企业官网建设流程全解析

• 教程
• 文档
• 人工智能

本篇技术指南聚焦 mcp-for-beginners 课程中「早期采用者经验」模块的核心内容，系统拆解 10 个由微软出品、已在真实开发场景中产生影响的 MCP（Model Context Protocol，模型上下文协议）服务器。读完本文，你将理解 MCP 服务器如何把 Azure、GitHub、数据库、文档与浏览器自动化能力接入 VS Code / Visual Studio 的 AI 助手，掌握每个服务器的安装命令、配置格式与典型用法，并能据此组合出属于自己的开发工作流。

从零理解 MCP 服务器：为什么要关注它

什么是 MCP 服务器

对刚接触 MCP 的开发者，可以把 MCP 服务器理解为「专职助理」：它们帮助你的 AI 编程助手（例如 GitHub Copilot）连接外部工具与服务。就像手机里不同应用各司其职——一个查天气、一个导航、一个处理银行业务——MCP 服务器赋予了 AI 助手与各类开发工具、服务交互的能力。本课程的入门模块与核心概念模块提供了更系统的背景知识。

MCP 服务器解决的问题

在 MCP 服务器出现之前，如果你想：

• 查看 Azure 资源状态
• 创建 GitHub Issue
• 查询数据库
• 检索官方文档

你必须中断编码、打开浏览器、进入对应网站、手动完成操作。这种反复的上下文切换会打断心流、拉低效率。

工作流的前后对比

传统流程：

1. 停止编码
2. 打开浏览器
3. 进入 Azure 门户
4. 查找存储账户详情
5. 回到 VS Code
6. 继续编码

接入 MCP 之后：

1. 直接询问 AI："我的 Azure 存储账户状态如何？"
2. 带着返回的信息继续编码

新手视角的五大核心收益

1. 保持心流：无需在多个应用间切换，把注意力留在代码本身，降低多工具管理的认知负担。
2. 用自然语言替代复杂命令：不用背 SQL 语法，直接描述你需要什么数据；不用记 Azure CLI 命令，直接说明你想达成的目标，让 AI 处理技术细节。
3. 串联多个工具：组合不同服务形成强大工作流，例如"拉取最近的 GitHub Issue 并创建对应的 Azure DevOps 工作项"，无需手写复杂脚本即可实现自动化。
4. 接入不断壮大的生态：来自微软、GitHub 及众多厂商的服务器可以混搭使用，统一的协议让它们能跨 AI 助手工作。
5. 边用边学：先用现成服务器理解概念，熟练后再基于官方 SDK 构建自己的服务器。

新手上路的实战对照

以第一次做 Web 项目为例：

传统方式：

1. 编写功能代码 2. 打开浏览器 → 进入 GitHub 3. 为测试创建 Issue 4. 再开一个标签页 → 查 Azure 部署文档 5. 开第三个标签页 → 找数据库连接示例 6. 回到 VS Code 7. 努力回想刚才在做什么

接入 MCP 服务器后：

1. 编写功能代码 2. 问 AI："为这个登录功能创建一个 GitHub Issue 用于测试" 3. 问 AI："按官方文档，我该怎么把应用部署到 Azure？" 4. 问 AI："连接我的数据库的最佳方式是什么？" 5. 带着全部所需信息继续编码

企业级标准带来的优势

MCP 正在成为行业标准，这意味着：一致性（跨工具、跨公司体验趋同）、互操作性（不同厂商的服务器协同工作）、未来可迁移（技能与配置可在不同 AI 助手间复用）、社区红利（庞大的共享知识与资源生态）。

在 VS Code 与 Visual Studio 中启用 MCP 服务器

只要使用 VS Code 或 Visual Studio 2022（需 GitHub Copilot），配置这些 MCP 服务器就很直接。两种 IDE 的配置模式一致，但每个服务器有自己的专属配置项（连接字符串、认证方式等）。

VS Code 中的设置步骤

1. 启用 Agent 模式：在 Copilot Chat 面板切换到 Agent（代理）模式。
2. 配置 MCP 服务器：把服务器配置加入 VS Code 的配置文件。
3. 启动服务器：为要使用的每个服务器点击 "Start" 按钮。
4. 选择工具：为当前会话勾选要启用的 MCP 服务器。

本仓库的 04-vscode 课程 演示了完整流程：先在File → Preferences → Settings中搜索 "MCP" 并开启chat.mcp.discovery.enabled以启用服务器发现；然后在项目根目录创建.vscode/mcp.json，内容形如：

