Claude MCP Server 介绍

MCP Server 是 Claude 的 MCP 协议的实现，用于在本地运行 MCP 协议。

MCP介绍

MCP 的已知问题

refer to : https://www.aci.dev/blog/mcp-has-mcps-the-model-context-protocol-has-many-critical-problems

1. 设计缺陷

• 面向个人开发者：MCP的架构主要是为单用户场景设计的，缺乏多租户能力，无法满足企业级需求。
• 认证机制混乱：每个服务器实现自己的认证方案，导致生态系统碎片化。许多客户端（如Cursor）目前不支持传递认证令牌，使得认证服务器无法与这些客户端配合使用。
• 没有注册机制
• 没有发现机制
• 没有过滤机制：当多个MCP Server提供多个tools时，客户端需要手动过滤。不然很容易就超过大模型的限制了（比如40个tool calling）

2. 开发体验痛点

• 调试困难：开发者需要同时使用多个工具（如MCP Inspector和Chrome DevTools），调试过程繁琐。
• 工具发现基础：list_tools()接口的分页功能非常基础，缺乏过滤和搜索能力，服务器开发者需要自行实现分页逻辑。
• 名称冲突：集成多个MCP服务器时，开发者必须手动处理工具名称冲突。

3. 生态系统碎片化

• 重复造轮子：开发者在构建API连接器、文件系统访问和数据库集成时，质量不一致，导致重复劳动。
• “解耦”是神话：服务器开发者被迫为客户端能力的最低公分母设计，若某个客户端不支持特定的认证方法，服务器将无法使用。

4. 协议问题

• 标准输入和SSE：标准输入的使用限制了服务器的部署和使用，SSE与HTTP POST的混合架构显得尴尬，尽管未来承诺将支持可流式传输的HTTP，但为何不一开始就采用这一方案令人困惑。

5. 复杂性隐患

• 新特性导致膨胀：未来的每一个新特性（如OAuth、发现、远程MCP支持）都将增加服务器实现的复杂性，违背了MCP简化的承诺。
• 用户需求简单：大多数用户仅需工具调用，这可以通过更简单的专门平台（如ACI.dev）实现，而不需要如此繁重的架构。

总结

MCP在设计、开发体验、生态系统、协议及复杂性等方面存在多重问题，影响了其广泛应用和用户体验。这些问题需要在未来的版本中得到认真解决。

MCP社区的用法

ACI.dev

https://www.aci.dev/docs/introduction/quickstart

MCP Client 开发

MCP Server 开发

MCP Server 搜集

AI代码辅助： Cursor和Cline都支持MCP Server

MCP Client 搜集

MCP Gateway

Alibaba Higress

https://higress.io/zh/docs/mcp-gateway/overview

solo agentgateway

ACI.dev

ACI(Agent-Computer Interfaces)

MetaMCP

MCP Hub

MCP 社区

​魔搭MCP广场（ModelScope）

定位：中国最大AI开源社区推出的MCP服务聚合平台，截至2025年4月已收录1486个服务 ​亮点：支付宝、MiniMax等头部企业MCP服务独家首发，提供配套调试工具和在线实验场 ​服务类型：覆盖支付（支付宝MCP）、地图（高德/百度）、开发者工具（GitHub MCP）等20+场景

​阿里云百炼MCP生态

​功能：全生命周期MCP服务管理，支持5分钟快速构建AI Agent ​特色能力：无影AgentBay提供企业级MCP协议云基础设施，集成阿里云Hologres AI等工具链

蚂蚁智能体百宝箱

​核心服务：国内首个支付领域MCP中枢，支持自然语言调用交易创建、退款等支付宝能力 ​行业扩展：已接入金融风控、合同管理等企业级工具，日均调用量超百万次

​ShareMCP社区

​定位：非盈利开发者共享平台，提供MCP Server托管服务 ​活跃度：周均新增20+工具，涵盖物联网设备控制、自动化测试等场景

• ​腾讯云：大模型知识引擎已支持MCP协议，重点布局文旅、医疗行业工具链
• ​火山引擎：2025年4月宣布兼容MCP标准，发力短视频内容生成领域
• ​合众伟奇：推出制造业多智能体协议MACP，实现AI Agent间无损通信

