第3章 MCP协议

MCP协议理论基础

MCP的诞生背景

在AI大模型快速发展的2023—2024年间，一个核心矛盾日益凸显：大模型拥有强大的推理与生成能力，却无法直接访问外部工具和数据源------它像一位博学但足不出户的学者，无法查阅实时汇率、操作电子表格、驱动浏览器。各AI平台纷纷推出自己的”工具调用”方案，但彼此互不兼容：

OpenAI 推出 Function Calling，仅适用于 GPT 系列模型
Anthropic 推出 Tool Use，仅适用于 Claude 系列模型
各家IDE（Cursor、Windsurf、Copilot）各自定义工具接入方式
开发者为每个AI平台重复编写工具适配代码，维护成本极高

2024年11月，Anthropic 正式发布 Model Context Protocol（MCP），一种开放标准，旨在统一”AI模型与外部工具/数据源”之间的通信方式。MCP 的核心理念可以类比于USB接口------在USB出现之前，键盘、鼠标、打印机各有专用接口；USB统一了物理层与协议层后，任意设备只需一根线缆即可连接。

MCP发布后迅速获得行业响应：2025年3月，OpenAI宣布ChatGPT和Agents SDK支持MCP协议；Google Gemini、Microsoft Azure AI Services等平台紧随其后。截至2026年，已有超过1000个开源MCP连接器，覆盖数据库、浏览器、办公软件、开发工具等几乎全部常见场景。

三层架构详解

MCP协议采用经典的三层架构，每一层各司其职，通过标准化接口实现层间解耦：

┌─────────────────────────────────────────────────────────────┐
│  第1层：MCP Client（宿主 IDE）                              │
│  TRAE / Qoder / Cursor / Claude Desktop                    │
│  职责：接收用户意图 → 决定调用哪个 MCP 工具                │
├─────────────────────────────────────────────────────────────┤
│  第2层：MCP Server（工具方进程）                            │
│  如 mcp-server-fetch / @playwright/mcp / stata-mcp         │
│  职责：暴露 tools 列表 → 接收调用请求 → 返回结果           │
├─────────────────────────────────────────────────────────────┤
│  第3层：真实工具 / 外部系统                                 │
│  浏览器 / Excel / Word / Stata / 数据库 / Web API          │
│  职责：实际执行操作（打开页面、写入文件、跑回归等）        │
└─────────────────────────────────────────────────────────────┘
↕ JSON-RPC over stdio / SSE

下面逐层深入解析：

第1层：MCP Client（宿主进程）

Client 是AI模型的”大本营”，运行在IDE或桌面应用中。它的核心职责包括：

工具发现：启动时向每个已配置的Server发送 tools/list 请求，获取可用工具的名称、参数、描述
意图路由：根据用户输入，AI模型决定调用哪个工具------这一步依赖Tool Schema中的描述信息
请求构造：将AI的调用意图转化为标准JSON-RPC请求
结果呈现：接收Server返回的结果，嵌入AI的上下文窗口，生成最终回复

常见的Client包括：TRAE、Qoder、Cursor、Claude Desktop、VS Code + Copilot等。用户只需在Client的配置文件（mcp.json）中声明要加载哪些Server，Client便在启动时自动建立连接。

第2层：MCP Server（工具方进程）

Server是连接AI与真实工具的”桥梁”。每个Server是一个独立进程，通过stdin/stdout或HTTP与Client通信。它的核心职责包括：

Schema声明：Server启动时向Client注册自己提供的工具清单，每个工具包含名称、参数JSON Schema、文字描述
请求处理：接收Client发来的 tools/call 请求，解析参数
工具调用：将解析后的参数映射为对真实工具的操作指令
结果封装：将真实工具的输出封装为标准JSON-RPC响应返回给Client

Server的实现语言不限------Python、TypeScript、Go均可，只要遵循MCP协议规范即可。例如 @playwright/mcp 用TypeScript编写，mcp-server-fetch 用Python编写。

第3层：真实工具/外部系统

这一层是实际执行操作的实体：浏览器引擎（Chromium）、办公软件（Excel/Word/PPT）、统计软件（Stata）、数据库（PostgreSQL）、Web API等。Server通过各自的方式驱动这些工具------例如Playwright Server通过CDP协议驱动Chromium，Excel Server通过Python库openpyxl操作xlsx文件。

