MCP Server for AI Coding Setup 實戰：原理、設定與避坑

MCP Server 是什麼？它在 Agent 工作流程中扮演什麼角色

MCP（Model Context Protocol）Server 不是單獨的微服務，而是 AI 編碼 Agent 與外部工具（Git、檔案系統、資料庫、CLI 指令等）之間的標準化通訊層。當你啟動一個 Agent 說「幫我重構這個模組並執行測試」時，Agent 本身沒有能力直接執行 git push 或 npm test——它需要 MCP Server 來代理這些操作。

在典型的 Agent 工作流程中，MCP Server 承擔三個責任：

• 能力註冊：告訴 Agent 目前環境提供了哪些工具（例如 read_file、write_file、run_command、search_web）以及每個工具的入參、出參格式。
• 安全沙箱：Agent 發來的工具呼叫請求會先經過 MCP Server 的權限校驗，例如只允許讀取特定目錄、禁止執行高風險指令。
• 結果回傳：工具執行後的輸出（檔案內容、指令 stdout/stderr、回傳錯誤）會被格式化為結構化的訊息，讓 Agent 能理解並繼續決策。

建置 MCP Server 的關鍵步驟

1. 選擇協定實作與語言

目前主流方案有官方的 TypeScript SDK 和社群維護的 Python SDK。如果你的 AI Coding 環境是 Node.js 生態（如 Cursor、Continue），建議用 TypeScript 版本；如果是 Python 優先的 Agent 框架（如 LangChain、AutoGPT），則用 Python 版更省事。

實幹路徑：

• 初始化項目：npm create mcp-server@latest my-server 或 pip install mcp-server 後使用模板。
• 核心程式碼結構：實作一個 Tool 集合，每個 Tool 包含名稱、schema（JSON Schema）、執行函數（async）。

2. 定義工具與權限邊界

這是最容易出錯的地方。常見的錯誤是讓 Agent 擁有「寫任意檔案」或「運行任意 shell」的權限。一個合理的邊界是：

• 只揭露目前專案目錄下的檔案讀寫，禁止存取 /etc、/root。
• 只允許執行白名單指令，例如 npm run build、python test.py，而不是 rm -rf /。
• 對敏感操作（如刪除檔案）要求使用者確認。

真實場景：某團隊開放了 run_command 工具且未加過濾，Agent 在生成程式碼後自動執行了 git push --force，覆蓋了同事的提交。這就是權限邊界沒設定清楚的結果。

3. 與 Agent 框架集成

不同的 Agent 框架連線 MCP Server 的方式不同。以 Continue 為例，在 ~/.continue/config.json 中設定 MCP Server 的 endpoint（通常是 localhost 連接埠），並宣告 tool list。之後你在 IDE 中選擇一段程式碼並輸入指令“新增錯誤處理”，Agent 會透過 MCP Server 讀取檔案、產生程式碼、再寫回檔案。

容易失敗的地方：如果 MCP Server 的回應逾時（預設 30 秒），Agent 會卡住或產生不完整的結果。建議將長時間運行的任務（如安裝依賴）拆成非同步步驟，或增加逾時配置。

常見迷思與解決方案

迷思 1：把所有工具都丟給 Agent

有的開發者圖省事，一次性註冊 30 個工具，結果 Agent 在選擇工具時頻繁出錯（選錯參數、呼叫順序錯誤）。更好的做法是只暴露當前任務所需的工具，並在 prompt 中說明工具使用順序。例如，重構任務只暴露 read_file、write_file、run_test 三個工具。

迷思 2：忽略錯誤處理

MCP Server 中工具執行可能會失敗（檔案不存在、網路不通）。如果不在 Tool 實作中傳回結構化錯誤訊息（如 { status: "error", message: "File not found" }），Agent 可能誤以為操作成功，導致後續邏輯崩潰。每個工具都應該 catch 異常並傳回明確的錯誤物件。

迷思 3：直接在生產環境使用預設配置

預設的 MCP Server 配置通常是開發友善的開放權限。線上使用前必須：

• 關閉所有不必要的工具（如 delete_file、execute_sys_command）。
• 設定 allowed_paths 和 blocked_commands。
• 啟用稽核日誌，記錄 Agent 的所有工具呼叫。

失敗時的備用方案

如果 MCP Server 持續不穩定或你發現 Agent 的工作流程有安全隱患，可以暫時回退到「手動工具」模式：

• 讓 Agent 只輸出 shell 指令，你手動複製執行。
• 或使用更輕量的方案如 codex、inline assistant 只做程式碼生成，不做自動執行。

這不是倒退，很多生產級 AI 編碼流程依然採用「Agent 建議 + 人工批准」的混合模式。

下一步做什麼

你現在應該嘗試在本機上建立一個 MCP Server，從最簡單的「檔案檢視器」開始，先讓 Agent 能正確讀取檔案內容，再逐步加入寫入操作和指令執行。每次新增一個工具，就模擬一次並發請求和失敗場景，確保錯誤能被 Agent 理解。

如果你希望系統掌握 AI 程式設計工作流程設計、品質控制與安全防護，建議深入學習更完整的 Agent 架構與評估系統。