MCP server 搜集

smithery Github库：Awesome MCP Server

Demos

LangChain + Firecrawl MCP Server

LangChain 可以通过 langchain-mcp-adapters 库调用 Firecrawl 的 MCP 工具，需设置 MCP 服务器。 Firecrawl MCP 服务器通过 npx -y firecrawl-mcp 启动，需配置 FIRECRAWL_API_KEY。 根据提供的 JSON 配置，Firecrawl MCP 服务器通过以下命令启动： { “mcpServers”: { “firecrawl”: { “command”: “npx”, “args”: ["-y", “firecrawl-mcp”], “env”: { “FIRECRAWL_API_KEY”: “your_api_key_here” } } } } 在 Python 代码中，使用 langchain-mcp-adapters 的 StdioServerParameters 配置此服务器。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35

import os
from langchain_mcp_adapters import StdioServerParameters, StdioMCPClient
from langchain.agents import initialize_agent, AgentType
from langchain_openai import OpenAI

# 设置 OpenAI API 密钥（根据需要替换为其他 LLM）
os.environ["OPENAI_API_KEY"] = "your_openai_api_key"

# 确保 FIRECRAWL_API_KEY 已设置
assert "FIRECRAWL_API_KEY" in os.environ, "请设置 FIRECRAWL_API_KEY 环境变量"

# 配置 MCP 客户端
server_params = StdioServerParameters(
    command="npx",
    args=["-y", "firecrawl-mcp"],
    env={"FIRECRAWL_API_KEY": os.environ["FIRECRAWL_API_KEY"]}
)

mcp_client = StdioMCPClient(server_params)
tools = mcp_client.get_tools()

# 初始化 LLM
llm = OpenAI(temperature=0)

# 初始化代理
agent = initialize_agent(
    tools,
    llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True
)

# 示例：运行代理以抓取网页内容
response = agent.run("请抓取 https://firecrawl.dev 的内容")
print(response)

关键要点

• LangChain 可以通过 langchain-mcp-adapters 库调用 Firecrawl 的 MCP 工具，需设置 MCP 服务器。
• Firecrawl MCP 服务器通过 npx -y firecrawl-mcp 启动，需配置 FIRECRAWL_API_KEY。
• LangChain 代理可以利用 Firecrawl 的工具（如抓取、爬取、搜索）执行网页数据提取任务。
• 需要安装 langchain-mcp-adapters、langchain 和 langchain-openai，并确保 npx 已安装。
• 直接调用 Firecrawl 工具无需 MCP，但用户明确要求通过 MCP。

设置环境

要使用 LangChain 通过 MCP 调用 Firecrawl 工具，首先需要安装必要的 Python 包和 Node.js 的 npx 工具。运行以下命令：

1

pip install langchain-mcp-adapters langchain langchain-openai

确保已安装 Node.js 和 npm，因为 npx 用于启动 Firecrawl MCP 服务器。获取 Firecrawl API 密钥并设置环境变量：

1

export FIRECRAWL_API_KEY=your_api_key_here

配置 MCP 服务器

根据提供的 JSON 配置，Firecrawl MCP 服务器通过以下命令启动：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

{
  "mcpServers": {
    "firecrawl": {
      "command": "npx",
      "args": ["-y", "firecrawl-mcp"],
      "env": {
        "FIRECRAWL_API_KEY": "your_api_key_here"
      }
    }
  }
}

在 Python 代码中，使用 langchain-mcp-adapters 的 StdioServerParameters 配置此服务器。

示例代码

以下 Python 代码展示了如何通过 MCP 调用 Firecrawl 工具并在 LangChain 代理中使用：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35

import os
from langchain_mcp_adapters import StdioServerParameters, StdioMCPClient
from langchain.agents import initialize_agent, AgentType
from langchain_openai import OpenAI

# 设置 OpenAI API 密钥（根据需要替换为其他 LLM）
os.environ["OPENAI_API_KEY"] = "your_openai_api_key"

# 确保 FIRECRAWL_API_KEY 已设置
assert "FIRECRAWL_API_KEY" in os.environ, "请设置 FIRECRAWL_API_KEY 环境变量"

# 配置 MCP 客户端
server_params = StdioServerParameters(
    command="npx",
    args=["-y", "firecrawl-mcp"],
    env={"FIRECRAWL_API_KEY": os.environ["FIRECRAWL_API_KEY"]}
)

mcp_client = StdioMCPClient(server_params)
tools = mcp_client.get_tools()

