生产力工具
Key Takeaway
- Raycast通过集成AI插件和MCP（模型控制协议），实现了Mac上的AI功能，打造“AI Mac”体验。
- Raycast作为Mac效率中心，能实现跨应用调度，通过自然语言交互控制软件。
- Raycast简化了MCP的部署和配置，用户可轻松安装和使用官方提供的MCP服务器。
- MCP使得模型能够与外部工具无缝集成，提升了AI应用的实用性和便捷性。
- 文章强调了Raycast在AI Chat、知识库辅助写作等方面的应用，并认为其是AI终端的理想形态。
Full Content
想体验AI Mac，装上Raycast就好。
Raycast不只是Mac的效率中心。添加AI插件之后，就可以实现跨应用调度。我在之前的视频里是这么说的：
一个AI枢纽去无缝集成所有软件，然后在一个界面上完成所有交互，这个就是我想要的AI PC、AI Mac的功能和体验。
现在，这个我最喜欢的Mac软件支持MCP了。你看，我跟GPT-4o mini说：打开Safari页面，进入苹果官网。通过MCP，模型很顺利就完成了任务。
模型加上MCP，就是Agent。一台终端无缝集成了模型和MCP，就成为软硬一体的Agent。这个就是我特别喜欢、特别关注Raycast的原因。
哈喽各位好，欢迎回到我的频道。谦虚地说，我是国内少数几个能把关于AI的Why和How讲明白的博主。我提供的东西远比教程更值钱。记得点一波关注。如果想链接我，就来我们newtype社群。已经有1000多位小伙伴付费加入啦。
回到今天的主题：Raycast MCP。
MCP出来这么久，一直有一个难题：用户部署、配置难。
作为用户，你不仅要知道去哪里找MCP服务器，还得懂得那些配置参数是什么意思。Raycast在这方面做得很棒。我给你们演示一下。
在使用MCP之前，你先安装这个插件。把Raycast唤出来，输入Store，然后搜索MCP就可以看到插件。
安装之后，搜索MCP，会看到Manage、Install、Search、Import四个选项。别管其它的，你就选择Search MCP，因为官方已经准备了一堆常用的MCP服务器。
比如，咱们选择Playwright。进去之后会看到，命令和参数已经填好了，只需要点击安装就可以搞定。
当然，Playwright是不需要填写环境变量的MCP。咱们经常会遇到像Tavily之类的，就需要填写API Key，那就把Key粘贴进去，别的不用管，安装就行。
这个是接近自动部署的方法。如果官方提供的MCP里没有自己想用的，怎么办？那就手动安装。
输入Install MCP，就能看到熟悉的界面。按照GitHub上的介绍，把命令、参数和环境变量填进来就行。其中，多个参数之间用空格隔开。
所有安装好的MCP都在Manage MCP里。选中任意一个都可以进行编辑。那么，有了MCP之后，怎么在Raycast中使用呢？
很简单，打开AI Chat。选择一个支持AI插件的模型，比如GPT-4o mini。然后在下边的添加AI插件选项中搜索名字，把MCP挂上去就可以了。
所以，我现在使用的支持MCP的客户端有两个：
一个是Raycast的AI Chat，用来快问快答。为此我还特意在Stream Deck上加了一个快捷键。因为常用的快捷键都占满了，所以分配了一个比较奇怪、不太好按的键位给AI Chat，然后放到Stream Deck里，这样就完美解决了。
另一个是Cursor。因为我添加了知识库的MCP，再加上Cursor有很强的文档编辑能力，所以需要AI辅助写作的时候，我都用Cursor。
至于ChatWise，就只能作为备用了。你看我现在的AI工具都在Stream Deck上了：涉及到MCP的话，有刚才说的那两个；不需要MCP的话，Gemini、Grok、NotebookLM足以满足。所以像这种客户端，差异化得做得足够强，不然打开率真的会很低。
OK，以上就是本期内容。想了解AI，想成为超级个体，想找到志同道合的人，就来我们newtype社群。那咱们下期见！
