Cursor 系列（3）：关于MCP

MCP（Model Context Protocol，模型上下文协议） 是 Anthropic 在 2024 年 11 月推出的开放标准，用来让 AI 助手与外部工具和数据源安全、统一地交互。

说人话，它的概念有点像USB接口------我们可以将不同品牌、类型的设备（鼠标、键盘、U盘）通过同一个USB接口连接到电脑，我们也可以将不同的工具和数据源（数据库、文件系统、API、搜索引擎）通过统一的 MCP 协议连接到 AI 助手。在Cursor中，可以将它理解为一个插件系统，可以扩展Cursor使用AI的能力。

Cursor相关的MCP越来越多了，我经常使用的只有下面这三个，如果朋友们有啥好用的，也欢迎评论区留言。

deepwiki MCP

deepwiki 简介

deepwiki MCP 先放一边，我们先来了解下 deepwiki。

deepwiki 是一个 GitHub 代码仓库智能 AI 阅读助手，这个工具可以自动将任何 GitHub 仓库转换为详细且易于阅读的知识库文档，并提供交互式图表和对话式 AI 助手。通过它，我们可以轻松理解仓库的技术细节、架构设计和使用方法。

它的网站为是deepwiki。

使用方法也很简单，直接在搜索栏搜索一个我们想要查找的 github 项目，比如我们想要查找 vxe-table 的文档：

看下哪个是我们想要查找的库，看哪个星多就完了，一般都是第一个，点进去：

可以看到，deepwiki 对 vxe-table 这个 github 项目重新进行了整理归纳，形成了一个包含简介、架构、构建与脚本、单文件组件、服务端渲染、集成与兼容的一个综合性知识库文档。文档中除了文字还包含大量的图表信息，如架构图、流程图等，我们不仅可以清晰的了解项目的整体结构，还可以详细查看及某一部分的具体使用文档。

到这里还没完，deepwiki 的一个很重要功能是，它可以通过内置的对话型 AI 助手，让用户自己与 AI 交互，去理解仓库的仓库的技术细节、架构设计或使用方法。比如，如果我想深入了解一下 vex-table 中，分页功能的具体实现细节，我们可以直接在网页下面的搜索工具里面输入：

就可以看到查询到的细节：

如果我们想继续提问，可以在底部对话框中继续输入问题，它会根据上下文继续返回文档，属实厉害！

deepwiki MCP 简介

Devin 官方后来也推出了 deepwiki MCP 服务，这对某些使用开源项目的开发者来说可谓是一个重大利好，相当于免费拥有一个比官方文档更智能，更详细的项目文档。

它可以从 GitHub 仓库或Deepwiki 网站获取最新的文档或代码库内容，通过 MCP 协议将爬取的内容转换为 Markdown 格式，供 Cursor 使用，特别适合需要查看 GitHub 仓库文档的场景。

DeepWiki MCP 提供三种主要工具：

read_wiki_structure：获取仓库文档的结构和主题
read_wiki_contents：获取仓库文档的详细内容
ask_question：对指定仓库提出问题，获取基于仓库文档和代码的 AI 回复

接入

点开Cursor Settings => Tools & MCP => Add a Custom MCP Server，在mcp.json文件中，添加如下：

json 复制代码

{
  "mcpServers": {
    "deepwiki": {
      "url": "https://mcp.deepwiki.com/sse"
    }
  }
}

如何使用

使用方法也很简单，直接在 chat 里加上 use deepwiki 和你想查找的代码库这俩关键字就可以了。比如，如果我想通过 deepwiki 优化 vex-table 中的分页：

它能够直接分析 vex-table 的官方文档中相关的文档和源码，从而对你的代码做出相应的更改，不用来回切换线上文档和编辑器，大幅度提高编码的准确性和效率。而且由于官方文档一直是最新的，能够有效避免 AI 幻觉问题（目前还是不能完全避免）。相比较之前我们通过@Docs 引入官方文档的做法，Deepwiki MCP 显然更方便和全面。

使用场景

我通常会在这几个方面使用它

快速查询、使用代码库文档的API。
解决开发过程中遇到的代码库、npm 包相关问题。
快速了解代码库的文档结构

context7

简介

Context7 MCP 是 upstash 开发的 MCP 工具，它解决了 AI 知识过时造成的AI幻觉问题（AI助手的训练数据可能过时，生成错误或已弃用的代码）。Context7会提供实时、准确的文档，有效减少这类问题。

官方网址：context7.com/

它提供了两个工具：

resolve_library_id: 根据提示词查找库名 ID。
get_library_docs: 根据库名 ID 获取库对应的文档内容。

接入

点开Cursor Settings => Tools & MCP => Add a Custom MCP Server，在mcp.json文件中，添加如下：

json 复制代码

{
  "mcpServers": {
    "context7": {
      "url": "https://mcp.context7.com/mcp"
    }
  }
}

如何使用

使用方法与 deepwiki 类似，直接在 chat 提示词中加上 use context7 关键字即可。Context7 会自动识别你提到的库或框架，并获取最新的文档和代码示例。

例如，当你想使用最新的 React 18 特性时，可以这样提问：

"使用 React 18 的新特性创建一个组件，use context7"

或者想了解某个库的最新 API：

"如何使用 Next.js 15 的服务器组件？use context7"