核心设计思想：

解耦：Client不需要知道工具如何实现，只需知道工具的schema（输入/输出格式）
可插拔：新增一个MCP Server只需在mcp.json中加一段配置，无需修改IDE代码
标准化：所有Server都用相同的JSON-RPC协议通信，AI模型学会一种调用方式即可操作所有工具

JSON-RPC 2.0通信协议详解

MCP协议的通信层基于JSON-RPC 2.0规范------一种轻量级的远程过程调用协议。理解其消息格式，有助于调试MCP通信问题。

请求（Request）

Client向Server发送的调用请求，包含三个必填字段：

{
  "jsonrpc": "2.0",
  "method": "tools/call",
  "params": {
```json
"name": "browser_navigate",
"arguments": {
"url": "https://www.cmbchina.com"
}

}, “id”: 1 }

- `jsonrpc`：固定为`"2.0"`，标识协议版本

- `method`：要调用的方法名，MCP定义了`tools/list`、`tools/call`等标准方法

- `params`：方法参数，包含工具名称和输入参数

- `id`：请求标识符，用于将响应与请求配对

#### 响应（Response）

Server处理完请求后返回的结果：

```json
{
  "jsonrpc": "2.0",
  "result": {

“content”: [ { “type”: “text”, “text”: “Page loaded: https://www.cmbchina.com” }, { “type”: “image”, “data”: “base64_encoded_image_data…”, “mimeType”: “image/png” } ]

  },
  "id": 1
}

响应中的content数组支持多种类型：text（文本）、image（图片）、resource（资源引用）。这一设计使得MCP可以传递截图、文件等富媒体内容。

通知（Notification）

不需要响应的单向消息，如进度通知、日志输出：

{
  "jsonrpc": "2.0",
  "method": "notifications/progress",
  "params": {

“progressToken”: “task-123”, “progress”: 50, “total”: 100

}
}

通知没有id字段，Server发送后不期待Client回复。这在长时间运行的任务（如大文件处理）中用于报告进度。

错误处理（Error）

当Server无法完成请求时，返回错误响应：

{
  "jsonrpc": "2.0",
  "error": {

“code”: -32602, “message”: “Invalid params”, “data”: { “tool”: “browser_navigate”, “missing_param”: “url” }

  },
  "id": 1
}

JSON-RPC 2.0定义了标准错误码：-32700（解析错误）、-32600（无效请求）、-32601（方法不存在）、-32602（无效参数）、-32603（内部错误）。MCP在此基础上可以扩展自定义错误码。

一次MCP调用的完整生命周期

当你在TRAE中输入「请用playwright打开百度并截图」时，背后发生了什么？

用户输入 → AI 大模型推理
↓
① AI 识别意图，决定调用 playwright MCP 的 screenshot 工具
↓
② Client 向 Server 发送 JSON-RPC 请求：
{"jsonrpc": "2.0", "method": "tools/call",
"params": {"name": "browser_screenshot",
"arguments": {"url": "https://baidu.com"}},
"id": 1}
↓
③ Server 接收请求 → 调用 Chromium 浏览器打开网页 → 截图
↓
④ Server 返回 JSON-RPC 响应：
{"jsonrpc": "2.0", "result": {"content": [{"type": "image",
"data": "base64..."}]}, "id": 1}
↓
⑤ Client 将截图展示给用户，AI 继续生成文字回复

下面对每一步进行更详细的解释：

步骤①：意图识别与工具选择

AI模型接收到用户输入后，首先在自己的工具清单中搜索匹配的工具。这个清单是在Client启动时通过tools/list请求从各个Server获取的。AI根据每个工具的name和description字段判断哪个工具最合适。例如，“打开网页”匹配browser_navigate，“截图”匹配browser_screenshot。

步骤②：请求构造

AI确定要调用的工具及参数后，Client将调用意图转化为标准JSON-RPC请求。参数值由AI根据用户输入和Tool Schema中的参数定义自动填充。

步骤③：Server端处理

Server收到请求后，首先验证参数是否符合Tool Schema定义------类型是否匹配、必填参数是否齐全。验证通过后，Server将参数映射为对真实工具的操作指令。以Playwright为例，Server调用Chromium的CDP协议打开指定URL的页面，等待加载完成，执行截图操作。

步骤④：结果封装与返回

Server将真实工具的输出封装为JSON-RPC响应。截图操作的结果是一张PNG图片，Server将其进行Base64编码后放入content数组的image类型条目中。

