codex配置MCP连接并修改wiki、jira、数据库、观测云日志详细教程

郑..方..醒2026-05-18 18:07

提示：Win11下给Codex配置 Jira MCP 的完整教程，codex读取wiki页面需求文档，并产出设计文档；codex读取观测云日志；claude+ccswitch读取数据库、claude+ccswitch读取wiki、jira、claude帮我读取日志扫描代码、cursor，claude，codex，minimax，right code使用分享心得，用 Docker 给 Codex 配置 Jira / Wiki MCP、MCP常见问题排查

文章目录

前言

现在 AI 工具已经从"聊天助手"逐渐变成"研发助手"。普通聊天模型只能根据你输入的文本回答问题，但研发工作里的真实上下文往往分散在 Jira、Confluence / Wiki、数据库、日志平台、代码仓库、内部 API 里。

如果每次都靠人工复制粘贴，效率很低，也容易漏信息。MCP 的价值就在这里：它把外部系统包装成 AI 客户端可以调用的工具，让 Codex、Claude、Cursor 等客户端能够在授权范围内读取业务系统的数据。

举几个常见场景：

  • 让 Codex 读取 Jira 需求单，然后生成设计文档。
  • 让 Codex 读取 Confluence / Wiki 页面，理解业务背景。
  • 让 Codex 查询日志系统，定位线上报错。
  • 让 Claude / Cursor 查询数据库，辅助分析问题。
  • 让 AI 调用内部 API，完成研发流程中的固定动作。

本文不只贴配置，还会解释为什么要这么配。读完之后，你应该能知道：

  • MCP 是什么。
  • MCP Client、MCP Server、业务系统分别是什么角色。
  • stdio 传输方式是什么意思。
  • Win11 下如何给 Codex 配置一个 Jira / Wiki MCP。
  • 如何验证 MCP 是否配置成功。
  • 常见错误如何排查。

目前已经使用过：claude、codex、cursor、minimax、kimi、right code。。。我个人认为，目前，最好用的，无疑是claude，但是claude封的过快，导致几乎不可用。(刚用完没两天就不能用了)，其次便是codex。本次便是分享的codex。

截止到目前为止，我仅保留了2种AI：right Code、miniMax。right Code无疑是"真香"，甩国产几条街，没有对比就没有伤害。(感兴趣的话，可以点击这个按钮，这个按钮对应的文章就是right code自动生成的)。nimiMax是国产的，保留它是因为它的优势很明显：量大管饱且便宜。一年12个月才399，399对应的miniMax是每5小时1500条，无疑是非常适合高频问简单问题的，针对于程序员日常开发，这个流量绰绰有余，甚至一个团队的日常开发也能满足。如果大家有需要的话，可以访问。

rightcode的地址：地址(按流量计费)

minimax的地址：地址(399一年)

话不多说，咱们上干货。

一、效果图

俗话说，有图有真相，没图没朋友。放两张图大家看一下：


二、概念介绍

1、MCP是什么？

MCP，全称 Model Context Protocol，可以理解为"让 AI 助手连接外部系统的一套标准协议"。一句话解释： MCP 是一套标准协议，用来让 AI 客户端安全、统一地连接外部系统和工具 。这里的"AI 客户端"可以是：

  • Codex
  • Claude Desktop / Claude Code
  • Cursor
  • Cline
  • 其他支持 MCP 的 IDE 或 Agent 工具

这里的"外部系统"可以是：

  • Jira
  • Confluence / Wiki
  • GitLab / GitHub
  • 数据库
  • 日志平台
  • 文件系统
  • 内部业务 API
  • 浏览器自动化工具
  • 任何可以被程序访问的系统

没有 MCP 时，不同 AI 工具要接 Jira、接数据库、接日志平台，都要各写一套私有插件。MCP 做的事情，就是把这类连接方式标准化。简单总结，你可以把 MCP 想象成 AI 世界里的"USB-C 接口"