Key Takeaway
- MCP（模型控制协议）是提升AI生产力的关键，本文推荐五款实用MCP。
- Tavily和Sequential Thinking组合：Tavily解决信息获取，Sequential Thinking增强模型多步骤推理能力，提升回答质量。
- Filesystem和Markitdown组合：Filesystem允许模型访问本地文件，Markitdown将PDF转换为Markdown，使模型能处理PDF文档。
- 向量数据库MCP（Milvus/Pinecone）：用于接入个人笔记信息，实现本地或云端知识库的存储和检索。
- 这些MCP都围绕信息展开，旨在让模型获取更多信息并提升信息处理能力，使AI从“缸中之脑”变为更完整的工具。
Full Content
MCP火这么久了，有哪些是日常当中经常会用到的，真的能提升生产力的？
本期视频我会介绍五个我基本上每天都会用的MCP。看起来特别朴实无华、没什么节目效果，但它们就是好用。
这些MCP，以及更多AI工具，我平时都会在社群内分享。想提升AI生产力的小伙伴记得加入。
那咱们先从前两个MCP开始，它们是一对组合。
Tavily是我用了很久的、专门为大模型优化过的搜索引擎。它的MCP里包含了搜索和提取两个工具，特别实用。但是，如果你只用这一个MCP，虽然可以联网搜索，但答案不会太好。
比如，我提了一个问题：皇马在本赛季为什么表现不好？详细分析。
Claude使用Tavily找了一堆网页，似乎回答了我的提问。但咱们来仔细看，它所谓的详细分析，说什么“比赛成绩不稳定”、“欧冠表现不佳”，这都是现象，不是原因，根本不叫“详细分析”。
你看，作为模型，Claude 3.7 Sonnet够强了吧？结果，给出的答案却这么水。
这个时候，就需要Sequential Thinking这个MCP。它的作用就是让模型进行多步骤推理。加上之后，效果非常明显。
还是同样的问题，详细分析皇马本赛季的原因。我特意要求使用Sequential Thinking和Tavily这一对组合。
开始都一样，就是搜集资料。但在此之后，Claude调用了七次Sequential Thinking。
展开之后可以看到，有了这个MCP，模型的逻辑明显变强了。Claude把皇马的问题提炼了出来，包括伤病、疲劳、训练方式和体能管理等等。再看正式的答案，明显比刚才的靠谱多了，对吧？
这一对组合，Tavily解决信息的问题，Sequential Thinking解决逻辑的问题。这两个都是很基础、很重要的能力，一定要给模型加上。
OK，咱们再来看接下来的两个MCP，也是一对组合。
Filesystem能让模型接入指定的文件夹，比如桌面，去读取桌面上的文件，以及创建新的文件。
像Cursor之类的客户端，因为它是拿来编程用的，所以天然就具备很强的文件读取和编辑能力。但是，像ChatWise这种客户端就难搞了。所以需要Filesystem。至于安全问题，大家可以放心：文件夹都由咱们来指定，不用担心模型会乱来。
跟Filesystem搭配的MCP是Markitdown。这是微软之前出的工具，能够将PDF转成Markdown格式。现在出了MCP之后，模型终于可以处理PDF这种文档了。
我个人对PDF是深恶痛绝的。从技术角度看，这种格式都快接近图片了，搞起来太费劲。PDF在AI时代就应该被完全淘汰。
那么，Filesystem加上Markitdown，能怎么用呢？
比如，我在桌面上有一个PDF文档，是特别有名的《Bitter Lesson》。如果我想把它转成Markdown格式的话，现在可以直接跟模型说。它会先用Filesystem确认能不能访问桌面。然后用Markitdown做转换。最后再用Filesystem在桌面创建新文件，把提取出来的内容写进去。
或者，我也可以直接让模型帮我总结。
你看，我跟模型说，帮我读取并总结桌面上的PDF文档。它马上就知道，要用Filesystem和Markitdown进行读取和提取，然后就可以总结了。
