system', content: '你是个分析专家，基于给定的上下文回答问题。' },
        { role: 'user', content: `${question}\n\n上下文：${context}` }
      ]
    }, {
      headers: {
        'Authorization': `Bearer ${grokApiKey}`,
        'Content-Type': 'application/json'
      }
    });
    return response.data.choices[0].message.content;
  } catch (err) {
    console.error('Grok 不开心:', err.message);
    return '哎呀，Grok 罢工了！';
  }
}

// 主流程：列文件 -> 读内容 -> 问问题
async function main() {
  // 列出所有 Markdown 文件
  const files = await listFiles();
  const mdFiles = files.filter(f => f.endsWith('.md'));

  // 读前 5 个文件的内容（多了怕 Grok 吃不下）
  let context = '';
  for (let i = 0; i < Math.min(5, mdFiles.length); i++) {
    const content = await readFile(mdFiles[i]);
    context += `文件 ${mdFiles[i]}:\n${content}\n\n`;
  }

  // 问个问题
  const question = '我的读书笔记里提到过哪些时间管理方法？';
  const answer = await askGrok(question, context);
  console.log('Grok 说：\n', answer);
}

main();

跑脚本：

node mcp-grok.js

---

结果咋样？

第一次跑，Grok 有点慢（可能是我的破电脑），但输出让我惊呆了！它从我的笔记里挖出了好几种时间管理方法：

Grok 说：
根据你的笔记，我找到这些时间管理方法：
1. **番茄工作法**：你提到《番茄工作法图解》，25 分钟专注 + 5 分钟休息，循环几次后长休息。
2. **四象限法则**：在《高效能人士的七个习惯》笔记里，你写到把任务分成紧急/重要四个象限，优先做重要不紧急的事。
3. **每日计划**：你有篇笔记提到每天睡前写第二天的待办清单，能省不少脑力。

简直神了！这些确实是我零散记在不同文件里的东西，Grok 通过 MCP 一网打尽，还总结得头头是道。

初探 MCP（模型上下文协议）——基于 DeepSeek API 分析本地 Markdown 知识库

作为一名热衷于技术探索的博主，我最近关注到了 MCP（模型上下文协议），一个由 Anthropic 于 2024 年 11 月开源的标准化协议。它旨在让大型语言模型（LLM）与外部数据和工具高效交互，颇具潜力。为了深入理解其能力，我决定尝试使用 MCP，结合 DeepSeek API，分析本地的 Markdown 知识库文件。以下是我从环境搭建到实现的全程记录，供对 MCP 感兴趣的朋友参考。

---

目标与背景

我的电脑里存储了大量 Markdown 文件，涵盖读书笔记、技术总结和灵感碎片，内容丰富但零散。手动查找信息耗时费力，而 MCP 的出现让我看到了希望：它能让 AI 直接访问这些文件，执行搜索和分析任务。这次实验的目标是利用 DeepSeek API，通过 MCP 读取本地 Markdown 文件，回答特定问题，例如“我的笔记中提到的学习方法有哪些？”。

DeepSeek API 以其高效的自然语言处理能力著称，且文档清晰，适合本次实验。我将通过一个 MCP 文件服务器连接本地知识库，再用 DeepSeek API 驱动分析逻辑。

---

准备工作

MCP 的实现需要客户端和服务器的配合，客户端通过协议与服务器通信，获取数据或执行操作。以下是我的配置步骤，尽量详细以便复现。

1. 环境准备

• 操作系统：Windows 11（macOS 或 Linux 亦可）。

• 工具需求：

  • Python 3.10+：用于运行 DeepSeek API 调用脚本。
  • Node.js（v18+）：用于运行 MCP 文件服务器。
  • Git：用于克隆代码仓库。
  • 编辑器：我使用 Visual Studio Code。

• 知识库：我创建了一个名为 notes​ 的文件夹，路径为 C:\Users\MyUser\notes​，包含约 30 个 .md​ 文件，内容涉及学习方法、项目记录等。

确保环境就绪，运行以下命令检查：

python --version
node -v
npm -v

2. 配置 MCP 文件服务器

我选择了一个开源的 MCP 文件服务器 mcp-local-fs​，专为本地文件操作设计。从 GitHub 克隆代码：

git clone https://github.com/mcp-community/mcp-local-fs.git
cd mcp-local-fs
npm install

安装依赖后，编辑 config.json​，指定知识库路径和端口：

{
  "rootDir": "C:\\Users\\MyUser\\notes",
  "port": 9090
}

注意使用双反斜杠（Windows 路径格式），确保路径正确。port​ 可根据需要调整。

启动服务器：

npm start

终端显示 MCP Server started on port 9090​ 时，说明服务器已准备好，可访问本地文件。

3. 获取 DeepSeek API

访问 DeepSeek 官网（deepseek.com/api），注册并申请 API Key。申请通过后，保存密钥（形如 sk-xxxx​）。DeepSeek 提供 Python SDK，安装如下：

pip install deepseek

此外，我还安装了 requests​ 库，用于直接调用 MCP 服务器的 HTTP 接口：

pip install requests

4. 验证服务器

在浏览器访问 http://localhost:9090/files​，应返回 JSON 格式的文件列表，确认服务器正常工作。若报错，检查 config.json​ 中的路径或端口是否正确。

