AI大模型与MCP协议的结合，正在打开无限创新可能的大门。核心要谈的内容集中在三个方面：一是MCP生态如何放大AI大模型的价值，二是MCP Server能力内嵌融合大模型的具体做法，三是通过Claude Desktop配置本地文件系统和数据库访问的实操步骤。
先说一个关键的结论：AI大模型插上MCP这个翅膀后，想象力可以充分释放——几乎任何外部资源都能被大模型直接调用和内化。需要明确的是，MCP扩展并非为传统AI智能体开发服务，而是MCP Server提供的能力可以直接内嵌，并与大模型深度融合。这也是一直被反复强调的一个观点：随着MCP协议生态不断成熟，AI大模型本身就会成为通用智能体，具备完整的复杂问题感知、理解、规划、拆解、任务调度与编排、外部资源访问、组装集成输出的能力。这恐怕是未来企业信息化、数字化发展的终极形态——没有传统IT系统和应用的概念，也没有当前AI智能体应用的概念，人与AI机器的交互可以简化到一个对话框，实现“框到框”的协同。
当前可用的MCP Server信息，可以参考官方仓库：https://github.com/modelcontextprotocol/servers。除了官方提供的外，还有大量第三方MCP Server可供参考。
要在本地桌面端尝试和验证大模型与MCP能力的集成，目前主流有两种方法：一种是直接使用Claude Desktop桌面版并配置MCP Server；另一种是采用Cherry Studio客户端，同时配置底层大模型和MCP Server。对于国内用户，可能Cherry Studio客户端更合适——它支持配置本地部署的大模型或阿里QWen大模型，在大模型选择上更加灵活。不过今天重点讲的是Claude Desktop的使用。
首先进入官网下载安装包，安装完成后用通用的账号登录即可。进入主界面后，重点在左上角：通过File → Setting进入设置界面。点击Edit Config按钮可以打开配置目录，在该目录下需要修改claude_desktop_config配置文件。当前配置了两个能力：一个是本地文件系统，一个是对本地Sqlite数据库的访问。具体配置参考如下：
{
"mcpServers": {
"filesystem": {
"command": "npx",
"args": [
"-y",
"@modelcontextprotocol/server-filesystem",
"C:\\Users\\heml\\Desktop",
"C:\\Users\\heml\\Downloads",
"还可以增加你需要访问的本地目录路径"
]
},
"sqlite":{
"command": "uv",
"args": [
"--directory",
"替换为你自己路径\\servers-main\\src\\sqlite",
"run",
"mcp-server-sqlite",
"--db-path",
"替换为你自己路径\\scm.db"
]
}
}
}
注意需要提前安装以下内容：
1. filesystem需要的内容
npx是Node.js包管理工具npm的一个工具，所以需要先安装Node.js和npm（Node.js安装包中已包含npm）。然后运行：
npm install -g npx
2. sqlite数据库需要的内容
访问https://github.com/modelcontextprotocol/servers下载代码，解压到本地目录。Sqlite的MCP Server配置位置在servers-main/src/sqlite，需要替换相关路径。然后安装uv，运行：
pip install uv pip install httpx mcp
以上内容处理完成后，重启Claude Desktop。进入主界面后，在对话框右下方会看到一个小锤子的图标，基本代表安装成功。也可以进入Settings界面查看状态是否正常。如果启动有异常，在Claude\logs目录下会产生异常日志文件，方便排查问题。
1. FileSystem文件系统验证
FileSystem能做什么？尤其在AI辅助编程时，如果没有使用类似Cursor这样的工具，而是直接与GPT或Claude交互，大模型生成的源代码文件需要一个个复制粘贴并存储到本地。但一旦大模型获得了对本地文件系统的访问能力，所有操作都可以由模型自动完成。
举个例子：用Python实现一个简单的待办应用。提示后，所有文件和目录大模型会一次性全部生成好，用户只需运行启动即可。这极大避免了手动粘贴复制文件的麻烦。
再做一个测试：让AI写一段Python文件，自动清理微信文件目录下的重复文件。提示语如下：
我现在有一个目录，存储的是微信下载的文件，具体目录：C:\Users\heml\Documents\WECHAT~1\sharptoolbox\FileStorage\File。但该目录或子目录下有一些重复文件，特征为：1. 文件大小相同，扩展名相同；2. 文件名前面全部相同，只是后面增加了不同的括号+数字后缀，如(1)、(2)、（3）。例如三个文件【104页超详细】DeepSeek从入门到精通、【104页超详细】DeepSeek从入门到精通(1)、【104页超详细】DeepSeek从入门到精通(2)实际是重复的。需要遍历目录和所有子目录，将所有带后缀的重复文件全部转移到桌面temp1目录下，请自动处理。
代码生成没有问题，但最后AI无法自动执行生成好的Python文件。查阅资料发现，AI大模型本身从安全性角度考虑，通常不建议让模型完全操作电脑执行命令。如果确实有这类需求，可以参考Github上的相关MCP Server：ezyang/codemcp 或 blazickjp/shell-mcp-server。
2. 数据库访问和查询验证
数据库方面，创建了一个简单的SQLite数据库，包含供应商、物料、用户、订单等数据表。基于该数据库与Claude沟通协同，可以要求返回供应商表的数据，效果很直接：
也可以让MCP完成多表关联查询，并将结果以表格形式返回。可以看到，这个Sqlite MCP Server基本能自动学习数据库中的表结构，包括各表之间的关系和语义，类似Text2SQL一样，用自然语言对话的方式就能返回所需的数据查询结果。
这个简单测试对企业AI应用的启示在哪里？这正是反复强调的一点：企业内部IT系统的数据库，或者已做好的API接口能力层，完全可以按照MCP协议的标准规范，实现为一个个独立的MCP Server，通过MCP方式将这些能力接入到大模型中。这样一来，大模型的能力就能极大延伸到企业内部已有的数据、文档、API接口等各类资源的使用。
所以，企业的AI应用重点不应放在上层AI智能体的开发上——虽然看起来见效快，但大量AI智能体与传统单体应用的“小烟囱”没有本质区别，仍然是一个个信息孤岛。企业在考虑AI应用时，不能只盯着具体场景，更应思考如何构建通用的AI智能底座，思考如何在确保数据安全的前提下，将已有的私有能力通过MCP Server接入大模型。