3_常用 MCP 工具解析

1. Context7：文档 RAG 引擎

Context7 是基于 MCP 的开发者文档检索引擎，解决 LLM 的 知识截断 问题。

sequenceDiagram
    participant User
    participant IDE as Cursor
    participant C7 as Context7
    participant Docs as 官方文档

    User->>IDE: "Upstash Redis 怎么用？"
    IDE->>C7: search_docs("Upstash Redis")
    C7->>Docs: 获取最新文档
    Docs-->>C7: 返回 Markdown
    C7-->>IDE: 注入上下文
    IDE-->>User: 生成准确代码

核心特性：

• 实时上下文：摒弃过时的模型权重知识，实时获取官方文档
• 版本锚定：支持指定版本（如 Next.js v14），避免 API 错误
• IDE 集成：自然语言触发（use context7）

2. Playwright MCP：浏览器自动化

Playwright MCP 赋予 AI “ 观察 “ 与 “ 操作 “ Web 界面的能力。

关键能力：

• 🌐 全栈控制：导航、点击、表单输入、滚动
• 📸 视觉感知：截图供多模态模型分析
• 🔍 数据提取：DOM 选择器抓取动态内容

典型流程：导航页面 → 截图/提取数据 → 返回结果给 AI 分析。

3. 搜索类工具对比

三款主流 MCP 搜索工具各有侧重：

工具	特点	适用场景
Brave Search	隐私优先，无需 API Key（基础版）	快速事实查询
Tavily	专为 AI Agent 设计，结果结构化	复杂调研任务
Exa	语义搜索，支持相似内容发现	深度技术研究

选型建议：

• 日常查询 → Brave（免费、快速）
• Agent 自动化 → Tavily（结构化输出）
• 学术/深度研究 → Exa（语义理解强）

4. GitHub MCP：代码协作

GitHub MCP 将仓库操作暴露为 Tool，实现 AI 驱动的代码协作。

核心能力：

• 仓库管理：搜索、创建、fork 仓库
• Issue/PR：创建 Issue、读取 PR diff、提交 Review
• 文件操作：读取/写入仓库文件

典型场景：AI 读取 PR 变更 → 分析代码质量 → 自动生成 Review 意见。

5. 实战：AI 驱动的技术调研

以 “ 调研 Rust 异步运行时 “ 为例，展示 MCP 工具链协作：

flowchart TD
    A[用户提问] --> B[Tavily: 搜索技术文章]
    B --> C[Context7: 获取 Tokio 官方文档]
    C --> D[GitHub: 查看 Tokio 源码结构]
    D --> E[LLM: 综合分析生成报告]
    E --> F[输出: 技术调研摘要]

执行链路：

1. 搜索：Tavily 检索 “Rust async runtime comparison” 获取综述文章
2. 文档：Context7 注入 Tokio/async-std 官方文档
3. 代码：GitHub MCP 读取核心模块结构
4. 整合：LLM 综合信息，输出对比报告

这种多工具协作模式将 AI 从单纯问答升级为真正的研究助手，掌握 MCP 生态，是构建实用 AI Agent 的关键一步。