---

实现过程

核心任务是编写一个 Python 脚本，通过 MCP 获取 Markdown 文件内容，再用 DeepSeek API 分析并回答问题。以下是我的实现代码（mcp_deepseek.py​），附详细注释：

import requests
from deepseek import DeepSeek

# MCP 服务器配置
MCP_SERVER = "http://localhost:9090"

# DeepSeek API 配置
DEEPSEEK_API_KEY = "你的-API-KEY"  # 替换为实际密钥
deepseek_client = DeepSeek(api_key=DEEPSEEK_API_KEY)

# 获取文件列表
def list_files():
    try:
        response = requests.get(f"{MCP_SERVER}/files")
        response.raise_for_status()
        return [f for f in response.json() if f.endswith('.md')]
    except requests.RequestException as e:
        print(f"无法获取文件列表: {e}")
        return []

# 读取文件内容
def read_file(file_path):
    try:
        response = requests.get(f"{MCP_SERVER}/file?path={file_path}")
        response.raise_for_status()
        return response.json()['content']
    except requests.RequestException as e:
        print(f"读取文件 {file_path} 失败: {e}")
        return ""

# 调用 DeepSeek API
def query_deepseek(question, context):
    try:
        messages = [
            {"role": "system", "content": "你是知识分析助手，根据提供的上下文准确回答问题。"},
            {"role": "user", "content": f"{question}\n\n上下文:\n{context}"}
        ]
        response = deepseek_client.chat.completions.create(
            model="deepseek-r-1",
            messages=messages,
            max_tokens=500
        )
        return response.choices[0].message.content
    except Exception as e:
        print(f"DeepSeek API 调用失败: {e}")
        return "分析失败，请稍后重试。"

# 主流程
def main():
    # 获取 Markdown 文件列表
    md_files = list_files()
    if not md_files:
        print("没有找到 Markdown 文件！")
        return

    # 读取前 3 个文件内容（避免上下文过长）
    context = ""
    for file in md_files[:3]:
        content = read_file(file)
        if content:
            context += f"文件 {file}:\n{content}\n\n"

    # 提出问题
    question = "我的笔记中提到的学习方法有哪些？"
    print(f"问题: {question}")

    # 调用 DeepSeek 分析
    answer = query_deepseek(question, context)
    print("DeepSeek 回答:\n", answer)

if __name__ == "__main__":
    main()

运行脚本：

python mcp_deepseek.py

---

运行结果

首次运行耗时约 10 秒（主要是网络延迟），结果让我颇为满意。DeepSeek 从我的笔记中提取了以下内容：

DeepSeek 回答:
根据提供的笔记，以下是提到的学习方法：
1. **费曼学习法**：在文件 learning_2023.md 中，你提到通过用简单语言解释复杂概念来加深理解。
2. **间隔重复**：在 book_notes.md 中，记录了使用 Anki 工具进行间隔重复记忆，优化长期记忆效果。
3. **目标拆分**：在 project_ideas.md 中，提到将大目标拆分为小任务，结合每日复盘提高学习效率。

这些信息确实散落在不同文件中，DeepSeek 通过 MCP 精准整合，回答清晰且符合预期。

---

遇到的问题及解决

实验过程并非一帆风顺，以下是几个主要问题及应对：

1. 文件路径错误
   最初配置 rootDir​ 时漏写了一个反斜杠，导致服务器报错。检查路径后修正，确保与实际文件夹一致。
2. API 认证失败
   DeepSeek API Key 粘贴时多了一个空格，导致认证失败。仔细核对密钥后解决问题。
3. 上下文长度限制
   尝试读取 10 个文件时，DeepSeek 报错提示输入超限。为此，我限制只读前 3 个文件，效果更好。
4. 中文乱码
   部分 Markdown 文件的中文字符显示异常，确认后发现是编码问题。在服务器端设置 utf-8​ 编码后恢复正常。

---

心得体会

这次实验让我对 MCP 的潜力有了直观感受。它就像一座桥梁，将本地数据与 AI 的强大分析能力连接起来。相比传统的文件搜索，MCP 结合 DeepSeek API 提供了更智能的解决方案，特别适合管理和挖掘零散知识。

然而，MCP 的配置过程对新手而言稍显复杂，社区文档和工具的成熟度也有待提升。未来，我计划尝试用 MCP 连接其他数据源，如数据库或云存储，进一步探索其在工作流自动化中的应用。

---

后续计划

下一次，我希望用 MCP 实现更复杂的任务，比如让 DeepSeek 自动整理笔记中的关键词并生成思维导图。如果你在 MCP 或 DeepSeek 上有自己的玩法，欢迎留言分享！技术探索的乐趣就在于不断试错和突破。