2、MCP原理

MCP 的整体链路可以这样理解：

bash 复制代码 
AI Client
  例如 Codex / Claude / Cursor
        |
        | MCP 协议
        v
MCP Server
  例如 Jira MCP / GitHub MCP / 数据库 MCP / 日志 MCP
        |
        | HTTP / JDBC / SDK / RPC / 文件系统 / 数据库协议
        v
业务系统
  例如 Jira / Wiki / MySQL / 日志平台 / 内部服务

各角色的职责如下。

3、各角色职责

3.1、AI Client

AI Client 是你正在使用的 AI 工具，比如 Codex。

它负责：

  • 读取 MCP 配置。
  • 启动或连接 MCP Server。
  • 获取 MCP Server 暴露了哪些工具。
  • 在模型需要时调用这些工具。
  • 把工具返回的结果交给模型继续推理。

你在 Codex 里看到的 /mcp，本质上就是查看当前客户端已经连接了哪些 MCP Server，以及这些 Server 暴露了哪些工具。

3.2、MCP Server

MCP Server 是一个普通程序，可以用 Node.js、Python、Go、Java、Rust 等语言实现。

它负责：

  • 对外遵守 MCP 协议。
  • 对内调用真实业务系统。
  • 把业务系统能力包装成一个个工具。

例如 Jira MCP Server 可能暴露这些工具：

  • jira_get_issue
  • jira_search
  • jira_get_project_issues
  • jira_get_agile_boards
  • jira_get_board_issues
  • jira_get_sprints_from_board
  • jira_get_sprint_issues

这些工具背后真正调用的是 Jira 的 REST API。

3.3、业务系统

业务系统就是 MCP Server 最终要访问的数据源或服务。

例如：

  • Jira MCP Server 访问 Jira API。
  • Confluence MCP Server 访问 Confluence API。
  • MySQL MCP Server 访问 MySQL。
  • 日志 MCP Server 访问日志平台 API。

所以 MCP 不是替代业务系统，也不是让模型直接连数据库。更准确地说，MCP Server 是一个"受控代理层"：它决定 AI 能访问什么、怎么访问、是否只读、是否需要鉴权。

4、MCP 通信方式

MCP 协议使用 JSON-RPC 来编码请求和响应。官方协议中常见的传输方式主要有两类：

  • stdio
  • Streamable HTTP

4.1、stdio

stdio 是 standard input / standard output 的缩写，也就是标准输入和标准输出。

在 stdio 模式下，AI Client 会启动一个本地 MCP Server 子进程，然后：

  • Client 往 Server 的 stdin 写入 MCP 请求。
  • Server 从 stdin 读取请求。
  • Server 把 MCP 响应写到 stdout。
  • Client 从 stdout 读取响应。
  • Server 的日志一般写到 stderr。

在 stdio 模式下：

bash 复制代码 
Codex
  |
  | 启动本地子进程
  v
docker run -i --rm ghcr.io/sooperset/mcp-atlassian:latest --transport stdio
  |
  | stdin / stdout
  v
MCP Server
  |
  | Jira REST API / Confluence REST API
  v
Jira / Confluence

stdio 的特点：

  • 适合本地工具。
  • 不需要单独开放端口。
  • 生命周期通常由客户端管理。
  • Client 关闭后，Server 子进程也会退出。
  • Server 的 stdout 必须只输出合法 MCP 消息，普通日志不要写到 stdout。

这就是为什么 Docker 命令里经常能看到 -i，因为 MCP Server 需要通过标准输入持续读取客户端发来的协议消息。

4.2、Streamable HTTP

Streamable HTTP 更适合远程服务。

这种方式下，MCP Server 是一个独立运行的 HTTP 服务，客户端通过 HTTP endpoint 访问它。适合这些场景：

  • 团队共用一个 MCP Server。
  • Server 部署在内网服务器或 Kubernetes 中。
  • 需要统一网关、鉴权、审计、限流。
  • 不希望每个客户端都本地启动一个进程。

