主要内容：知识库、MCP模型上下文协议，MCP with Cursor、Cline、Roo Code、提示词工程
Cline 基于VScode配置、Cursor客户端
API Key：GitHub Modules，可以访问github仓库，也可以调取本地文件
MCP工具可以整合数据源与大模型之间的通道。
MCP server本质上是一个可以运行在电脑上的nodejs or Python程序，需要配置JS环境。
建议学习：
MCP：Model Context Protocol，模型上下文协议。由Claude的母公司Anthropic于24年年底开源发布，是一个大模型的标准化工具箱，大模型可以通过MCP Tools与外界互动。
在 MCP 之前， 开发者面临着内部人士称之为 “NxM 问题” —— 一个数学噩梦， 其中每个 AI 模型 （N） 都需要为每个工具 （M） 编写单独的集成代码。 随着模型和工具的成倍增加， 这种方法造成了集成工作的指数级增长。
当 Anthropic 在 2024 年 11 月发布 MCP 时， 就像有人最终为 AI 世界发明了一种通用电源适配器。 突然之间， 开发者可以构建在多个 AI 系统中无缝协作的标准化接口。 虽然受到编程环境中使用的语言服务器协议 （Language Server Protocol， LSP） 的启发， 但 MCP 通过其专为 AI 工作流程设计的以代理为中心的执行模型更进一步。
Introducing the Model Context Protocol
模型上下文协议(MCP)不仅仅是一个技术标准，它是AI应用架构的范式转变。从孤立的AI模型到具备丰富上下文感知能力的智能系统，MCP正在重新定义AI与现实世界的交互方式。
实际上，MCP的核心在于提供一个统一的框架，一种开放标准，规范大型语言模型（LLM）与外部数据源及工具之间的交互方式。它通过结构化的上下文管理和工具集成，提升模型的功能性、扩展性和协作能力。
例如：我想要让GPT去读我本地/GitHub存储的代码，传统解决方案是将代码文件提交上去或者复制代码到提示词。但是会出现诸多问题： 模型遗忘、操作麻烦…… MCP可以让LLM直接在允许范围内获取数据作为上下文，并调用外部工具。
也就是说，在传统方式中，由用户负责 浏览器/文件系统/数据库/GitHub 等数据源 和 AI客户端/大模型 之间进行交互，需要手动截图/复制文本粘贴到AI窗口进行对话；而MCP相当于上述过程的自动化，作为AI与外部工具的中间层代替人类访问和操作外部工具。而且各家大模型不同的function cal标准统一成一致的MCP标准协议。
从本质上讲，MCP 遵循客户端-服务器架构，其中主机应用程序可以连接到多个服务器：