MCP 伺服器實戰：把 Claude 接上你的檔案、GitHub 與資料庫

一分鐘重點： MCP server 是讓 AI 真正「動手」的外接插頭——把 Claude 接上你的檔案系統、GitHub、資料庫、瀏覽器或 Slack，AI 就能讀寫真實資料而不只是聊天。設定方法是在 Claude Desktop 的 claude_desktop_config.json 或 Claude Code 的設定檔裡，宣告每個 server 的啟動指令、參數和環境變數，多數靠 npx／uvx 一行就能跑起來。金鑰一定要用環境變數、給最小權限，敏感資料夾別放進存取範圍。看完這篇你能照著設定檔把第一個 server 接上線。

先搞懂 MCP server 在整個架構裡的角色

如果你已經讀過 MCP 是什麼，會知道 MCP（Model Context Protocol，模型上下文協定）是一套讓 AI 模型和外部工具溝通的標準介面。這篇要補的是實作面：協定講完了，真正讓事情發生的東西叫 MCP server。

簡單講，整個系統有三個角色。第一是 host，也就是你用的應用程式，例如 Claude Desktop、Claude Code 或 Cursor。第二是 client，藏在 host 裡負責照協定講話的那層。第三才是 server，每一個 server 對應一組能力——讀檔案的、操作 GitHub 的、查資料庫的。你裝幾個 server，AI 就多幾種「手」。

這跟單純問 ChatGPT 的差別很大。沒接 server 時，AI 只能根據訓練資料和你貼的文字回答；接上 server 後，它能實際去你的硬碟翻檔案、去 GitHub 開 issue、去資料庫跑查詢。這也是為什麼 MCP 被視為讓 AI Agent 從「會講」進化到「會做」的關鍵基礎建設。

要注意的是，AI 不會自己亂動。每個 server 提供的工具都有明確定義，模型在需要時才呼叫，而呼叫什麼、能碰多少，都由你在設定檔裡圈定。理解這個邊界，後面講安全才有意義。

常見的 MCP server 有哪些

你不必從零開始寫。官方和社群已經包好一堆現成 server，挑你需要的接上就好。以下是最常用的幾類：

檔案系統 server（filesystem）

讓 AI 讀寫你指定資料夾裡的檔案。這是入門最實用的一個——可以請 AI 幫你整理一整個資料夾的文件、批次改檔名、把散落的筆記彙整成一份摘要。重點在於你只開放特定路徑，AI 碰不到範圍外的東西。

GitHub server

接上後 AI 能讀 repo、看 issue 和 PR、建立分支、開 issue、留 comment。對工程團隊很實用，搭配 Claude Code 部署 時尤其順手，可以讓 AI 一邊改程式碼一邊把進度寫回 GitHub。

資料庫 server（PostgreSQL / SQLite 等）

讓 AI 用自然語言查資料庫。你問「上個月哪三個產品退貨最多」，它把問題轉成 SQL 跑出來給你。建議連到唯讀帳號，避免 AI 不小心改到正式資料。這類用法和 AI 資料分析 的工作流可以接得很緊。

瀏覽器 server（Puppeteer / Playwright）

讓 AI 真的開一個瀏覽器去點網頁、填表單、抓畫面或擷取內容。適合需要操作沒有 API 的網站、做網頁自動化測試的情境。

Slack 與通訊 server

讓 AI 讀特定頻道訊息、發通知、彙整討論。常見用途是讓 Agent 跑完一輪任務後，把結果摘要丟回 Slack 頻道。

除了這些，還有 Google Drive、Notion、記憶體（memory）、網頁搜尋等各式 server。挑選原則很單純：這次任務需要碰哪個工具，才裝哪個，不要一次全開。

在 Claude Desktop 設定 MCP server

Claude Desktop 的設定集中在一個 JSON 檔。Mac 上路徑通常是 ~/Library/Application Support/Claude/claude_desktop_config.json，Windows 則在 %APPDATA%\Claude\ 下。

打開（或新建）這個檔，加上 mcpServers 區塊。下面是一份同時接檔案系統和 GitHub 的範例：

{
  "mcpServers": {
    "filesystem": {
      "command": "npx",
      "args": [
        "-y",
        "@modelcontextprotocol/server-filesystem",
        "/Users/你的帳號/Documents/ai-workspace"
      ]
    },
    "github": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-github"],
      "env": {
        "GITHUB_PERSONAL_ACCESS_TOKEN": "你的_token_放這裡"
      }
    }
  }
}

幾個重點拆給你看：

• command 是啟動 server 的指令，多數現成 server 用 npx（Node）或 uvx（Python），所以你本機要先裝好 Node.js 或對應環境。
• args 裡 -y 是讓 npx 自動安裝不要問，後面接 server 套件名稱。
• 檔案系統 server 的最後一個參數就是你允許 AI 存取的資料夾，沒列進去的路徑它碰不到。
• 需要金鑰的 server（像 GitHub）用 env 區塊放 token，不要寫死在程式參數裡。

存檔後完全關閉再重開 Claude Desktop（不是關視窗，是真的離開應用程式），設定才會生效。重開後在對話框工具列應該能看到工具圖示，代表 server 連上了。

在 Claude Code 連接 MCP server

Claude Code 是終端機裡的版本，設定邏輯一樣、操作介面不同。你可以用指令加 server，例如：

claude mcp add filesystem -- npx -y @modelcontextprotocol/server-filesystem /path/to/project