本文使用 Docker + stdio，因为它最适合个人本地配置，步骤也最简单。

三、前置操作

1、安装docker

Win11 推荐安装 Docker Desktop。

安装完成后，打开 PowerShell 或 CMD，执行：

powershell 复制代码 
docker --version
docker run hello-world

能正常输出版本号，并且 hello-world 能运行，说明 Docker 基本可用。

2、安装Node.js和npm

Codex CLI 通常通过 npm 安装，因此需要先安装 Node.js。

验证命令：

powershell 复制代码 
node -v
npm -v

如果能输出版本号，说明 Node.js 和 npm 已安装成功。

复制代码 
node -v
npm -v
docker --version

3、安装或更新Codex

执行：

powershell 复制代码 
npm install -g @openai/codex

安装完成后验证：

powershell 复制代码 
codex --version
codex

如果能进入 Codex 命令行界面，说明安装成功。

如果你是第一次安装codex，直接执行上面的命令就行，如果你不是第一次安装，就需要删除旧的codex的缓存，不然一些配置可能是旧的，会影响你后续的mcp配置。删除很简单： 将 C:\Users\Administrator 下的 (用户的文件夹，不一定是Administrator ).codex 文件夹整个删除。

效果是，win+r输入cmd按回车弹出来的命令行中，输入codex，看到的效果是 openAI Codex，如下图：

4、准备Jira/Confluence凭证

至少需要准备：

text 复制代码 
JIRA_URL
JIRA_USERNAME
JIRA_API_TOKEN 或 JIRA_PERSONAL_TOKEN

示例：

text 复制代码 
JIRA_URL=https://jira.example.com
JIRA_USERNAME=your-name@example.com
JIRA_API_TOKEN=xxxxxxxx

如果你还要读取 Confluence / Wiki，通常还需要：

text 复制代码 
CONFLUENCE_URL
CONFLUENCE_USERNAME
CONFLUENCE_API_TOKEN 或 CONFLUENCE_PERSONAL_TOKEN

具体字段以所使用的 MCP Server 文档为准。文章末尾我会贴上我的配置文件，防止大家写错。

5、拉取、验证wiki的Mcp镜像

先拉取镜像：

powershell 复制代码 
docker pull ghcr.io/sooperset/mcp-atlassian:latest

再检查镜像是否存在：

powershell 复制代码 
docker image inspect ghcr.io/sooperset/mcp-atlassian:latest

这一步的意义是先排除网络、Docker、镜像拉取问题。不要一上来就改 Codex 配置，否则排错范围会很大。

6、ccswitch

ccswitch是方便你切换AI工具的，可安装可不安装。简单的说，ccswitch其实是方便你管理你的配置文件的。不安装也不影响后续的操作，我为了方便管理，就安装了。如果安装的话，可以这么配置：

配置后的效果：

四、修改配置

运行方式依赖 Docker，所以需要先确认：

  1. Win11 已安装 Docker Desktop
  2. Docker Desktop 正常运行
  3. 当前机器能访问 Jira 地址
  4. 已准备好 Jira 访问凭据

1、找到codex配置文件

修改前建议先备份，如果改错了，可以用备份文件恢复。

在 Win11 上，Codex 的全局配置文件一般在当前用户目录下：

text 复制代码 
C:\Users\<你的用户名>\.codex\config.toml

本次机器上的实际路径是：

text 复制代码 
C:\Users\Administrator\.codex\config.toml

这是全局配置，不是当前聊天窗口的临时配置。也就是说，只要改的是这个文件，关闭当前 Codex 窗口后，新开 Codex 仍然会读取这份配置。

2、写入Jira MCP 配置(不要怕麻烦，文章末尾有我的配置，直接粘贴改一下即可)

推荐配置如下：

bash 复制代码 
[mcp_servers.jira]
command = "docker"
args = [
  "run",
  "-i",
  "--rm",
  "-e", "JIRA_URL",
  "-e", "JIRA_USERNAME",
  "-e", "JIRA_API_TOKEN",
  "-e", "JIRA_PERSONAL_TOKEN",
  "-e", "TOOLSETS",
  "-e", "ENABLED_TOOLS",
  "-e", "READ_ONLY_MODE",
  "ghcr.io/sooperset/mcp-atlassian:latest",
  "--transport",
  "stdio"
]

