我用Kiro+Claude写了一个MCP Server，让AI真正"感知"真实环境

前言：AI的"感知缺失"困境

作为一个每天都要和AI打交道的技术人，我发现了一个令人困扰的问题：当我使用CherryStudio这类AI客户端进行日常研究和搜索时，AI就像一个被关在"信息黑屋"里的助手，对真实世界一无所知。

"现在几点了？"------AI给我的答案可能是训练数据中的某个时间点 "我的电脑有点卡，怎么办？"------AI无法知道我的内存使用率已经99% "外面天气怎么样，适合出门吗？"------AI只能给出模糊的建议

这种环境感知缺失不仅影响了AI的实用性，更让它在处理时效性、本地化问题时显得力不从心。

项目诞生：Agent Sense的设计思路

面对这个痛点，我决定为AI打造一个"感知器官"。经过一番思考，我设计了一个名为**Agent Sense（智能感知）**的MCP Server，核心思路很简单：

让AI能够感知用户的真实环境，包括时间、位置、系统状态和硬件配置

我找到的解决方案是利用 Model Context Protocol (MCP) 来扩展AI的能力边界。MCP是一个开放协议，就像AI世界的"USB-C标准"，允许我们为AI Agent添加各种外部工具和能力。

根据MCP官方文档的描述，这个协议"标准化了应用程序如何为大语言模型提供上下文、数据源和工具"，正是我需要的解决方案。

功能设计：五大感知能力

基于日常使用场景，我为Agent Sense规划了五大核心功能：

时间感知 (get_time) - 获取精确的当前时间，支持多种格式
位置定位 (get_location) - 基于IP的地理位置信息
系统信息 (get_system_info) - 操作系统详细版本和架构
硬件状态 (get_hardware_info) - CPU、内存、磁盘使用情况
天气信息 (get_weather) - 实时天气和预报

AI辅助开发全流程

这个项目的开发过程充分展示了现代AI辅助编程的威力。我的开发思路是这样的：

第一步：模式选择

我确定了项目的功能点，并判断需求不是很复杂，于是在vibe和spec模式中选择了vibe模式。这个选择让我能够更灵活地进行迭代开发。

第二步：提示词设计

我遵循提示词规范，写下了这样一段清晰的提示词：

scss 复制代码

我想做一个为agent提供感知能力的mcp server，名为"智能感知(agent-sense)"，它需要提供以下工具：1.获取时间；2.位置定位；3.系统信息(操作系统版本，架构)；4.硬件信息(CPU型号，内存大小、硬盘大小、IP地址)，请你帮我设计一个可行的方案，必要查询文档或者信息时，可使用对应的mcp server。技术栈方面，我希望使用nodejs + typescript

第三步：AI生成与人工审核

借助AWS Kiro编辑器 + Claude 4.5的组合，AI很快就生成了完整的项目结构和核心代码。我对AI生成的代码进行仔细审核，发现它在跨平台兼容性、错误处理等方面已经考虑得很周全。

第四步：迭代优化

根据实际的生成效果，我让AI对代码进行了针对性的修改：

优化了跨平台硬件信息的过滤逻辑
完善了各种异常情况的处理
改进了工具描述，让AI更好地理解何时调用这些工具

第五步：测试验证

我使用MCP Inspector进行功能测试，这个工具让我可以在浏览器中实时测试每个工具的调用效果。当发现某些工具返回的数据格式不够理想时，我会立即让AI进行修改。

第六步：实际场景测试

最后，我将配置好的MCP server导入CherryStudio中进行真实场景测试，确保在AI对话中能够正常工作。

实际应用效果

Agent Sense投入使用后，效果立竿见影：

性能诊断场景

用户 : "我的电脑运行很慢，怎么回事？" AI : 调用硬件信息获取功能 → 发现内存使用率99.72% AI回复: "你的内存使用率已达99.72%（23.93GB/24GB），建议关闭一些应用程序释放内存。"

时间敏感任务

用户 : "帮我分析一下这个日志文件的错误" AI : 调用时间感知功能 → 获取当前时间和时区 AI回复: "根据日志时间戳（UTC）和你的本地时区（Asia/Shanghai），这个错误发生在2小时前..."

本地化建议

用户 : "推荐一些学习资源" AI : 调用位置定位功能 → 发现用户在中国 AI回复: "根据你的位置，推荐一下中文学习资源和国内可访问的平台..."

环境特定解决方案

用户 : "如何安装Docker？" AI : 调用系统信息获取功能 → macOS M3芯片 AI回复: "你使用的是Apple Silicon (M3)，请使用以下命令安装Docker Desktop for Mac (Apple Silicon)..."

开发心得

整个开发过程让我深刻体会到了现代AI辅助编程的威力：

需求清晰是关键 - 一段结构清晰、包含所有必要信息的提示词是成功的基础
选择合适的模式 - vibe模式适合灵活迭代，spec模式适合严格规范的项目
人机协作效率 - AI负责代码生成，人类负责方向把控和质量审核
工具链的重要性 - MCP Inspector等调试工具让开发过程更加顺畅
真实场景验证 - 在实际AI客户端中测试才能确保最终效果

总结

Agent Sense这个项目完美诠释了"小而美"的设计理念。它解决了AI在环境感知方面的核心痛点，让AI助手真正变得"接地气"。

通过MCP协议，我们成功地为AI装上了"感官"，让它能够：

感知时间 - 提供准确的时间相关服务
感知位置 - 给出本地化的建议
感知系统 - 提供针对性的技术支持
感知环境 - 基于真实环境给出建议

这个项目不仅提升了AI的实用性，更重要的是展示了人机协作的新模式。从需求描述到代码实现，从测试验证到实际部署，整个过程充分体现了AI辅助编程的威力。

未来，我相信会有更多这样的MCP Server出现，让AI真正成为我们日常工作的得力助手。

项目地址 : agent-sense