用 MCP Server 让 AI 能读懂你的网站：快速部署教程 + 示例代码

不得不承认，AI 在解答日常问题方面越来越常被用来取代搜索引擎。在过去的1年内，我自己使用搜索引擎的频率已经降到了冰点。遇到问题的第一时间就是打开ChatGPT然后寻找答案。但随之而来的问题是，现有的AI学习到的知识往往落后于现实世界，对于刚刚更新的事情它并不了解，虽然现在很多AI都多了联网搜索功能，但是差强人意。

比如，当我询问“我的博客有哪些文章”时，GPT 通常会尝试访问网络。但由于网络访问受限，它大概率会失败，最终无法获取有用信息，或者只能以极其缓慢的速度访问到不完整的数据。

这时候，我们就可以使用MCP包装我们已有的服务，让AI可以自由的访问我们的数据源，并且这个过程非常简单直接，并不需要大量的编码。今天我们就聊聊如何通过MCP Server让自己的服务能被AI所理解。

什么是MCP

Model Context Protocol (MCP) 是一个介于LLM和自定义工具数据之间的一个协议，它定义了一些列的规范，可以让LLM快速知道当前的MCP有哪些工具，以及每个工具是做什么用的，并在特定的上下文情况下自行选择使用哪个工具。

比如在我们这次的案例中，我就为我的博客封装了下面几个工具：

list-blog-posts：获取博客文章的标题列表
get-blog-article：获取具体某一篇博客文章的内容
get-comment-list：获取用户评论列表
get-recommend-blog：获取某一篇博客类似的推荐博文列表

MCP Client在首次连接到我们开的MCP Server的时候，就会获取到这些工具的描述，然后当我们询问具体的内容的时候。比如：“我的博客有哪些文章”，MCP Client就会根据上下文自动判断应该调用第一个 list-blog-posts 工具，并自行准备好调用参数来获取最新的文章列表。同理，当我们询问“有哪些评论”的时候，MCP Client也会自动判断应该使用 get-comment-list 来完成任务。

这些工具可以是现有 API 的封装、执行 SQL 查询的函数，或是本地文件读取器。总之，只要代码能实现的逻辑都能被封装为 MCP 工具。

MCP除了工具 Tools 以外，我们还有对应的 Resource , Prompt 等概念，但是这些不是我们本文讨论的重点。

MCP 解决了什么问题

通过上面的例子，你可能对于MCP有了一定的想法。简单来说，MCP（Model Context Protocol）是为了解决 LLM 访问结构化外部数据的难题而诞生的协议。最初，LLM 的知识局限于训练时的数据，对现实世界的变化一无所知。后来，人们尝试赋予它访问互联网的能力，让它通过实时检索来回答问题，但这个方案有两个核心问题：

稳定性差：访问失败、权限受限、网页结构变化都可能导致获取信息失败。
信息不完整：比如我问“我的博客有多少篇文章”，但我的博客有 100 页，LLM 不可能每页都访问后再总结，结果常常不准确。

为了解决这个问题，人们也尝试过使用 Function Calling ，让 LLM 可以调用特定函数获取数据。但这依然有问题：

需要为每个服务和每种 LLM 定制 Function schema。
工具发现机制不统一，灵活性有限。

MCP 的出现解决了这些痛点，就像一座桥梁，让 LLM 可以灵活、安全、高效地连接任何外部结构化数据，它的核心思路是：

统一协议：任何 MCP Server 都可以定义一组标准的接口（如 /tools, /resources, /prompts），LLM 在连接时就能知道有哪些工具、它们的用途是什么。
自动工具发现：LLM 无需硬编码，自动发现 MCP Server 提供的功能，并根据上下文自主决定是否调用。
高度扩展性：任何服务（博客、商品系统、地图、留言板等）都可以通过 MCP 封装暴露，成为 AI 可理解的“数据源”。

把自己的服务封装成 MCP 服务，简单么？

结合我自己的实践经验，答案是：非常简单。我仅花了 1–2 个小时，就把自己的博客封装成了一个完整的 MCP Server，并通过 Cloudflare 快速上线，变成了一个真正可供 AI 理解和调用的数据源服务。

MCP 官方（modelcontextprotocol.io）提供了多种语言的 SDK，比如 TypeScript / Node 和 Python。你只需要根据这些 SDK 提供的规范，将你已有的 API 接口稍作封装，明确每个方法接受的参数和返回的数据结构，就可以快速构建起一个合规的 MCP 服务。