[mcp_servers.jira.env]
JIRA_URL = "https://jira.example.com"
JIRA_USERNAME = "your-name@example.com"
JIRA_API_TOKEN = "your-api-token"
JIRA_PERSONAL_TOKEN = "your-personal-token"
TOOLSETS = "jira_issues,jira_agile,jira_projects,jira_fields"
ENABLED_TOOLS = "jira_get_issue,jira_search,jira_get_project_issues,jira_get_agile_boards,jira_get_board_issues,jira_get_sprints_from_board,jira_get_sprint_issues,jira_get_project_versions,jira_get_all_projects,jira_search_fields,jira_get_field_options,jira_batch_get_changelogs"
READ_ONLY_MODE = "true"

3、解释Jira MCP各配置含义

3.1、command 和 args

toml 复制代码 
command = "docker"
args = ["run", "-i", "--rm", ...]

意思是：Codex 启动 MCP Server 时，实际执行的是：

powershell 复制代码 
docker run -i --rm ...

其中：

  • docker 是启动命令。
  • args 是传给 docker 的参数。
  • -i 表示保持标准输入打开，stdio 模式必须要有。
  • --rm 表示容器退出后自动删除，避免残留大量临时容器。

3.2、-e 和 [mcp_servers.jira.env]

Docker 命令里的：

toml 复制代码 
"-e", "JIRA_URL"

表示把环境变量 JIRA_URL 传给容器。

下面这段：

toml 复制代码 
[mcp_servers.jira.env]
JIRA_URL = "https://jira.example.com"

表示 Codex 启动进程时，先设置环境变量，再让 Docker 把这些变量传进容器。

所以完整链路是：

text 复制代码 
Codex config.toml
  -> Codex 启动 docker run
  -> Docker 把环境变量传入容器
  -> 容器里的 MCP Server 读取环境变量
  -> MCP Server 调用 Jira API

3.3、TOOLSETS

TOOLSETS 用来指定启用哪些工具集合。

示例：

toml 复制代码 
TOOLSETS = "jira_issues,jira_agile,jira_projects,jira_fields"

不要简单写成：

toml 复制代码 
TOOLSETS = "jira"

很多 MCP Server 对 toolset 名称有严格要求，写错后可能出现 /mcp 能看到 server，但 tools 为空。

3.4、ENABLED_TOOLS

ENABLED_TOOLS 用来显式指定暴露哪些工具。

好处是：

  • 减少无关工具。
  • 降低误操作风险。
  • 让模型可用工具更清晰。
  • 出问题时更容易排查。

3.5、READ_ONLY_MODE

建议先设置：

toml 复制代码 
READ_ONLY_MODE = "true"

这表示只读模式。也就是 AI 可以读取 Jira，但不能创建、修改、删除 Jira 内容。

第一次配置 MCP 时，不建议直接开放写能力。等你确认工具行为稳定、权限范围明确、团队安全规范允许后，再考虑开放写操作。

4、同时配置 Confluence / Wiki

如果你要让 Codex 读取 Wiki，可以在同一个 mcp-atlassian 中开启 Confluence 相关配置。示例：

toml 复制代码 
[mcp_servers.atlassian]
command = "docker"
args = [
  "run",
  "-i",
  "--rm",
  "-e", "JIRA_URL",
  "-e", "JIRA_USERNAME",
  "-e", "JIRA_API_TOKEN",
  "-e", "CONFLUENCE_URL",
  "-e", "CONFLUENCE_USERNAME",
  "-e", "CONFLUENCE_API_TOKEN",
  "-e", "TOOLSETS",
  "-e", "ENABLED_TOOLS",
  "-e", "READ_ONLY_MODE",
  "ghcr.io/sooperset/mcp-atlassian:latest",
  "--transport",
  "stdio"
]