Context7 会自动解析你的需求，查找相关的库文档，并获取最新版本的文档内容，确保生成的代码符合最新的 API 和最佳实践。

使用场景

我通常会在以下场景使用 Context7：

学习新框架或库 ：当需要学习新的框架、库或工具时，Context7 可以提供最新的官方文档和代码示例，帮助快速上手
使用新版本特性 ：当框架或库发布了新版本，想使用新 API 或特性时，Context7 可以确保获取的是最新版本的文档，避免使用已废弃的 API
调试和问题排查 ：遇到问题时，Context7 可以获取最新的文档和示例，帮助理解正确的用法和最佳实践
代码重构和优化 ：需要重构代码或优化实现时，Context7 可以提供当前版本的最佳实践和推荐模式

`Deepwiki` 和 `Context7` 有什么区别

Context7 与 Deepwiki 很像，不过还是有点区别的，根据我对这两个 MCP 的使用过程来看：

如果单论防止 AI 幻觉，Context7 要比 Deepwiki 好点，而且 Context7 可以从不同版本解析代码库。但是如果要论项目的理解深度来说， Deepwiki 要比 Context7 好的多，因为 Deepwiki 是从代码 + 文档角度分析项目的，而 Context7 是从文档角度分析项目。

但是这俩 MCP 都有同一个缺点：搜索的库要么不全，要么特定版本没有。在 Deepwiki 中，一些冷门的库搜索不到， context7 中搜索库，版本可能又不全，比如在context7中搜索 VXE-Table，查到的版本只有两个：

遇见这种情况，要么等有人将库传到 Deepwiki 或者 context7 中，要么自己手动去传，我尝试了一下自己去传，速度还是挺快的。

MCP-Feedback-Enhanced

简介

MCP-feedback-enhanced 是一个面向开发者的反馈驱动型工作流工具，核心目标是通过用户反馈优化 AI 操作，减少平台成本并提升开发效率。

地址：github.com/Minidoracat...

直观的说就是，这个工具会让 AI 在完成阶段性任务后，不直接退出，而是先征求开发者意见，根据开发者的反馈，再决定退出还是继续一下步操作。当这个 mcp 被触发时，它会唤起一个基于 Qt GUI 开发的新界面，并提供更为丰富的反馈选项，具体有：

AI summary：先让 AI 梳理总结一下已经完成的工作，然后用户可以基于此给出反馈。
图像上传：支持 PNG/JPG 等多种格式，并且自动压缩至 1MB 以内，支持拖放和粘贴（Ctrl+V）。
多语言切换：英语、繁简中文，根据系统语言自动切换，支持界面内实时切换。

接入

点开Cursor Settings => Tools & MCP => Add a Custom MCP Server，在mcp.json文件中，添加如下：

json 复制代码

{
  "mcp-feedback-enhanced": {
    "command": "uvx",
    "args": ["mcp-feedback-enhanced@latest"],
    "timeout": 600,
    "autoApprove": ["interactive_feedback"]
  }
}

如何使用

与前几个 mcp 一样，直接在 chat 里你的语句加入 use mcp-feedback-enhanced 就行了。比如，如果我想查询一下这个项目的目录结构：

允许 mcp 调用后，会打开一个 GUI 窗口，可以输入文字。

比如我们可以输入：只查询 md 文档，

之后提交反馈，他会根据你的反馈再进行解答，解答完后会刷新这个窗口，我们可以再输入反馈，再获得解答....如此循环往复...

注意： 2024 年的 7 月份，Cursor 的收费方式发生了更改。如果按照之前的依据请求次数收费，我们可以通过调用 mcp-feedback-enhanced 压缩请求次数，通过不断询问用户是否问题已经解决，尽可能将所有更改压缩到一次请求中以减少请求次数。但是由于 Cursor 的收费方式变为现在请求额度收费（其实就是按照输入、输出总的 token 量收费），我们通过延长会话来减少计费次数的想法已经失效。

在新计费模式下，mcp-feedback-enhanced 的主要价值------节省请求次数以节省费用，已经失效。我认为它现在最大的价值应该是：通过交互反馈提高任务完成质量，减少返工，也可以通过这种方式确保 AI 理解需求后再继续，避免方向性错误。

使用场景

我通常会在以下场景中使用 MCP-Feedback-Enhanced

复杂任务的分步确认
需求不明确时的迭代澄清
需要视觉参考的任务（需要大量上传图片、设计稿或者参考图例）
多伦迭代优化

简而言之，复杂点的任务用它，简单明确的的任务不用它。

总结

其实好用的MCP还有很多，只不过我最喜欢用的是这三个而已，在某些特殊的业务场景下，选用合适的MCP是真能够给你带来事半功倍的效果，比如：

如果产品给你的UI是用Figma设计的，那么使用Figma-Context-MCP能够帮你快速的将Figma设计稿又快又好的转化为代码。
如果你在开发独立项目，不太会设计，那么magic-mcp会根据你的提示，帮你设计出很好看的UI。
iterm、gitee、github等官方也都有自己的MCP
...

感兴趣的朋友可以去这个网站或这个网站找找看，看哪些MCP对自己的开发有帮助，也可以关注一下这个 MCP 资源项目。

Cursor 系列（3）：关于MCP

deepwiki MCP

deepwiki 简介

deepwiki MCP 简介

接入

如何使用

使用场景

context7

简介

接入

如何使用

使用场景

Deepwiki 和 Context7 有什么区别

MCP-Feedback-Enhanced

简介

接入

如何使用

使用场景

总结

`Deepwiki` 和 `Context7` 有什么区别