Claude上下文窗口不大，处理这种只有两页的PDF是OK。如果碰上那种十几页的，最好还是换成Gemini系列。
刚才介绍的两组MCP，前一组用来处理网页信息，后一组用来处理文档信息。那么，自己的笔记信息怎么通过MCP给到模型呢？
如果你像我一样用本地向量数据库的话，可以选择Milvus。这个数据库支持存储和检索。部署好之后，OrbStack一直挂着运行。然后不管你用哪个客户端，都可以随时通过MCP获取数据。
关于Milvus的部署，我前两天出了一期社群专属视频，把要点都一一介绍了。已经加入社群的小伙伴记得看。
如果你想用云端向量数据库的话，可以选择Pinecone。它同样也有MCP。如果你动手能力再强一些的话，可以使用AWS，这个就更强力了。之后我也会出社群专属视频详细介绍。
所以，这五个就是我每天都在使用的MCP。你发现没有，它们都围绕信息展开——让模型获取更多信息，让模型处理信息的能力提升。有了这些工具，模型就不再是缸中之脑。
OK，以上就是本期内容。想了解AI，想成为超级个体，想找到志同道合的人，就来我们newtype社群。那咱们下期见！
Key Takeaway
- MCP（模型控制协议）是AI发展的关键，它将AI从“功能机”进化到“智能机”，解决了传统API接口不统一和不理解语义的问题。
- MCP为AI提供统一的工具接口，使其能够自由接入和控制海量工具，实现更进阶的任务。
- 文章通过演示AI工具（Cline）如何通过MCP调用Obsidian（笔记）和Tavily（搜索）等多个工具，展示了MCP的实际应用。
- MCP将用户的查询、工具描述和参数结构化传递给大模型，由大模型决定如何处理。
- Claude桌面版和Cline是目前对MCP支持最好的工具，用户也可以自行开发MCP工具。
Full Content
如果你关注AI、关注Agent，那么你一定要关注MCP，一定好好理解它，一定要多用它。
AI的发展有两条非常明确的路线，我之前在社群里说过：一是掌握更多信息，二是控制更多工具。
两年前的大模型，它的信息来源只有训练时的数据，以及推理时我们告诉它的东西。
后来，我们给它加上联网搜索，让它能获得更广阔、更及时的信息；我们给它加上RAG技术、加上知识库，让它能获得垂直领域那些不外传的信息。
这些还不够，因为都是文字信息。于是我们又上了多模态，现在连图片它都能理解了。
你看，所有这些发展都符合第一条路线——掌握更多信息。
光有信息还不够，要改变世界，你手里还得有工具。这个就是第二条路线。我认为，MCP是第二条路线的关键。
有了MCP，你手里的AI就从功能机进化到智能机。
老规矩，我先演示，再解释。
屏幕左边是Obsidian，一个笔记应用。为了演示，我新建了一个库，放了三篇之前的视频脚本作为笔记。
屏幕右边是Cline。它是一个AI插件，编程能力非常强。如果你的主力是VS Code，那一定要用它。
那么，我想给大家看的是，通过Obsidian MCP——你可以简单理解为就是一个接口，像Cline这类AI工具可以直接读取和修改Obsidian里的笔记。
咱们先从最简单的开始。我问Cline：库里都有哪些笔记？
接到请求后，Cline看了一圈环境，发现Obsidian跟一个MCP服务器连在一起。于是，它决定通过MCP服务器，调用list notes这个工具，去查询都有哪些笔记。
在RESPONSE里边，MCP服务器把查询到的信息返回给了Cline，然后它给出最终答案。
跟查询库里都有哪些笔记一样的原理，Cline还可以通过MCP服务器读取笔记的具体内容。
我问它，这篇笔记的主要内容是什么？
这时，Cline会使用read note工具去读取笔记。把一千多字的内容全部提取之后，它对内容进行总结，然后给出最终答案。
大家如果有印象的话，应该记得我之前出过两期视频，都是关于Cursor对Obsidian笔记的修改。这个做法的前提是，Cursor打开了Obsidian存放在本地的笔记仓库。
