1. 项目概述：为什么开发者需要关注MCP？

最近在和一些做AI应用开发的朋友聊天，发现大家讨论的热点已经从“怎么调用大模型API”转向了“怎么让大模型更好地使用我的工具和数据”。这背后反映了一个核心痛点：大模型本身知识再渊博，它也无法直接操作你的数据库、调用你的内部API，或者实时读取你公司内部的文档。为了解决这个“最后一公里”的连接问题，一个名为 模型上下文协议（Model Context Protocol， 简称MCP） 的开放标准正在迅速崛起，成为开发者构建下一代AI应用的关键基础设施。

简单来说，MCP就像是为大模型定义了一套“USB接口”标准。在过去，如果你想给ChatGPT或者Claude增加一个“查询公司内部知识库”的能力，可能需要针对每个模型、每个平台（如OpenAI的GPTs、Anthropic的Claude Desktop）写一套特定的插件或集成代码，过程繁琐且不通用。MCP的出现，就是为了统一这个混乱的局面。它定义了一套标准的协议，允许开发者将任何数据源（数据库、API、文件系统）或工具（代码执行器、计算器）包装成一个标准的“服务器（Server）”，而任何兼容MCP的AI客户端（如Claude Desktop、各类AI IDE插件）都可以像即插即用一样，发现并使用这些能力。

我最初接触MCP时，觉得它又是一个“听起来很美”的概念。但当我真正动手，用几十行代码就把一个本地数据库变成了Claude能直接查询的工具后，我才意识到它的威力：它极大地降低了为AI赋予“行动力”的门槛。这篇指南，我将从一个一线开发者的视角，带你彻底搞懂MCP是什么、为什么重要，并通过一个从零开始的、可运行的代码示例，让你亲手体验如何构建一个MCP服务器。无论你是想为团队内部打造AI助手，还是开发面向用户的AI智能体，理解MCP都将是你的必修课。

2. MCP核心设计思想与架构拆解

要理解MCP，我们不能只停留在“它是一个协议”的层面，必须深入其设计哲学和架构，明白它如何优雅地解决了AI应用中的核心耦合问题。

2.1 核心问题：AI应用中的“紧耦合”困境

在MCP之前，AI与工具的集成通常是“紧耦合”的。想象一下这个场景：你为公司的客服系统开发了一个AI助手，它需要能查询订单状态（调用订单API）、检索产品手册（搜索向量数据库）、以及计算运费（调用物流计算服务）。传统的做法可能是：

  1. 在你的后端服务中，编写一个复杂的“AI代理”逻辑。
  2. 这个代理逻辑里，硬编码了对订单API、向量数据库、物流服务的调用方式。
  3. 当用户提问时，AI模型（比如GPT）生成一个包含“调用订单查询函数”意图的JSON。
  4. 你的后端解析这个JSON，然后执行对应的硬编码函数。

这种做法的问题显而易见：

  • 换模型成本高 ：如果你想把底层的GPT换成Claude，由于不同模型输出的函数调用格式可能不同，你的解析逻辑可能需要重写。
  • 能力无法复用 ：你这个精心打造的“订单查询”能力，无法被公司另一个基于Midjourney的创意生成AI直接使用。
  • 客户端绑定 ：你的能力绑定在了特定的后端服务上。如果想让用户在Claude Desktop里也能查询公司订单，你需要为Claude Desktop单独开发一个插件。

MCP的核心思想就是 解耦 。它将 工具/数据的提供者（Server） 和 工具/数据的使用者（Client） 分离开，并通过一个标准的协议进行通信。这样，一个提供“天气查询”的MCP服务器，可以被任何兼容MCP的客户端使用，无论是Claude、Cursor编辑器，还是你自研的AI应用。

2.2 MCP架构的三层抽象

MCP的架构非常清晰，主要包含三个核心概念：

  1. 资源（Resources） ：这是“数据”。代表那些相对静态的、可供AI读取的上下文信息。比如，一个数据库表的模式定义、一份API文档、一个文件夹下的文件列表。资源通过唯一的URI来标识，客户端可以“读取（Read）”它们，将其内容作为上下文注入给大模型。例如，你可以提供一个 resource://sql/schema 的资源，内容就是数据库的Schema描述，AI在生成SQL前可以先读取这个资源来了解表结构。