[mcp_servers.atlassian.env]
JIRA_URL = "https://jira.example.com"
JIRA_USERNAME = "your-name@example.com"
JIRA_API_TOKEN = "your-jira-token"
CONFLUENCE_URL = "https://wiki.example.com"
CONFLUENCE_USERNAME = "your-name@example.com"
CONFLUENCE_API_TOKEN = "your-confluence-token"
TOOLSETS = "jira_issues,jira_agile,jira_projects,jira_fields,confluence_search,confluence_pages"
ENABLED_TOOLS = "jira_get_issue,jira_search,jira_get_project_issues,jira_get_agile_boards,jira_get_board_issues,jira_get_sprints_from_board,jira_get_sprint_issues,confluence_search,confluence_get_page"
READ_ONLY_MODE = "true"

注意：不同版本的 mcp-atlassian 支持的 toolset 和 tool 名称可能不同。如果 /mcp 中没有看到 Confluence 工具，需要回到该 MCP Server 的 README 或启动日志里确认具体名称。

5、重启codex并验证

修改 config.toml 后，关闭当前 Codex 会话，重新打开 Codex。

进入新会话后执行：

text 复制代码 
/mcp

成功时应该能看到：

text 复制代码 
jira
  Tools: jira_get_issue, jira_search, ...

然后可以做一次真实验证：

text 复制代码 
请读取 Jira 单 SCRD-19749，并总结它的标题、状态、负责人、需求背景和验收标准。

如果要验证搜索能力：

text 复制代码 
请在 Jira 中搜索 project = SCRD AND status != Done 的最近 10 个需求单。

如果要验证 Wiki：

text 复制代码 
请搜索标题包含"订单调度"的 Wiki 页面，并总结最相关的一篇。

五、常见问题排查

1. /mcp 显示 Tools: (none)

这是最常见问题。

优先检查：

  • TOOLSETS 是否写错。
  • ENABLED_TOOLS 里的工具名是否真实存在。
  • Docker 镜像版本是否支持这些工具。
  • 容器启动后是否因为鉴权失败退出。
  • stdout 是否被普通日志污染。

排查思路：

text 复制代码 
先确认 Docker 能运行
再确认 MCP Server 能启动
再确认环境变量正确
最后确认 toolset / tool 名称正确

2. Docker 提示镜像拉取失败

可能原因：

  • 网络无法访问 ghcr.io。
  • 公司网络代理限制。
  • Docker Desktop 没有启动。
  • DNS 解析失败。

可以先执行：

powershell 复制代码 
docker pull ghcr.io/sooperset/mcp-atlassian:latest

如果这一步失败，说明问题还没到 Codex 层。

3. Codex 能看到 MCP Server，但调用工具时报 401 / 403

这是鉴权问题。

检查：

  • JIRA_URL 是否正确。
  • 用户名是否正确。
  • Token 是否过期。
  • Token 是否有权限访问目标项目。
  • 公司 Jira 是否需要 VPN 或内网环境。
  • Jira Cloud 和 Jira Server / Data Center 的认证方式是否混用了。

4. 调用工具一直超时

可能原因：

  • 本机访问不了 Jira / Wiki。
  • VPN 未连接。
  • Jira 地址需要代理。
  • Docker 容器内网络访问不到公司内网。
  • MCP Server 启动慢或被防火墙拦截。