{ "inputs": [], "servers": { "hello-mcp": { "command": "node", "args": [ "build/index.js" ] } } }

启动后，Copilot Chat 的工具图标会显示可用的工具数量，你可以按需勾选；例如对计算器服务器输入 "add 22 to 1" 即可得到 23。也可以通过命令行把服务器加入用户配置：

code --add-mcp "{\"name\":\"my-server\",\"command\": \"uvx\",\"args\": [\"mcp-server-fetch\"]}"

关于配置字段，12-mcp-hosts 课程 给出了统一约定：type（stdio或sse/HTTP）、command（可执行程序，如python、node、npx）、args（命令行参数）、env（环境变量）、cwd（工作目录）。VS Code 还支持在用户级settings.json中通过mcp.servers注册全局服务器，并可开启mcp.enableLogging；排查问题时可在 Output 面板的 "MCP" 日志中查看错误。

Visual Studio 2022 中的设置步骤

对 Visual Studio 2022（17.14 或更高版本）：

1. 启用 Agent 模式：在 GitHub Copilot Chat 窗口点击 "Ask" 下拉菜单，选择 "Agent"。
2. 创建配置文件：在解决方案目录创建.mcp.json（推荐位置为<SOLUTIONDIR>\.mcp.json）。
3. 配置服务器：使用标准 MCP 格式添加服务器配置。
4. 审批工具：按提示以适当的范围权限批准要使用的工具。

十大微软 MCP 服务器逐个实战

1. Microsoft Learn Docs MCP Server（微软官方文档检索）

它做什么：这是一个云端托管的服务，通过 MCP 协议为 AI 助手提供微软官方文档的实时访问。它连接https://learn.microsoft.com/api/mcp，对 Microsoft Learn、Azure 文档、Microsoft 365 文档等官方来源执行语义搜索。

为什么有用：对使用微软技术的开发者至关重要。.NET 开发者对 AI 编码助手最集中的抱怨之一，是模型知识跟不上 .NET 与 C# 的最新版本。该服务器提供实时的文档、API 参考与最佳实践，无论你在用最新 Azure SDK、探索 C# 13 新特性，还是实现前沿的 Aspire 模式，它都能保证 AI 助手引用权威、最新的信息来生成准确的现代代码。

真实场景："按 Microsoft Learn 官方文档，创建 Azure Container App 的 az cli 命令是什么？"、"如何在 ASP.NET Core 中用依赖注入配置 Entity Framework？"、"审查这段代码，确认它符合 Microsoft Learn 文档中的性能建议"。它通过高级语义搜索返回最多 10 个高质量内容片段（含文章标题与 URL），并且始终读取刚发布的最新文档。

代表性示例：服务器暴露了microsoft_docs_search工具，配置后可直接提问"如何在 ASP.NET Core 中实现 JWT 认证？"并获得带出处的官方答案。搜索质量的关键在于它理解上下文——在 Azure 语境下问"containers"会返回 Azure Container Instances 文档，而在 .NET 语境下同一个词会命中 C# 集合相关内容。

该端点在仓库的 Foundry 集成指南 中同样被用作真实接入示例：通过McpTool(server_label="mslearn", server_url="https://learn.microsoft.com/api/mcp")将微软 Learn 文档作为工具挂载到 AI Agent，可见其云端 HTTP 接入方式已是生态中的标准实践。

专业建议：即使是"工具友好"的模型也需要引导才会使用 MCP 工具。可以考虑为仓库添加copilot-instructions.md自定义指令，例如："你有权访问microsoft.docs.mcp——在回答涉及 C#、Azure、ASP.NET Core 或 Entity Framework 等微软技术的问题时，务必用该工具检索微软最新官方文档。"

2. Azure MCP Server（Azure 全生态连接器）

它做什么：这是一套包含 15 个以上专用 Azure 服务连接器的综合套件，把整个 Azure 生态引入 AI 工作流。它不是单个服务器，而是一个强大集合，涵盖资源管理、数据库连接（PostgreSQL、SQL Server）、基于 KQL 的 Azure Monitor 日志分析、Cosmos DB 集成等。

为什么有用：除了管理 Azure 资源，它还能显著提升 Azure SDK 代码质量。在 Agent 模式下使用 Azure MCP，它不只是帮你"写出能跑的代码"，而是帮你写出遵循当前认证模式、错误处理最佳实践、善用最新 SDK 特性的更优质 Azure 代码——符合微软对生产负载的推荐模式。