  2. 工具（Tools） ：这是“动作”。代表那些可以执行的、可能产生副作用的操作。比如，“执行SQL查询”、“发送邮件”、“调用计算器”。工具包含名称、描述、输入参数模式（基于JSON Schema）。客户端可以“调用（Call）”工具，并得到执行结果。这是AI与外界交互的主要方式。

  3. 提示词模板（Prompts） ：这是“预置的对话起点”。你可以把它理解为可编程的、动态的“快捷指令”。比如，一个名为“code_review”的提示词模板，它可以接受一个“file_path”参数，然后自动组合出一段请求AI审查指定代码文件的提示词。这允许服务器端封装复杂的提示词逻辑，为客户端提供更高级的交互入口。

协议通信流程 ：MCP Server和Client之间通过JSON-RPC 2.0协议进行通信，通常使用Stdio（标准输入输出）或SSE（服务器发送事件）作为传输层。启动时，Client向Server发送 initialize 请求，Server回复其提供的资源、工具、提示词模板的列表。之后，Client就可以根据需要读取资源、调用工具或获取提示词模板了。

注意 ：MCP Server本身 不包含大模型 。它只是一个能力的提供者。AI的“大脑”（大模型）在Client端。Server负责告诉Client“我有什么能力”，并在Client请求时“执行这些能力”。这种分离使得能力提供者无需关心AI模型的细节。

2.3 与其他方案的对比

为了更直观地理解MCP的定位，我们可以将其与类似技术进行对比：

特性/方案 MCP (Model Context Protocol) OpenAI GPTs / Actions LangChain Tools
核心定位 开放的连接协议 特定平台的插件生态 应用开发框架
耦合度 低 。Server与Client完全解耦。 高 。深度绑定OpenAI平台和API格式。 中 。Tool定义与框架绑定，但框架支持多种模型。
可移植性 极高 。一个Server可被任何MCP Client使用。 低 。仅能在OpenAI生态内使用。 中 。在不同模型间移植需要适配，但工具逻辑可复用。
开发复杂度 低 。只需按协议实现Server。 中 。需遵循OpenAI的Schema和认证规范。 中高 。需要理解框架概念，集成到应用流程中。
适用场景 构建通用、可移植的AI能力模块；工具开发者希望一次开发，多处使用。 快速在ChatGPT、GPTs中集成特定功能。 快速构建端到端的、复杂的AI代理应用。

简单来说，如果你希望你的工具能力能像“基础设施”一样，被未来各种AI平台和应用即插即用地使用，MCP是目前最具前景的标准。它更像是互联网的HTTP协议，旨在为AI世界制定通用的“能力交换”语言。

3. 手把手构建你的第一个MCP服务器：一个SQL查询工具

理论讲得再多，不如亲手实现一遍。接下来，我们将用Node.js构建一个最简单的MCP服务器，它提供一个工具：执行SQL查询（这里为了安全，我们模拟一个只读的查询）。这个例子将清晰地展示MCP的核心实现步骤。

3.1 环境准备与项目初始化

首先，确保你的开发环境已安装Node.js（版本18或以上）。我们从一个空文件夹开始：

mkdir mcp-sql-server
cd mcp-sql-server
npm init -y

接下来，安装MCP的核心SDK。Anthropic官方维护了 @modelcontextprotocol/sdk ，它提供了构建Server和Client所需的类型和工具函数。

npm install @modelcontextprotocol/sdk

同时，我们安装一个简单的内存SQL数据库 better-sqlite3 来模拟数据源，以及 zod 库来辅助参数验证（MCP工具参数使用JSON Schema，zod可以方便地生成）。

npm install better-sqlite3 zod

现在，你的 package.json 的 dependencies 应该包含这些包。我们创建一个入口文件 server.js 。

3.2 服务器骨架与初始化

在 server.js 中，我们首先导入必要的模块，并初始化一个内存中的SQLite数据库，预置一些演示数据。

// server.js
const { Server } = require('@modelcontextprotocol/sdk/server/index.js');
const { StdioServerTransport } = require('@modelcontextprotocol/sdk/server/stdio.js');
const Database = require('better-sqlite3');
const { z } = require('zod');

// 1. 初始化一个内存SQLite数据库并插入演示数据
const db = new Database(':memory:'); // 内存数据库
db.exec(`
  CREATE TABLE users (
    id INTEGER PRIMARY KEY,
    name TEXT NOT NULL,
    email TEXT NOT NULL,
    department TEXT
  );
  INSERT INTO users (name, email, department) VALUES
  ('Alice', 'alice@example.com', 'Engineering'),
  ('Bob', 'bob@example.com', 'Sales'),
  ('Charlie', 'charlie@example.com', 'Engineering'),
  ('Diana', 'diana@example.com', 'Marketing');
`);

console.error('MCP SQL Server: Database initialized with sample data.');