可以先在宿主机验证：

powershell 复制代码 
curl https://jira.example.com

如果宿主机能访问，但容器访问不了，需要重点检查 Docker Desktop 网络、代理和 VPN。

5. 不要把日志写到 stdout

stdio 模式下，stdout 是 MCP 协议通道，必须输出合法 JSON-RPC 消息。

如果 MCP Server 把普通日志写到 stdout，客户端可能解析失败。日志应该写到 stderr。

如果你自己写 MCP Server，这一点非常重要。

六、MCP 能做什么，不能做什么

1、MCP 能做什么

MCP 能让 AI：

  • 读取外部系统数据。
  • 调用被授权的工具。
  • 基于真实上下文回答问题。
  • 把多个系统的信息串起来分析。
  • 自动化部分研发流程。

例如：

text 复制代码 
读取 Jira 需求 -> 读取 Wiki 背景 -> 扫描代码 -> 生成技术方案

再比如：

text 复制代码 
读取线上报错日志 -> 根据 traceId 定位链路 -> 扫描相关代码 -> 给出修复建议

2、MCP 不能做什么

MCP 不是万能的。

它不能绕过权限：

text 复制代码 
用户没有权限访问 Jira 项目，MCP 也不应该访问到。

它不能保证模型一定理解正确：

text 复制代码 
MCP 只负责把数据取回来，最终怎么推理仍然取决于模型能力和提示词质量。

它也不能替代安全治理：

text 复制代码 
该审计的要审计，该脱敏的要脱敏，该只读的要只读。

七、从 0 到 1 配置 MCP 的完整流程总结

完整流程可以按下面顺序走：

text 复制代码 
1. 明确你要接入什么系统
   例如 Jira / Wiki / 数据库 / 日志平台

2. 找到或开发对应的 MCP Server
   例如 mcp-atlassian

3. 确认运行方式
   本地个人使用优先 stdio
   团队共享服务优先 Streamable HTTP

4. 准备运行环境
   Node.js / npm / Docker / VPN / 网络代理

5. 准备访问凭证
   URL / username / token / personal access token

6. 单独验证 MCP Server 能启动
   先排除 Docker、镜像、网络问题

7. 修改 AI Client 配置
   例如 Codex 的 config.toml

8. 重启 AI Client
   让配置生效

9. 使用 /mcp 验证工具是否注册成功

10. 用真实问题验证工具调用
    例如读取一个 Jira 单

11. 做安全收敛
    只读模式、最小权限、最小工具集

八、我个人的完整配置文件

C:\Users\Administrator.codex 下的 config.toml 文件：

bash 复制代码 
model_provider = "rightcode"
model = "gpt-5.4"
model_reasoning_effort = "medium"
disable_response_storage = true

[model_providers.rightcode]
name = "rightcode"
base_url = "https://right.codes/codex/v1"
wire_api = "responses"
requires_openai_auth = true

[mcp_servers.wiki]
type = "stdio"
command = "docker"
args = ["run", "-i", "--rm", "-e", "CONFLUENCE_URL", "-e", "CONFLUENCE_USERNAME", "-e", "CONFLUENCE_API_TOKEN", "-e", "CONFLUENCE_PERSONAL_TOKEN", "-e", "TOOLSETS", "ghcr.io/sooperset/mcp-atlassian:latest", "--transport", "stdio"]

[mcp_servers.wiki.env]
CONFLUENCE_API_TOKEN = "NjkyODgyO------后面我给去掉了，是你个人对应的token"
CONFLUENCE_PERSONAL_TOKEN = "NjkyOD------后面我给去掉了，是你个人对应的token"
CONFLUENCE_URL = "https://wiki.hoxxcloud.com"
CONFLUENCE_USERNAME = "zhengxxxxx@xxcloud.com"
TOOLSETS = "confluence_pages"

[mcp_servers.jira]
type = "stdio"
command = "docker"
args = ["run", "-i", "--rm", "-e", "JIRA_URL", "-e", "JIRA_USERNAME", "-e", "JIRA_API_TOKEN", "-e", "JIRA_PERSONAL_TOKEN", "-e", "TOOLSETS", "-e", "ENABLED_TOOLS", "-e", "READ_ONLY_MODE", "ghcr.io/sooperset/mcp-atlassian:latest", "--transport", "stdio"]