更棒的是，使用 Cloudflare 部署的过程非常简化，无需配置额外业务逻辑，只是把你原本的数据“翻译”成 AI 能理解的结构形式。这种轻量级接入方式，极大降低了门槛，让你的博客、应用甚至一段静态内容都能变成 AI 可用的“知识插件”。

下面是我通过自己的博客 MCP Server 与 LLM 对话的实际截图：

2025-05-22 15.16.38.gif

我们依次提出了以下几个问题：

你能告诉我我的博客有哪些文章么?
我的博客一共有多少篇文章？
你能告诉我第一篇文章的内容么？
第一篇文章有什么评论么？
其他的文章有什么评论么？

可以看到，LLM 的回答准确且详细，对内容掌握程度令人惊讶。

这就是 MCP 的魔力：LLM 不再“盲人摸象”，而是能像数据库客户端一样精确地读取你的数据服务。甚至，AI 对你网站的了解可能比你本人更清楚！

实战

在实战部分，我基于自己博客的多个 API，使用 Cloudflare 提供的模板进行了开发与部署。

相关代码已放到Github：https://github.com/zmofei/mofei-life-mcp，欢迎参考细节。

准备

首先我们看看我们已有的API

第一个是获取博客列表的API /api/blog/list/{page} ，可以接受 page 作为参数，同时我的博客支持多语言，也可以通过 lang 参数指定访问的语言类型
第二个是获取博客具体文章内容的API /api/blog/article/{id} , 接受文章 id 和 lang 作为参数
第三个是获取评论的接口 /api/blog/comment_list/{page} ，接受 page 和 pageSize 作为参数，实际上我也有获取具体文章的评论接口 /api/blog/comment/{blogID}/{page} ，但是为了省事，这里我们用通用接口
第四个是获取推荐文章的接口 /api/blog/recommend/{id} , 接受 id 和 lang 作为参数

初始化项目

我们使用了Cloudflare的模板创建项目，打开terminal，进入到需要开发的目录，运行下面的命令

$ npm create cloudflare@latest -- my-mcp-server --template=cloudflare/ai/demos/remote-mcp-authless

其中 my-mcp-server 可以换成自己的项目名称，其他的可以不变

初始化项目之后，我们发现Cloudflare已经贴心的把所有的内容都准备好了，并且在 src/index.ts 文件中还给我们准备了一些 tools 的示例。

添加tool

我们可以将每个API定义成一个tool，比如对于第一个，获取博客列表的API /api/blog/list/{page} ，我们就可以定义成 list-blog-posts tool, 在 init() 中我们添加如下代码：

// get blog post
this.server.tool(
  "list-blog-posts",
  {
    page: z.number().describe("The page number to retrieve"),
    lang: z.string().describe("Language code, e.g. 'en' or 'zh'"),
  },
  async ({ page, lang }) => {
    const url = `https://api.mofei.life/api/blog/list/${page}?lang=${lang}`;
    const res = await fetch(url);
    const data = await res.json();
    return {
      content: [
        {
          type: "text",
          text: JSON.stringify(data),
        },
      ],
    };
  }
);

这段代码相对直观，下面简单说明其结构，我们为 this.server.tool 传递了3个参数， title , params , callback ，其中：

title : 是定义这个tool的名字
params : 定义了这个tool接受什么样的参数，LLM会按照这个描述来调用 callback
callback : LLM调用这个工具的时候具体执行的内容，在这个案例中，我们直接访问了我的博客的一个API，在实际项目中可以更换成其他的API访问或者写成其他的方法。

我们可以按照同样的方法，把其他3个API也都改写成tool，由于篇幅有限，这里就不赘述了，有兴趣的话可以直接看源码 https://github.com/zmofei/mofei-life-mcp/blob/d8fe414b9d4c340add8f542594a5431aeeebf585/src/index.ts#L16-L112

调试

在我们添加完成tool之后，就可以用 MCP inspector 去调试我们的代码了。

首先我们需要运行我的项目，进入项目根目录：

$ npm start

然后打开一个新的terminal：

$ npx @modelcontextprotocol/inspector@latest

这时候，访问 http://localhost:5173 就能打开调试工具了。

我们在调试工具中输入我们之前启动的本地服务的sse地址 http://localhost:8787/sse 然后点击连接 Tools → List Tools ，就能看见我们定义的工具列表了。