接下来，创建MCP Server实例。Server需要定义一个 capabilities 对象，来声明它支持哪些MCP功能。我们这里主要提供 tools 能力。

// 2. 创建MCP Server实例
const server = new Server(
  {
    name: 'mcp-sql-server',
    version: '0.1.0',
  },
  {
    capabilities: {
      tools: {}, // 声明本服务器提供工具
      // 未来还可以添加 resources: {}, prompts: {}
    },
  }
);

3.3 定义并注册工具（Tools）

这是最核心的一步。我们需要定义一个工具，包括它的名称、描述、输入参数模式，以及当工具被调用时的处理函数。

首先，用Zod定义一个输入参数的Schema。我们的工具叫 query_sql ，它接受一个字符串参数 sql 。

// 3. 定义工具的输入参数Schema (使用Zod，便于生成JSON Schema)
const QuerySqlArgsSchema = z.object({
  sql: z.string().describe('The SQL SELECT query to execute.'),
});

然后，编写工具的处理函数。这个函数必须返回一个符合MCP协议的 CallToolResult 对象。

// 4. 定义工具处理函数
async function handleQuerySql(args) {
  try {
    // 使用Zod验证输入参数
    const { sql } = QuerySqlArgsSchema.parse(args);
    
    // 安全限制：仅允许SELECT查询（防止数据被修改）
    const trimmedSql = sql.trim().toUpperCase();
    if (!trimmedSql.startsWith('SELECT')) {
      throw new Error('Only SELECT queries are allowed for safety.');
    }
    
    // 执行查询
    const stmt = db.prepare(sql);
    const result = stmt.all(); // 获取所有行
    
    // 返回成功结果，内容格式化为字符串便于AI阅读
    return {
      content: [
        {
          type: 'text',
          text: `Query executed successfully.\nReturned ${result.length} row(s).\nResults:\n${JSON.stringify(result, null, 2)}`,
        },
      ],
    };
  } catch (error) {
    // 返回错误信息
    return {
      content: [
        {
          type: 'text',
          text: `Error executing SQL: ${error.message}`,
        },
      ],
      isError: true,
    };
  }
}

现在，我们需要将这个工具注册到Server上。这需要在Server初始化完成后设置一个请求处理器。

// 5. 设置Server的请求处理器
server.setRequestHandler('tools/list', async () => {
  // 返回本服务器提供的所有工具列表
  return {
    tools: [
      {
        name: 'query_sql', // 工具标识符
        description: 'Execute a safe, read-only SQL SELECT query on the sample database.',
        inputSchema: {
          type: 'object',
          properties: {
            sql: {
              type: 'string',
              description: 'The SQL SELECT query to execute.',
            },
          },
          required: ['sql'],
        },
      },
    ],
  };
});

server.setRequestHandler('tools/call', async (request) => {
  // 根据工具名称，路由到对应的处理函数
  if (request.params.name === 'query_sql') {
    return await handleQuerySql(request.params.arguments || {});
  }
  // 如果收到未知工具调用，返回错误
  throw new Error(`Unknown tool: ${request.params.name}`);
});

3.4 启动服务器与连接测试

最后，我们创建传输层（这里使用Stdio，最适合命令行工具集成）并启动服务器。

// 6. 启动服务器（使用Stdio传输）
async function main() {
  const transport = new StdioServerTransport();
  await server.connect(transport);
  console.error('MCP SQL Server is now running and listening via stdio.');
}

main().catch((error) => {
  console.error('Server fatal error:', error);
  process.exit(1);
});

至此，一个最简单的MCP服务器就完成了。你可以用 node server.js 运行它，但它现在只是等待标准输入，我们需要一个MCP客户端来测试它。

3.5 使用官方MCP CLI进行测试

Anthropic提供了一个强大的命令行工具 @modelcontextprotocol/cli ，可以用于测试和调试MCP服务器。全局安装它：

npm install -g @modelcontextprotocol/cli

创建一个服务器配置文件 mcp-server-config.json ，告诉CLI如何启动我们的服务器：

{
  "mcpServers": {
    "sql-demo": {
      "command": "node",
      "args": ["/ABSOLUTE/PATH/TO/YOUR/mcp-sql-server/server.js"],
      "env": {}
    }
  }
}