[mcp_servers.jira.env]
ENABLED_TOOLS = "jira_get_issue,jira_search,jira_get_project_issues,jira_get_agile_boards,jira_get_board_issues,jira_get_sprints_from_board,jira_get_sprint_issues,jira_get_project_versions,jira_get_all_projects,jira_search_fields,jira_get_field_options,jira_batch_get_changelogs"
JIRA_API_TOKEN = "MjI3ODA------后面我给去掉了，是你个人对应的token"
JIRA_PERSONAL_TOKEN = "MjI3ODA------后面我给去掉了，是你个人对应的token"
JIRA_URL = "https://jira.xxxcloud.com"
JIRA_USERNAME = "zhengtxxg@hxxcloud.com"
READ_ONLY_MODE = "true"
TOOLSETS = "jira_issues,jira_agile,jira_projects,jira_fields"

[projects.'c:\users\administrator']
trust_level = "trusted"

[projects.'c:\windows\system32']
trust_level = "trusted"

[projects.'d:\ruanjian\java\idea\file\mall-flight-6']
trust_level = "trusted"

[projects.'d:\ruanjian\java\idea\file\mall-train-3-master']
trust_level = "trusted"

[projects.'d:\ruanjian\java\idea\file\mall-flight-9-master']
trust_level = "trusted"

[projects.'d:\ruanjian\java\idea\file\mall-flight-3-dev']
trust_level = "trusted"

[projects.'d:\ruanjian\java\idea\file\mall-sms-3-kaifa']
trust_level = "trusted"

[projects.'d:\ruanjian\java\idea\file\mall-train-2-merge']
trust_level = "trusted"

[projects.'d:\ruanjian\java\idea\file\mall-hotel']
trust_level = "trusted"

[projects.'d:\ruanjian\java\idea\file\mall-hotel-order-merge']
trust_level = "trusted"

[tui.model_availability_nux]
"gpt-5.5" = 4

[windows]
sandbox = "elevated"

总结

MCP 的核心不是"某个配置文件怎么写"，而是把外部系统能力标准化地暴露给 AI 客户端。对个人开发者来说，最容易落地的方式是：

text 复制代码 
Codex + Docker + stdio MCP Server + 只读 Token

先用 Jira / Wiki 这种低风险读操作跑通，再逐步扩展到日志、数据库、内部 API。只要理解了 AI Client -> MCP Server -> 业务系统 这条链路，后面接入任何 MCP 都是同一套思路。

相关推荐
葬送的代码人生2 小时前
用一句 Prompt 十分钟搓出完整应用
前端·html·ai编程
人月神话Lee2 小时前
【图像处理】饱和度——颜色的浓淡与灰度化
ios·ai编程·图像识别
小林学AI2 小时前
以前查Bug要切5个工具，现在Claude Code MCP一句话搞定，降维打击！
ai编程
鹏多多3 小时前
Trae cn里使用Pencil来制作设计图的手把手教程
前端·ai编程·trae
FEF前端团队4 小时前
AI 编程 Agent 全景解读：从 Chat 到 Agent，你的代码助手进化到了哪一步？
ai编程·cursor·trae
玹外之音4 小时前
【无标题】
人工智能·ai·ai编程
lili00125 小时前
CC GUI 插件架构剖析：如何为 JetBrains IDE 打造完整的 AI 编程工作台
java·ide·人工智能·python·架构·ai编程
一念杂记6 小时前
195+AI大模型免费用，无限Toke，亲测有效，赶紧用起来吧~
ai编程
热门推荐
01GitHub 镜像站点02Codex 接入 DeepSeek API 完整配置文档03Gemini大升级、AI眼镜首发、Android XR亮相，13天后见分晓04【AI】2026 年具身智能模型和世界模型总结05Codex 手机端连接教程：三分钟搞定，附完整步骤06CC-Switch & Claude 基于 Linux 服务器安装使用指南07人工智能最新动态 AI 日报 · 2026年5月10日08裂开！ChatGPT 居然开始要手机号验证，附详细解决方法09几个好用的ip纯净度检测网站10【踩坑记录 | 第一篇】微软商店无法使用时，如何手动安装 OpenAI Codex？附`.msix`文件系统错误解决方法