# 初始化 LLM
llm = OpenAI(temperature=0)

# 初始化代理
agent = initialize_agent(
    tools,
    llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True
)

# 示例：运行代理以抓取网页内容
response = agent.run("请抓取 https://firecrawl.dev 的内容")
print(response)

使用说明

• 运行代理：上述代码创建一个 LangChain 代理，自动选择合适的 Firecrawl 工具（如 scrape）来处理请求。
• 直接调用工具：如果需要调用特定工具（如 scrape），可以从 tools 列表中选择并运行，例如：

1
2

scrape_tool = next(tool for tool in tools if tool.name == "scrape")
result = scrape_tool.run({"url": "https://firecrawl.dev"})

• 注意事项：确保 npx 可执行，且 firecrawl-mcp 包已通过 npm 全局安装（npm install -g firecrawl-mcp）。如果遇到问题，可尝试在 Windows 上运行 cmd /c "set FIRECRAWL_API_KEY=your-api-key && npx -y firecrawl-mcp"。

详细报告

用户提供的 JSON 配置表明，Firecrawl MCP 服务器通过 npx -y firecrawl-mcp 启动，并需要设置 FIRECRAWL_API_KEY 环境变量。本报告详细说明如何在 LangChain 中通过 MCP 调用 Firecrawl 工具，并提供完整的 Python 代码实现。

Firecrawl 功能

Firecrawl 提供多种功能，适合 LLM 应用：

• 抓取（Scrape）：提取单个 URL 的内容，返回 markdown 或 HTML。
• 批量抓取（Batch Scrape）：处理多个 URL，返回 markdown 或 HTML 数组。
• 爬取（Crawl）：爬取网站及其子页面，返回每页的 markdown 或 HTML。
• 映射（Map）：发现相关 URL，返回 URL 列表。
• 搜索（Search）：执行网页搜索，返回结果列表。
• 提取（Extract）：将网页内容转换为结构化 JSON 数据。
• 深度研究（Deep Research）：进行深入分析，返回摘要和来源。
• 生成 LLMs.txt：创建特定格式的文本文件。

这些功能通过 Firecrawl MCP 服务器以工具形式提供，LangChain 可以通过 langchain-mcp-adapters 库访问这些工具。

MCP 协议

MCP（Model Context Protocol）是一个开放协议，旨在标准化 AI 代理与外部工具的交互。它允许 LLM 动态发现和调用工具，无需为每个工具编写自定义代码。Firecrawl 的 MCP 服务器（firecrawl-mcp）通过 Node.js 包运行，提供上述工具的接口。LangChain 通过 langchain-mcp-adapters 库支持 MCP，将 MCP 工具转换为 LangChain 兼容的工具。

设置环境

要通过 MCP 在 LangChain 中调用 Firecrawl，需要以下准备：

1. 安装 Python 包：

   1	pip install langchain-mcp-adapters langchain langchain-openai

2. 安装 Node.js 和 npm：确保 npx 可执行，用于运行 firecrawl-mcp。

3. 获取 API 密钥：从 Firecrawl API 密钥页面 获取 FIRECRAWL_API_KEY 并设置环境变量：

   1	export FIRECRAWL_API_KEY=your_api_key_here

4. 安装 Firecrawl MCP（可选）：全局安装 firecrawl-mcp 以确保命令可用：

   1	npm install -g firecrawl-mcp

配置 MCP 服务器

用户提供的 JSON 配置如下：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

{
  "mcpServers": {
    "firecrawl": {
      "command": "npx",
      "args": ["-y", "firecrawl-mcp"],
      "env": {
        "FIRECRAWL_API_KEY": "your_api_key_here"
      }
    }
  }
}

此配置指定使用 npx -y firecrawl-mcp 启动 Firecrawl MCP 服务器，并通过环境变量传递 API 密钥。在 LangChain 中，使用 StdioServerParameters 实现此配置。

Python 代码实现

以下是完整的 Python 代码，用于通过 MCP 调用 Firecrawl 工具并在 LangChain 代理中使用：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35

import os
from langchain_mcp_adapters import StdioServerParameters, StdioMCPClient
from langchain.agents import initialize_agent, AgentType
from langchain_openai import OpenAI

