在上一篇文章MCP核心概念和应用 ———AI 大模型的标准化工具箱里，我们讲述了MCP的安装，现在让我们试一试通过示例了解它的功能吧！
首先确保你已经有了相应的APIKEY。
💡大模型中转API推荐
✨中转使用教程
1、点击界面上的 「Done」按钮：

2、新建一个对话，点击 「New Task」按钮：

3、向 AI 提问，例如：
我的名字是 BNTang，我在 GitHub 上有哪些仓库？

我们无需手动指定 MCP 服务 或 工具，AI 会自动智能地选择最合适的 工具 进行处理。在发送问题后，AI 请求调用名为 search_repositories 的 MCP 工具：

4、点击 「Approve」按钮，允许 工具 调用：

此时，Cline 会调用 MCP 工具 并获取数据：

5、最终，大模型 会将获取到的数据进行整理，并返回 最终结果：

如图所示，AI 列举了我的 14 个公开仓库，说明 MCP Server 已成功配置并正常运行。

接下来，我们打开一个 Powershell 界面：

我们一起来探究一下 MCP 的本质究竟是什么。我先粘贴三行 命令：

$json = '{"jsonrpc":"2.0","id":123,"method":"tools/call","params":{"name":"search_repositories","arguments":{"query":"user:BNTang"}}}'$env:GITHUB_PERSONAL_ACCESS_TOKEN = "脱敏处理"echo $json | npx -y @modelcontextprotocol/server-github

1. 第一行定义了一个 JSON 字符串，它正是客户端（Cline）向 MCP Server 传递的参数。我们看到 JSON 中的 method 字段是 “tools/call”，表示调用工具；params 中的工具名为 “search_repositories”，即搜索仓库；query 则是具体的搜索参数，这里是查询 GitHub 用户 “BNTang”。
2. 第二行设置了运行时的 环境变量，即 GitHub 的 个人访问令牌（已脱敏）。
3. 第三行则通过 管道符，将刚才定义的 JSON 参数传递给 MCP Server（一个基于 NodeJS 的程序）执行。
   现在我们 运行 一下上述 命令：

可以看到，成功获取了 GitHub 上用户 “BNTang” 的 仓库信息。

通过这个例子，我们发现 MCP 本质上并没有什么神秘之处。它的核心原理，就是客户端通过 命令行 调用本地（或服务器上）的 NodeJS 或 Python 程序，执行特定操作后再返回结果。

接下来，我们再 测试 一个新的 任务：创建一个名为 “cline_test” 的 GitHub 仓库。

我在 Cline 的 问答输入框 中输入：

请帮我创建一个 GitHub 仓库，名字叫做 cline_test

此时，Cline 会询问我是否允许它调用 MCP Server，我点击 Approve：

随后，Cline 显示 仓库创建成功，并返回了 仓库地址：

点击 链接，我们跳转到 GitHub 查看一下：

确认 仓库已经 成功创建：

我们注意到，单个 MCP Server 工具 提供了多达 26 项强大的功能，其中包括但不限于：

1. 创建或更新文件 （create_or_update_file）
2. 搜索仓库 （search_repositories）
3. 创建仓库（create_repository）
4. 获取文件内容 （get_file_contents）
5. 推送文件 （push_files）

这些功能几乎涵盖了所有与 GitHub 交互的需求，一个 MCP 工具就可以轻松处理这些操作。

更重要的是，我们只需使用 自然语言，就能直接指挥 AI 完成这些工作，全程无需离开 VSCode，极大提升了我们的 工作效率。

通过以上示例，我们清晰地感受到了 MCP 的 强大 与 便捷 之处。