但是，并不是所有AI工具都有这样的条件和能力去调用整个笔记仓库。这时候就需要MCP服务器，它作为一个通用接口连接两端。
我刚才演示的，只连接了一个MCP服务器。其实，为了完成一项任务，AI可以连接多个MCP服务器，调用多个工具。我再演示一个例子。
这是OpenAI官网的文章，关于GPT-4.5。我把链接给到Cline，希望它能把文章的内容给扒下来。
这时，Cline发现，还有Tavily MCP可以连接。Tavily是一个专门为大模型优化过的搜索引擎。它的MCP里边有一个提取网页内容的工具。
使用这个工具，Cline顺利把网页内容给扒了下来。然后，它重新整理和总结所有信息，最终给出很清晰的回答。
接着，我给出第二条指令：把这份Summary作为新笔记，存进Obsidian里边。
你看，它调用Obsidian MCP里的create note工具，开始创建笔记。中间遇到了一个格式上的问题，主要是特殊字符导致解析错误。我猜是中文标点的问题。好在Cline很聪明，在第二次尝试的时候，主动规避了特殊字符，最后完成了笔记创建。
通过刚才的演示可以看到，像Cline、Claude之类的AI应用，能够调用各种工具，完成更进阶的任务。这个就是MCP的价值。
这么说吧：MCP就是AI的USB-C接口。
在MCP出来之前，AI都是怎么调用工具的？通过API接口对吧？但是，API有很大的局限性，不适合AI。
第一，不同工具的API都有各自的规范。
举个例子。如果要调用一个天气预报工具，我就得按它的格式要求告诉它城市名称和日期，比如单词“Beijing”、“0315”（也就是3月15日）。如果要调用一个计算器工具，我就得按它的格式要求告诉它数值和符号，比如“1”、“+”、“2”。
市面上有海量的工具。AI要知道、要去满足每一个工具的要求，这是不现实的。这就好比有的设备是USB-A接口，有的设备是micro USB，有的设备是mini USB。作为用户，看到这一堆接口，头都大了好吗！
所以，AI需要一套统一的规范，去统一所有的工具接口。就好比今天的USB-C，手机也好、电脑也好，全都用这个接口。而且，现在新的显示器还支持用USB-C接MacBook，既能充电，还能传输信号，连HDMI都省了。一根线走天下是大势所趋。
第二，API关注的是数据的传输，而非数据的含义。
就像刚才的例子，我如果问：下周一北京天气怎么样？或者，一加二等于几？像这样的数据，API没法接受，因为它不理解、也不需要理解这是什么意思。它的职责就是把数据拿过来、传过去。
但是MCP能理解。
其实也不是MCP理解的，而是它把一切都打包好，给到大模型去理解。MCP把用户的查询、工具的描述和参数，以结构化的方式传递给大模型，由大模型决定如何处理。
目前市面上对MCP支持最好的工具，一个是Claude桌面版——毕竟MCP就是他们家提出的，另一个是Cline。
我刚才演示里的两个MCP，Tavily那个是现成的，可以在Cline Marketplace里搜到。然后Cline会下载代码仓库，并且自动部署，非常方便。
而Obsidian那个，是我让Cline自动生成。过程中我没写一行代码，就是一路点“同意”，几分钟就搞定了。如果需要增加或者修改某个工具，也可以交给Cline去完成。
MCP本身并不复杂。在AI编程工具的帮助下，你也可以开发自己的MCP工具，然后部署在本地或者云端，比如Cloudflare。最核心的index文档，你完全可以在AI的帮助下理解清楚。
或者，你就用现成的。市面上已经出现好多个MCP导航网站，比如Smithery。
在商业化方面，我看到市场上也出现了第一款收费的MCP，可以帮忙设计UI。
MCP的价值得到越来越多人的认可。一切都在快速推进中。就像前边说的，如果AI只能调用有限的、预先设置好的工具的话，那不就是以前的功能机吗？通过MCP，AI可以自由接入海量工具。从这一刻开始，AI才从功能机时代迈入智能机时代。