核心模块：

• 数据库连接器：自然语言直连 Azure Database for PostgreSQL 与 SQL Server
• Azure Monitor：基于 KQL 的日志分析与运维洞察
• 资源管理：完整的 Azure 资源生命周期管理
• 认证：DefaultAzureCredential 与托管身份模式
• 存储服务：Blob Storage、Queue Storage、Table Storage 操作
• 容器服务：Azure Container Apps、Container Instances 与 AKS 管理
• 以及更多专用连接器

安装命令：npx -y @azure/azure-mcp@latest。

完整演示场景：在 VS Code 中同时安装 Azure MCP 与 GitHub Copilot for Azure 扩展后，可发出如下指令：

"创建一个用 DefaultAzureCredential 认证向 Azure Blob Storage 上传文件的 Python 脚本。脚本应连接名为 'mycompanystorage' 的存储账户、上传到名为 'documents' 的容器、创建带时间戳的测试文件、优雅处理错误并提供信息性输出，遵循 Azure 认证与错误处理最佳实践，包含解释 DefaultAzureCredential 认证原理的注释，并保持结构良好、含函数与文档。"

Azure MCP Server 会生成完整、可上生产的 Python 脚本：使用最新 Azure Blob Storage SDK 及异步模式；实现 DefaultAzureCredential 并解释回退链；以具体 Azure 异常类型做稳健错误处理；遵循 Azure SDK 资源管理与连接最佳实践；提供详细日志与信息性控制台输出；结构规范、含类型注解。相比之下，没有 Azure MCP 时你可能只会得到"能跑但不合时宜"的泛用 blob 代码。

实践心得：对偶尔使用的az与azdCLI，记住语法总需要"先查语法、再执行命令"两步，很多人干脆直接进门户点点点。能用一句话描述意图、且不离开 IDE 就能完成，体验提升非常明显。

3. GitHub MCP Server（GitHub 全平台集成）

它做什么：官方 GitHub MCP Server 提供与 GitHub 整个生态的无缝集成，既支持云端托管的远程访问，也支持通过 Docker 本地部署。这不是简单的仓库操作，而是包含 GitHub Actions 管理、Pull Request 工作流、Issue 追踪、安全扫描、通知与高级自动化能力的完整工具箱。

为什么有用：它把完整的平台体验直接带入开发环境。无需在 VS Code 与 GitHub.com 之间来回切换来管理项目、做代码评审、监控 CI/CD，通过自然语言即可全部完成。

注意区分两类 Agent：不要把它与 GitHub 的 Coding Agent 混淆——后者是你可以指派给 Issue 做自动化编码任务的 AI 代理。GitHub MCP Server 运行在 VS Code 的 Agent 模式下提供 GitHub API 集成，而 Coding Agent 是独立功能，被指派到 Issue 时创建 Pull Request。

核心能力：

• GitHub Actions：完整的 CI/CD 管道管理、工作流监控与产物处理
• Pull Requests：创建、评审、合并与状态跟踪
• Issues：完整生命周期管理、评论、打标签与指派
• 安全：代码扫描告警、密钥检测与 Dependabot 集成
• 通知：智能通知管理与仓库订阅控制
• 仓库管理：文件操作、分支管理与仓库管理
• 协作：用户与组织搜索、团队管理与访问控制

真实场景："从我的 feature 分支创建 Pull Request"、"显示本周所有失败的 CI 运行"、"列出我仓库中未解决的安全告警"、"找出分配给我跨组织的所有 Issue"。

完整演示场景：

"我要为冲刺评审做准备。显示我本周创建的所有 Pull Request，检查 CI/CD 管道状态，汇总需要处理的安全告警，并基于带 'feature' 标签的已合并 PR 起草发布说明。"

服务器会查询你的近期 PR 与详细状态、分析工作流运行并标记失败或性能问题、汇总安全扫描结果并给关键告警排优先级、从合并 PR 提取信息生成完整发布说明，并为冲刺规划提供可执行的下一步。

认证选项：同时支持 OAuth（在 VS Code 中无缝体验）与 Personal Access Token；可通过可配置的 toolsets 只启用所需 GitHub 功能；既可当远程托管服务即时使用，也可本地 Docker 部署获得完全控制。