如果你点开下面的History的列表中的小箭头，你还能看到LLM接收到的Tools list是什么样的，比如，我们之前创建的4个工具的描述就是下面这样子的：

{
  "tools": [
    {
      "name": "list-blog-posts",
      "inputSchema": {
        "type": "object",
        "properties": {
          "page": {
            "type": "number",
            "description": "The page number to retrieve"
          },
          "lang": {
            "type": "string",
            "description": "Language code, e.g. 'en' or 'zh'"
          }
        },
        "required": [
          "page",
          "lang"
        ],
        "additionalProperties": false,
        "$schema": "http://json-schema.org/draft-07/schema#"
      }
    },
    {
      "name": "get-blog-article",
      "inputSchema": {
        "type": "object",
        "properties": {
          "id": {
            "type": "string",
            "description": "ID of the blog article, e.g. '665ad9f8136fb3b8b96dd685'"
          },
          "lang": {
            "type": "string",
            "enum": [
              "en",
              "zh"
            ],
            "default": "en",
            "description": "Language code: 'en' or 'zh'"
          }
        },
        "required": [
          "id"
        ],
        "additionalProperties": false,
        "$schema": "http://json-schema.org/draft-07/schema#"
      }
    },
    {
      "name": "get-comment-list",
      "inputSchema": {
        "type": "object",
        "properties": {
          "page": {
            "type": "string",
            "default": "1"
          },
          "pageSize": {
            "type": "string",
            "default": "20"
          }
        },
        "additionalProperties": false,
        "$schema": "http://json-schema.org/draft-07/schema#"
      }
    },
    {
      "name": "get-recommend-blog",
      "inputSchema": {
        "type": "object",
        "properties": {
          "id": {
            "type": "string",
            "description": "ID of the blog article, e.g. '665ad9f8136fb3b8b96dd685'"
          },
          "lang": {
            "type": "string",
            "enum": [
              "en",
              "zh"
            ],
            "default": "en",
            "description": "Language code: 'en' or 'zh'"
          }
        },
        "required": [
          "id"
        ],
        "additionalProperties": false,
        "$schema": "http://json-schema.org/draft-07/schema#"
      }
    }
  ]
}

我们还可以点击具体的tool，然后尝试运行它

按照需要，逐一调试所有的tool

部署

调试完成，可以运行

$ npx wrangler@latest deploy

把自己的代码部署到Cloudflare上，部署完成之后，你会获得一个url（我在调试的时候，把域名设置成了https://mcp.mofei.life/sse），你可以通过这个url来使用你的MCP

比如在Claude中，我们可以配置Claude的MCP为下面内容

{
  "mcpServers": {
    "mofei": {
      "command": "npx",
      "args": [
        "mcp-remote",
        "https://mcp.mofei.life/sse"
      ]
    }
  }
}

在Cursor中我可以这样配置

{
  "mcpServers": {
    "mofei-blog": {
      "url": "https://mcp.mofei.life/sse"
    }
  }
}

验证

我们以Cursor为例，配置完成之后，我们尝试询问“Mofei的博客都有哪些内容？”

可以看到Cursor会自动调用 list-blog-posts 工具，然后自行决定传入 page=1 , lang=zh 的参数。如果我们尝试用英文去询问，Cursor也能智能的尝试使用 lang=en 去获得答案

接着我们可以继续通过自然语言提问，验证其他接口是否正常工作，比如“最近的评论都有哪些？”

总结

通过这次实践，我们可以看到：MCP Server 是一种极其轻量、灵活、易扩展的方式，可以将任何结构化数据源暴露给 AI 客户端使用。无论是博客、商品系统、评论区还是地图服务，只要你有 API，就可以用 MCP 快速封装，并被 ChatGPT、Claude、Cursor 等 LLM 工具即时调用。

与传统的联网搜索相比，MCP 提供了一种更可控、更高效的数据访问路径。不仅部署成本低，而且对现有服务改动极小，特别适合中小团队或个人开发者将自己的内容产品开放给 AI 使用。

目前我已经将博客完整接入 MCP，未来也计划继续探索如何将其与 LangChain、Agents、RAG 等机制结合，构建出更智能、更私有的知识应用。

📌 如果你也希望让 AI 读懂你的数据，不妨试试 MCP，也欢迎参考这篇文章提及的代码：https://github.com/zmofei/mofei-life-mcp

什么是MCP

MCP 解决了什么问题

把自己的服务封装成 MCP 服务，简单么？

实战

总结

更多你可能感兴趣的文章

关于文章中的内容，有任何见解都可以告诉我哦！

Mofei's Friend (点击编辑)