将 /ABSOLUTE/PATH/TO/YOUR/ 替换为你项目 server.js 文件的绝对路径。

然后，运行MCP CLI的inspector命令来连接并交互式测试我们的服务器：

mcp inspector mcp-server-config.json

如果一切正常，inspector会启动一个本地Web界面（通常在 http://localhost:5173 ）。打开后，你应该能在“Tools”标签页下看到我们注册的 query_sql 工具。你可以尝试在工具调用界面输入：

{
  "sql": "SELECT name, department FROM users WHERE department = 'Engineering'"
}

点击“Call”，下方就会返回查询结果。这证明你的MCP服务器工作正常，能够接收协议请求、执行查询并返回结果。

实操心得 ：在开发MCP Server时， 一定要重视错误处理 。AI客户端（如Claude）可能会尝试各种奇怪的输入，你的工具处理函数必须足够健壮，对输入进行严格的验证和清理（比如我们这里限制只能执行SELECT），并返回清晰、结构化的错误信息，帮助AI理解哪里出了问题，从而调整它的请求。

4. 将MCP服务器集成到真实AI客户端：以Claude Desktop为例

让服务器在Inspector里工作只是第一步，真正的价值在于让它被日常使用的AI助手调用。我们以Claude Desktop为例，展示如何集成。

4.1 配置Claude Desktop

Claude Desktop原生支持MCP。你需要找到它的配置文件位置：

  • macOS : ~/Library/Application Support/Claude/claude_desktop_config.json
  • Windows : %APPDATA%\Claude\claude_desktop_config.json

如果文件不存在，就创建一个。然后编辑这个文件，添加我们的MCP服务器配置：

{
  "mcpServers": {
    "sql-demo": {
      "command": "node",
      "args": ["/ABSOLUTE/PATH/TO/YOUR/mcp-sql-server/server.js"]
    }
  }
}

保存配置文件，并 完全重启Claude Desktop （不是关闭窗口，而是从任务栏/程序坞彻底退出再打开）。

4.2 在对话中实际使用

重启后，新建一个对话。当你输入消息时，Claude的输入框上方可能会出现一个微小的数据库图标，或者你可以尝试直接要求它：“请使用可用的工具查询一下数据库中有哪些用户”。

更典型的方式是，Claude会 自动识别 它拥有了新工具。你可以这样提问：

“帮我查一下工程部（Engineering）的所有员工名单。”

Claude在理解你的意图后，会在后台自动调用 query_sql 工具，生成类似 SELECT * FROM users WHERE department = 'Engineering' 的SQL，通过MCP协议发送给你的服务器，获取结果后，再组织成自然语言回复给你。整个过程对你和Claude来说都是无缝的，你不需要知道具体的SQL语法，Claude也无需提前硬编码数据库连接。

这就是MCP的魅力 ：你为Claude“安装”了一个数据库查询能力，就像为电脑安装了一个新驱动一样简单。这个能力现在对所有对话可用。

4.3 调试与问题排查

集成过程中可能会遇到问题，以下是几个常见排查点：

  1. Claude Desktop没有反应，不显示工具图标 ：

    • 检查配置文件路径和格式 ：确保JSON格式正确，路径是绝对路径且无误。
    • 检查服务器启动 ：在终端直接运行 node /path/to/server.js ，看是否有错误输出。确保Node.js版本符合要求。
    • 查看Claude Desktop日志 ：在Claude Desktop设置中通常有“打开日志目录”的选项，查看最新的日志文件，搜索“MCP”或“server”关键词，常有详细错误信息。

  2. 工具调用失败 ：

    • 在Inspector中测试 ：先用MCP Inspector测试，确保服务器本身逻辑正确。
    • 检查工具定义 ：确保 tools/list 返回的 inputSchema 与处理函数中的验证逻辑完全匹配。一个常见的错误是Schema中定义了 required 字段，但处理函数没有正确解析。

  3. 性能问题 ：

    • Server启动延迟 ：如果Server启动慢（例如需要加载大模型），会影响Claude的启动速度。考虑实现轻量级初始化，或使用SSE传输保持长连接。
    • 工具响应慢 ：优化工具处理函数的逻辑，对于耗时操作考虑异步处理和进度反馈。