专业建议：通过配置--toolsets参数只启用所需工具集，能减小上下文体积并改善 AI 工具选择。例如核心开发工作流加"--toolsets", "repos,issues,pull_requests,actions"，若主要想要监控能力则用"--toolsets", "notifications, security"。

4. Azure DevOps MCP Server（项目与流水线管理）

它做什么：连接 Azure DevOps 服务，提供项目综合管理、工作项追踪、构建管道管理与仓库操作。安装命令为npx -y @microsoft/mcp-azure-devops@latest。

为什么有用：对以 Azure DevOps 为主要 DevOps 平台的团队，该服务器消除了开发环境与 Azure DevOps Web 界面之间的标签页切换。工作项管理、构建状态查看、仓库查询与项目管理任务都可直接在 AI 助手中完成。

真实场景："显示 WebApp 项目当前冲刺的所有活动工作项"、"为我刚发现的登录问题创建 Bug 报告"、"检查我们的构建管道状态并显示近期失败"。例如"显示我团队当前冲刺的状态"这类简单查询，无需离开开发环境即可完成。

5. MarkItDown MCP Server（文档转 Markdown）

它做什么：一个综合文档转换服务器，把各种文件格式转换为高质量的 Markdown，针对 LLM 消费与文本分析工作流做了优化。安装命令为npx -y @microsoft/mcp-markitdown@latest。

为什么有用：现代文档工作流的必备工具。它在保留标题、列表、表格、链接等关键文档结构的同时，处理令人印象深刻的格式范围。与简单文本提取工具不同，它聚焦于保留对 AI 处理与人类可读都有价值的语义含义与格式。

支持的文件格式：

• Office 文档：PDF、PowerPoint（PPTX）、Word（DOCX）、Excel（XLSX/XLS）
• 媒体文件：图片（含 EXIF 元数据与 OCR）、音频（含 EXIF 元数据与语音转写）
• 网页内容：HTML、RSS 订阅、YouTube URL、Wikipedia 页面
• 数据格式：CSV、JSON、XML、ZIP（递归处理内容）
• 出版格式：EPub、Jupyter notebooks（.ipynb）
• 邮件：Outlook 消息（.msg）
• 高级能力：集成 Azure Document Intelligence 增强 PDF 处理

高级能力：支持 LLM 驱动的图片描述（需提供 OpenAI 客户端）、Azure Document Intelligence 增强 PDF、音频语音内容转写，以及可扩展更多文件格式的插件系统。

真实场景："把这份 PowerPoint 演示文稿转换为 Markdown 用于我们的文档站点"、"从 PDF 提取文本并保留正确标题结构"、"把 Excel 表格转换为可读的表格格式"。

为什么是 Markdown：Markdown 与纯文本非常接近、几乎无标记开销，却足以表达重要文档结构；主流 LLM 默认"说" Markdown，说明其训练语料中 Markdown 占比极高且理解透彻；此外 Markdown 约定在 token 数量上也非常高效。

结构保留的价值：转换 PowerPoint 时，它保留幻灯片组织与正确标题、把表格提取为 Markdown 表格、为图片包含替代文本、甚至处理演讲者备注。图表被转换为可读的数据表，结果 Markdown 保持原始演示的逻辑流——非常适合把演示内容喂给 AI 系统，或从现有幻灯片生成文档。

6. SQL Server MCP Server（对话式数据库访问）

它做什么：提供对 SQL Server 数据库（本地、Azure SQL 或 Fabric）的对话式访问。它作为 Azure MCP 套件的 sql 命名空间模块运行，安装命令为npx -y @azure/mcp@latest server start --namespace sql。

为什么有用：与 PostgreSQL 服务器类似，但面向微软 SQL 生态。只需一个简单的连接字符串即可开始用自然语言查询——从此告别上下文切换。

真实场景："找出最近 30 天未发货的所有订单"会被翻译成恰当的 SQL 查询并返回格式化结果。

代表性示例：配置好数据库连接后，可直接与数据"对话"。博客演示中一个简单问题——"你连接的是哪个数据库？"——MCP 服务器会调用相应的数据库工具、连接 SQL Server 实例并返回当前数据库连接的详情，全程无需手写一行 SQL。服务器支持从模式管理到数据操作的全面数据库操作，全部通过自然语言完成。