或者在專案根目錄放一份設定檔（例如 .mcp.json），讓整個團隊共用同一組 server 設定。這對協作很有用——新成員 clone 下來就有一致的工具環境，不用各自手動設定。

Claude Code 還支援三種 scope：只在當前專案生效的、整台機器通用的、以及專案共享的。把通用工具（像網頁搜尋）放機器層級，把專案專屬的（像連到這個專案資料庫）放專案層級，管理起來最清楚。設定完用一句「列出目前可用的工具」請 AI 自報，就能確認哪些 server 上線了。

一個台灣的真實情境

舉個具體例子。阿凱在台中一家做電商的中小企業當營運，每個月底要交一份退貨分析報告。過去流程是：登入後台導出 CSV、開 Excel 做樞紐分析、再手動寫成 Word，前後大概要花 4 小時，而且常常因為手動複製貼上算錯數字被主管退件。

他做了一件事：在 Claude Desktop 接上 SQLite server（連到一份從後台同步下來的唯讀資料副本）和檔案系統 server（指向報告資料夾）。現在他只要打一句「查上月退貨前十名商品和原因分布，依照我們的報告模板寫成草稿存到報告資料夾」，AI 自己跑 SQL、整理數字、生出 Markdown 草稿。他再花約 20 分鐘核對與潤飾就能交件。

整份報告的產出時間從 4 小時壓到約 30 分鐘，算錯被退件的狀況也少了。關鍵不是 AI 變聰明，而是它終於能直接碰到資料，省掉中間一堆手動搬運。這種把資料查詢和文件產出串起來的做法，本質上就是一條輕量的 AI 資料分析 工作流。

安全與權限：這幾條請當成鐵律

MCP 讓 AI 能動手，這份力量也意味著風險。下面是務必守住的底線：

• 金鑰一律用環境變數，給最小權限。 GitHub token 用唯讀或限定 repo 的；資料庫連唯讀帳號。設定檔可能被雲端同步或備份，明碼金鑰外洩等於把鑰匙交出去。
• 嚴格圈定存取範圍。 檔案系統 server 只指向專用工作資料夾，別把整個家目錄或公司網路磁碟丟進去。AI 讀得到的，就有可能被摘要進對話、送進模型。
• 敏感資料不要放進可存取範圍。 客戶個資、合約、密碼檔，這些別放在 AI 碰得到的資料夾。要處理也先去識別化。
• 只裝信任來源的 server。 社群 server 很多，安裝前確認來源、看下載量與維護狀況。一個惡意 server 可能在你不知情下外傳資料。這跟你不會隨便裝來路不明的瀏覽器擴充套件是同個道理。
• 重要操作保留人工把關。 刪檔、合併 PR、改正式資料這類不可逆動作，盡量讓 AI 提案、由你確認，而不是全自動執行。

自架 MCP server 的概念

當現成 server 不夠用——比方你想讓 AI 接上公司內部的訂單系統 API——就需要自架。官方提供 Python 和 TypeScript 的 SDK，自架 server 的核心就是定義幾件事：你要對外提供哪些 tools（可呼叫的動作）、哪些 resources（可讀取的資料），以及每個工具的輸入參數和回傳格式。

實作上不算難，難的是邊界設計：哪些動作開放、權限怎麼控、出錯時怎麼回報。建議的順序是先用官方現成 server 把協定玩熟，理解工具是怎麼被呼叫的，再動手包自己的。如果你的目標是組更複雜的多工具系統，可以一併參考 AI Agent 框架 的設計思路，把 MCP server 當成 Agent 的能力來源來規劃。

常見錯誤與限制

實際用下來，新手最容易踩這幾個雷：

設定改了卻沒生效——九成是沒有完全重啟應用程式，或 JSON 格式有錯（少一個逗號、多一個括號）。改完先用 JSON 檢查工具確認格式合法。

本機沒裝 Node 或 Python——npx／uvx 跑不起來，server 自然連不上。先確認執行環境裝好。

以為接了 server 就萬無一失——AI 仍可能誤解你的意圖、把 SQL 寫錯、或對工具回傳的資料做出錯誤推論。它讀到的內容若本身過時或有誤，產出也會跟著錯。涉及金額、法規、對外發布的結果，請務必自己查證，不要直接照單全收。

權限開太大——為了省事把整顆硬碟開放、用 admin token，這是最常見也最危險的偷懶。麻煩一點圈小範圍，遠比出事後補救划算。

還有一個觀念要擺正：MCP 解決的是「AI 怎麼安全地連到工具」，不是「AI 變得多會做決策」。模型本身的判斷力、會不會幻覺，這些並不會因為接了 server 就消失。把 MCP 當成可靠的管線，把判斷與把關留在自己手上，這套組合才真正好用。

想再往下走，建議搭配 如何使用 Claude 把對話技巧練熟，並回頭把 MCP 是什麼 的協定原理讀透，實作和原理兩邊對得起來，你設定 server 時就不會只是照抄，而是真的知道每一行在做什麼。

常見問題 FAQ

延伸閱讀

• MCP 是什麼？一篇看懂模型上下文協定
• AI Agent 是什麼
• 部署 Claude Code 實戰
• 如何使用 Claude
• AI Agent 框架總覽