注意事项 ：生产环境的MCP Server需要考虑更多因素，如 安全性 （对输入进行严格的消毒和权限控制）、 稳定性 （进程守护、自动重启）、 资源管理 （连接池、超时设置）等。我们示例中的内存数据库和简单SELECT限制只是最基础的安全措施。

5. 超越示例：MCP的进阶应用场景与生态

通过上面的SQL示例，我们掌握了MCP的基础。但它的潜力远不止于此。让我们看看MCP在更复杂场景下的应用，以及它正在形成的生态。

5.1 构建复杂的资源（Resources）服务器

资源（Resources）用于向AI提供静态或动态的上下文信息。一个强大的用例是 代码库导航 。

你可以构建一个MCP服务器，将你的代码仓库作为资源提供出去。例如：

  • resource://code/file/src/utils/helper.js ：提供某个具体文件的内容。
  • resource://code/search?q=function login ：提供代码搜索的结果。
  • resource://code/directory/src/components ：列出某个目录下的文件结构。

当AI客户端（如Cursor编辑器插件）需要分析或修改代码时，它可以先通过MCP读取相关文件作为上下文，然后再生成代码建议或修改。这样，AI就获得了“浏览”和“理解”整个项目代码库的能力，而无需将整个代码库一次性塞入有限的上下文窗口。

5.2 集成外部系统与API

这是MCP最直接的价值所在。你可以为任何内部或外部系统包装MCP服务器：

  • 项目管理（Jira, Asana） ：提供“创建任务”、“更新状态”、“查询我的待办”等工具。
  • 客户关系管理（Salesforce, HubSpot） ：提供“查找客户”、“更新联系记录”等工具。
  • 云服务平台（AWS, GCP） ：提供“查询S3文件列表”、“启动一个EC2实例”、“查看账单”等工具（需极其谨慎的权限控制！）。

这样，一个通用的AI助手就能跨越多个系统执行复杂的工作流，例如：“根据这封客户邮件，在CRM中查找该客户，并创建一个高优先级的支持工单”。

5.3 提示词模板（Prompts）的威力

提示词模板允许服务器端定义复杂的、参数化的交互逻辑。例如，一个“代码审查”模板：

  1. 客户端请求 prompts/get ，传入 name: "code_review" 和 arguments: {file_path: "src/app.js", strictness: "high"} 。
  2. 服务器收到请求后，不仅返回一段固定的提示词，还可以动态地：
    • 去读取 src/app.js 的文件内容（通过资源或其他工具）。
    • 根据 strictness 参数，组合不同侧重点的审查清单。
    • 最终生成一段高度定制化的、包含具体代码上下文的提示词返回给客户端。

这相当于为AI客户端提供了“高级API”，极大地提升了交互的效率和深度。

5.4 蓬勃发展的MCP生态

MCP作为一个开放标准，其生态正在快速成长：

  • 官方与社区服务器 ：Anthropic官方维护了一些基础服务器的实现（如文件系统、网络搜索）。社区也贡献了GitHub、Notion、Slack、Brave Search等众多流行服务的服务器。
  • 客户端支持 ：除了Claude Desktop，Cursor编辑器、Windsurf IDE、Continue.dev等开发工具也已支持MCP，使其成为AI编程助手的标准能力扩展接口。
  • 开发工具 ：除了我们用的Inspector，还有用于生成TypeScript类型、简化开发流程的脚手架工具。

这意味着，作为开发者，你既可以 消费 大量现成的MCP服务器来增强你的AI体验，也可以 贡献 你自己领域的专业服务器，丰富整个生态。

6. 开发实战：从零到一构建一个天气查询MCP服务器

为了巩固理解，我们快速过一遍另一个常见场景——天气查询服务器的实现要点。这次我们会更关注错误处理、参数设计和生产级考量。

项目目标 ：构建一个提供 get_weather 工具的MCP服务器，根据城市名查询实时天气。

6.1 设计工具接口

首先设计工具。我们需要一个城市名参数，还可以考虑增加单位（摄氏/华氏）等可选参数。

// 使用Zod定义更健壮的Schema
const GetWeatherArgsSchema = z.object({
  city: z.string().min(1).describe('The name of the city to get weather for.'),
  unit: z.enum(['celsius', 'fahrenheit']).default('celsius').describe('Temperature unit.'),
});

6.2 集成第三方API

我们需要选择一个天气API，例如OpenWeatherMap。在服务器中集成API调用：

const axios = require('axios');
const WEATHER_API_KEY = process.env.WEATHER_API_KEY; // 从环境变量读取密钥

async function handleGetWeather(args) {
  try {
    const { city, unit } = GetWeatherArgsSchema.parse(args);
    