7. Playwright MCP Server（浏览器自动化与测试）

它做什么：让 AI 代理能够与网页交互，用于测试与自动化。安装命令为npx -y @microsoft/mcp-playwright@latest。

它驱动 GitHub Copilot：Playwright MCP Server 为 GitHub Copilot 的 Coding Agent 提供网页浏览能力。

为什么有用：非常适合基于自然语言描述的自动化测试。AI 可以通过结构化的可访问性快照导航网站、填写表单、提取数据——非常强大。本仓库的早期采用者课程也将它列为生产级工具案例：它将浏览器自动化能力（导航、表单填充、截图等）暴露为 MCP 工具，实现受控、可审计、可扩展的浏览器交互。

真实场景："测试登录流程并验证仪表盘是否正确加载"、"生成一个搜索产品并校验结果页的测试"——全程无需访问应用源码。

代表性示例：同事演示了如何在不接触应用源码的情况下生成完整 Playwright 测试——让 Copilot 为一个电影搜索应用创建测试：导航到站点、搜索 "Garfield"、验证电影出现在结果中。MCP 启动浏览器会话、用 DOM 快照探索页面结构、找到正确的选择器，并生成一个一次通过、可完全运行的 TypeScript 测试。

它的真正威力在于弥合自然语言指令与可执行测试代码之间的鸿沟。传统方案要么手写测试，要么依赖代码库上下文；而有了 Playwright MCP，你可以测试外部站点、客户端应用，或在无源码可用的黑盒测试场景工作。

8. Dev Box MCP Server（开发环境管理）

它做什么：通过自然语言管理 Microsoft Dev Box 环境。安装命令为npx -y @microsoft/mcp-devbox@latest。

为什么有用：极大简化开发环境管理。创建、配置与管理环境时无需记忆具体命令。

真实场景："配置一个带最新 .NET SDK 的新 Dev Box 并适配我们的项目"、"检查我所有开发环境的状态"、"为团队演示创建标准化的演示环境"。

实践心得：Dev Box 对会议演示特别有用——无论身处会场、酒店还是飞机上的 WiFi，它都拥有超高速网络连接。实际场景包括：开发者在移动热点下的大巴上练习演示；团队统一管理多套开发环境与标准化演示环境；为客户与同事预配置开发环境。用 MCP 配置与管理 Dev Box，可以在不离开开发环境的前提下全程自然语言交互。

9. Microsoft Foundry MCP Server（Azure AI 全链路编排）

它做什么：为开发者提供对 Azure AI 生态的全面访问，包括模型目录、部署管理、基于 Azure AI Search 的知识索引与评估工具。这个实验性服务器弥合了 AI 开发与 Azure 强大 AI 基础设施之间的鸿沟，让构建、部署与评估 AI 应用更轻松。它是 stdio 类型的服务器，通过 uvx 运行：

{ "type": "stdio", "command": "uvx", "args": ["--prerelease=allow", "--from", "git+https://github.com/azure-ai-foundry/mcp-foundry.git", "run-azure-ai-foundry-mcp"] }

为什么有用：它把企业级 AI 能力直接带入开发工作流。无需在 Azure 门户、文档与 IDE 之间切换，即可通过自然语言发现模型、部署服务、管理知识库、评估 AI 性能。对构建 RAG（检索增强生成）应用的开发者、管理多模型部署或实施完整 AI 评估管道的团队尤其有力。

核心开发者能力：

• 模型发现与部署：浏览 Microsoft Foundry 模型目录、获取含示例代码的模型详情、将模型部署到 Azure AI Services
• 知识管理：创建与管理 Azure AI Search 索引、添加文档、配置索引器、构建复杂 RAG 系统
• AI Agent 集成：连接 Azure AI Agents、向现有代理提问、在生产场景评估代理性能
• 评估框架：运行全面的文本与代理评估、生成 Markdown 报告、为 AI 应用实施质量保障
• 原型工具：获取基于 GitHub 的原型搭建指引，并可访问 Microsoft Foundry Labs 接触前沿研究模型

真实开发者场景："为我的应用把 Phi-4 模型部署到 Azure AI Services"、"为文档 RAG 系统创建新的搜索索引"、"按质量指标评估我的代理回答"、"为复杂分析任务找到最佳推理模型"。

完整演示场景：

"我在构建一个客户支持代理。帮我在目录中找到好的推理模型，部署到 Azure AI Services，基于我们的文档创建知识库，搭建评估框架测试回答质量，然后帮我用 GitHub token 原型化集成。"