# 设置 OpenAI API 密钥（可替换为其他 LLM）
os.environ["OPENAI_API_KEY"] = "your_openai_api_key"

# 确保 FIRECRAWL_API_KEY 已设置
assert "FIRECRAWL_API_KEY" in os.environ, "请设置 FIRECRAWL_API_KEY 环境变量"

# 配置 MCP 客户端
server_params = StdioServerParameters(
    command="npx",
    args=["-y", "firecrawl-mcp"],
    env={"FIRECRAWL_API_KEY": os.environ["FIRECRAWL_API_KEY"]}
)

mcp_client = StdioMCPClient(server_params)
tools = mcp_client.get_tools()

# 初始化 LLM
llm = OpenAI(temperature=0)

# 初始化代理
agent = initialize_agent(
    tools,
    llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True
)

# 示例：运行代理以抓取网页内容
response = agent.run("请抓取 https://firecrawl.dev 的内容")
print(response)

代码说明

• 环境变量：代码检查 FIRECRAWL_API_KEY 是否设置，并设置 OPENAI_API_KEY（如使用 OpenAI LLM）。
• MCP 客户端：StdioServerParameters 配置 npx -y firecrawl-mcp 命令和环境变量，StdioMCPClient 启动服务器并获取工具。
• 代理初始化：使用 initialize_agent 创建一个零样本 ReAct 代理，加载 Firecrawl 工具，允许根据自然语言查询选择合适的工具。
• 运行示例：代理运行查询“请抓取 https://firecrawl.dev 的内容”，自动调用 Firecrawl 的 scrape 工具。

直接调用特定工具

如果需要直接调用特定 Firecrawl 工具（如 scrape），可以从 tools 列表中选择并运行：

1
2
3

scrape_tool = next(tool for tool in tools if tool.name == "scrape")
result = scrape_tool.run({"url": "https://firecrawl.dev"})
print(result)

替代方法：直接集成

虽然用户要求通过 MCP 调用 Firecrawl，LangChain 也支持直接使用 FireCrawlLoader 调用 Firecrawl，无需 MCP：

1
2
3
4
5
6
7
8

from langchain_community.document_loaders.firecrawl import FireCrawlLoader

loader = FireCrawlLoader(
    api_key=os.environ["FIRECRAWL_API_KEY"],
    url="https://firecrawl.dev",
    mode="scrape"
)
documents = loader.load()

此方法更简单，但不使用 MCP，可能不符合用户要求。

注意事项

• 依赖项：确保 npx 和 firecrawl-mcp 可用。如果遇到问题，可尝试手动安装 firecrawl-mcp 或在 Windows 上使用 cmd /c "set FIRECRAWL_API_KEY=your-api-key && npx -y firecrawl-mcp"。
• LLM 选择：代码使用 OpenAI，但可替换为其他 LangChain 支持的 LLM（如 Hugging Face 模型）。
• 错误处理：MCP 服务器支持自动重试（最多 3 次，初始延迟 1000ms，最大延迟 10000ms，退避因子 2），但需确保网络稳定。
• 性能优化：对于批量操作，可使用 Firecrawl 的 batch_scrape 或 crawl 工具，通过 MCP 客户端调用。

工具列表

Firecrawl MCP 服务器提供的工具包括：

结论

通过 langchain-mcp-adapters，LangChain 可以无缝调用 Firecrawl MCP 服务器的工具，适合需要动态网页抓取的 AI 应用。用户提供的配置通过 StdioServerParameters 实现，代理可以根据自然语言查询自动选择工具。直接调用特定工具也是可行的，具体取决于应用需求。

参考

• cline + DS + MCP 关键引用
• Firecrawl 官方网站
• LangChain MCP Adapters GitHub
• Model Context Protocol 介绍
• LangChain 文档
• Firecrawl MCP Server GitHub
• LangChain Firecrawl 集成
• LangChain MCP 适配器公告
• 使用 LangChain 和 MCP
• 创建 MCP 客户端服务器
• MCP 介绍
• LangChain.js 连接 MCP 服务器
• LangChain MCP 工具 PyPI
• LangChain MCP 适配器指南
• LangDB Firecrawl MCP
• Langfuse Firecrawl 监控
• Firecrawl 初学者教程
• LangChain MCP RAG 教程