    // 1. 调用地理编码API，将城市名转换为坐标（因为很多天气API需要坐标或城市ID）
    const geoResponse = await axios.get(`http://api.openweathermap.org/geo/1.0/direct`, {
      params: { q: city, limit: 1, appid: WEATHER_API_KEY }
    });
    if (!geoResponse.data || geoResponse.data.length === 0) {
      throw new Error(`City "${city}" not found.`);
    }
    const { lat, lon, name, country } = geoResponse.data[0];
    
    // 2. 调用天气API
    const weatherResponse = await axios.get(`https://api.openweathermap.org/data/2.5/weather`, {
      params: { lat, lon, appid: WEATHER_API_KEY, units: unit === 'celsius' ? 'metric' : 'imperial' }
    });
    const weatherData = weatherResponse.data;
    
    // 3. 格式化返回结果
    const temp = weatherData.main.temp;
    const description = weatherData.weather[0].description;
    const humidity = weatherData.main.humidity;
    
    return {
      content: [{
        type: 'text',
        text: `Current weather in ${name}, ${country}:\n` +
              `- Temperature: ${temp}°${unit === 'celsius' ? 'C' : 'F'}\n` +
              `- Conditions: ${description}\n` +
              `- Humidity: ${humidity}%`
      }]
    };
    
  } catch (error) {
    // 精细化错误处理
    let errorMessage = `Failed to get weather: ${error.message}`;
    if (error.response) {
      // 处理API返回的错误
      errorMessage = `Weather API error (${error.response.status}): ${error.response.data?.message || 'Unknown'}`;
    }
    return {
      content: [{ type: 'text', text: errorMessage }],
      isError: true
    };
  }
}

6.3 生产环境考量

  1. 密钥管理 ：绝对不要将API密钥硬编码在代码中。使用环境变量（ process.env ）或专业的密钥管理服务。
  2. 速率限制与缓存 ：第三方API通常有调用限制。应在服务器端实现缓存层（如使用 node-cache ），对相同城市的请求在短时间内返回缓存结果，避免超额。
  3. 超时与重试 ：网络请求可能失败。使用axios等库配置超时，并实现简单的重试逻辑。
  4. 输入消毒与验证 ：除了Zod验证，对城市名等输入进行基本的消毒，防止注入攻击（虽然这里风险较低，但习惯很重要）。
  5. 日志记录 ：在生产环境中，记录工具调用的详细信息（时间、参数、结果、错误），便于监控和调试。

通过这个天气服务器的例子，你可以看到，构建一个实用的MCP服务器的核心在于： 设计清晰的工具接口、稳健地集成外部服务、以及周全的错误处理和运维考量 。一旦模式跑通，你可以将任何能力封装进来。

MCP的价值在于它定义了一个清晰、通用的边界。作为开发者，你只需要关心如何在你熟悉的领域内实现一个稳定的服务（Server），而不必纠结于如何适配千变万化的AI前端（Client）。这极大地简化了AI能力扩展的复杂度，让我们可以更专注于工具本身的价值。随着生态的成熟，我相信MCP会成为连接AI智能体与现实世界的“标准总线”，而今天，正是学习和参与构建它的好时机。

# MCP
Logo
CSDN-OPC开发者社区

这里是“一人公司”的成长家园。我们提供从产品曝光、技术变现到法律财税的全栈内容，并连接云服务、办公空间等稀缺资源，助你专注创造，无忧运营。

更多推荐

cover

RPA引擎源码解析：Python状态机与规则引擎设计

avatar CSDN-OPC开发者社区

用 Scraper Studio 为 Kaufland 构建价格监控爬虫:全流程实测

目标网站没有现成的爬虫?不想管理服务器、代理和重试逻辑?亮数据的 Scraper Studio,让你用一句话就能造出一个生产级爬虫。你只需告诉它目标网页和想要的字段,剩下的全交给平台:代理轮换、IP 封锁、反机器人检测,统统自动处理。零代码的 AI Agent、全代码的 JavaScript IDE、终端里的 CLI 三种方式任选,最快 10 分钟跑出一个可用的爬虫;还能定时自动运行,把数据交付到

avatar CSDN-OPC开发者社区
cover

Harness Engineering 简单理解

avatar CSDN-OPC开发者社区