服务器会：查询模型目录并基于需求推荐最优推理模型；提供部署命令与首选 Azure 区域的配额信息；为你的文档配置带正确 schema 的 Azure AI Search 索引；配置含质量指标与安全检查的评估管道；生成带 GitHub 认证的原型代码；按你的技术栈给出定制化的设置指南。

实践心得：很多开发者难以跟踪层出不穷的 LLM 模型，对 token 与配额也感到压力——不知道是否选对了模型、是否在低效烧预算。模型发现能力与评估框架能帮你验证"确实在获得更好结果"，而不是盲目试新。

注意实验状态：该服务器处于实验性且活跃开发中，功能与 API 可能变化。适合探索 Azure AI 能力与构建原型，用于生产环境前需验证稳定性要求。

10. Microsoft 365 Agents Toolkit MCP Server（M365 与 Copilot 开发助手）

它做什么：为构建集成 Microsoft 365 与 Microsoft 365 Copilot 的 AI 代理与应用提供必备工具，包括 schema 校验、示例代码检索与排错协助。安装命令为npx -y @microsoft/m365agentstoolkit-mcp@latest server start。

为什么有用：为 Microsoft 365 与 Copilot 开发涉及复杂的 manifest schema 与特定开发模式。该服务器把关键开发资源直接带入编码环境，帮你校验 schema、找示例代码、解决常见问题，而无需反复翻文档。

真实场景："校验我的声明式代理 manifest 并修复 schema 错误"、"展示实现 Microsoft Graph API 插件的示例代码"、"帮我排查 Teams 应用的认证问题"。

代表性示例：对 M365 Agents 新手尤其友好——它提供模板、示例代码与脚手架，避免在文档中迷失。schema 校验功能对避免 manifest 结构错误尤为实用，这类错误往往会导致数小时的调试。

专业建议：把它与 Microsoft Learn Docs MCP Server 搭配使用，M365 开发支持会更完整——前者提供官方文档，后者提供实用开发工具与排错辅助。

如何把多个服务器组合成工作流

单个服务器解决单点问题，而 MCP 的标准协议价值在于组合。例如：用GitHub MCP Server拉取本周创建的 PR 与失败 CI 运行 → 用Azure DevOps MCP Server在冲刺看板创建对应工作项 → 用Microsoft Learn Docs MCP Server检索部署文档生成发布说明 → 用Playwright MCP Server对发布页面做冒烟测试。全部发生在 IDE 内，全程自然语言。

仓库的 Foundry 集成指南 展示了类似的组合思路：将 MCP 工具挂载到 Agent（McpTool支持allowed_tools白名单与自定义认证 header），配合SubmitToolApprovalAction对每次工具调用做审批，实现"发现 → 部署 → 评估"的完整链路。安全方面，最佳实践模块 强调：工具调用前需用户明确同意、按请求与授权上下文配置模型可用工具、对所有工具调用做参数校验并实施限流——这些同样适用于上述微软服务器。

结论

MCP 正在重塑开发者与 AI 助手、外部工具交互的方式。这 10 个微软 MCP 服务器展示了标准化 AI 集成的威力：从 Azure 全生态整合，到 Playwright 浏览器自动化、MarkItDown 文档处理等专用工具，它们让开发者保持心流的同时触达强大的外部能力。标准化的协议确保这些工具能无缝协同，形成统一的开发体验。

随着 MCP 生态持续演进，参与社区、探索新服务器、构建自定义解决方案将成为最大化开发效率的关键。MCP 开放标准的本质意味着你可以混搭不同厂商的工具，为你的具体需求打造完美工作流。后续可继续学习本仓库的最佳实践模块（测试、错误处理、性能与安全实践）以深化理解。

练习清单

1. 安装与配置：在 VS Code 环境安装一个上述 MCP 服务器并测试基本功能（配置方式可参考 04-vscode 课程 的mcp.json与启动流程）。
2. 工作流集成：设计一个组合至少三个不同 MCP 服务器的开发工作流。
3. 自定义服务器规划：找出日常开发中可受益于自定义 MCP 服务器的任务，并为其编写规格说明。
4. 性能分析：对常见开发任务，对比使用 MCP 服务器与传统方式的效率。
5. 安全评估：评估在开发环境使用 MCP 服务器的安全影响并提出最佳实践（可参考安全最佳实践与安全模块）。

• 教程
• 文档
• 人工智能