步骤⑤：结果呈现与上下文更新

Client收到响应后，将结果内容注入AI的上下文窗口。对于图片，Client将其显示在对话界面；对于文本，AI将其纳入后续推理的参考信息。此时AI可以继续生成文字回复，解释截图内容或建议下一步操作。

概念	说明
Tool Schema	每个MCP Server启动时向Client声明自己有哪些工具（名称、参数、描述），AI据此决定何时调用
JSON-RPC 2.0	轻量远程过程调用协议，MCP固定使用此格式；一个请求 = 一个method + params + id
stdio / SSE	传输层：本地MCP用标准输入输出（stdio），远程MCP用Server-Sent Events（SSE）
工具发现	Client启动时向每个Server发tools/list请求，获取可用工具清单

Tool Schema与工具发现机制

Tool Schema是MCP协议中最重要的元数据结构。每个MCP Server在启动时，会向Client声明自己提供的工具清单，每个工具的声明格式如下：

{
  "name": "browser_navigate",
  "description": "Navigate to a URL in the browser",
  "inputSchema": {

“type”: “object”, “properties”: { “url”: { “type”: “string”, “description”: “The URL to navigate to” } }, “required”: [“url”]

}
}

其中：

name：工具的唯一标识符，Client在调用时使用此名称
description：自然语言描述，AI模型据此判断何时该调用此工具------描述的质量直接影响AI的工具选择准确性
inputSchema：JSON Schema格式的参数定义，声明参数的名称、类型、是否必填

工具发现的完整流程如下：

Client启动，读取mcp.json配置文件，获取所有Server的启动命令
Client逐一启动Server进程，通过stdio/SSE建立连接
Client向每个Server发送tools/list请求
Server返回自己提供的所有工具的Schema声明
Client将所有工具的Schema汇总后注入AI的上下文
AI在后续对话中，根据这些Schema决定何时调用哪个工具

stdio vs SSE传输层对比

MCP协议支持两种传输层，适用于不同场景：

特性	stdio	SSE（Server-Sent Events）
通信方式	标准输入/输出流	HTTP长连接
适用场景	本地MCP Server	远程MCP Server
启动方式	Client直接启动Server子进程	Server独立运行，Client连接URL
跨网络	不支持	支持
配置示例	`"command": "npx", "args": [...]`	`"url": "http://localhost:4000/mcp"`
延迟	极低（本地IPC）	较高（网络往返）
安全性	本地隔离，天然安全	需要认证与加密
典型应用	本机安装的工具MCP	云端API、远程数据库MCP

本课程使用的8组MCP均采用stdio传输，因为所有工具都运行在本机。但在企业级应用中，SSE传输更为常见------例如银行内部部署的MCP网关，可以通过SSE将数据库查询能力安全地暴露给AI。

许多初学者会问：MCP不就是另一种API吗？二者有本质区别：

调用者不同：传统API由开发者在代码中硬编码调用；MCP由AI模型在运行时自主决策调用------AI根据Tool Schema的描述自动选择工具和填充参数
接口发现：传统API需要开发者查阅文档；MCP的工具发现是自动的------Client启动时自动获取所有工具清单
可组合性：传统API的调用链由开发者预设；MCP的调用链由AI动态编排------AI可以在一次对话中组合多个工具，形成前所未有的工作流
人与工具的关系：传统模式下人是”驾驶员”，直接操控每个API；MCP模式下人是”指挥官”，只描述目标，AI自主选择工具达成目标

一言以蔽之：传统API是”人→工具”的直接通道，MCP是”人→AI→工具”的智能中介层。这个中介层使得非技术人员也能通过自然语言驱动复杂工具链。

MCP生态全景

支持MCP的主流平台

截至2026年，已有超过1000个开源MCP连接器。主流支持平台包括：

Anthropic：Claude Desktop、Claude Code
OpenAI：ChatGPT、Agents SDK、Responses API
Google：Gemini SDK
Microsoft：Azure AI Services
开发工具：Zed、Replit、Codeium、Sourcegraph
国产IDE：腾讯CodeBuddy、通义灵码、字节TraeCN、百度Comate等均已支持MCP协议

这种跨平台支持意味着：你为一个Client编写的MCP Server，无需修改即可在所有支持MCP的平台上使用------这是标准化的真正力量。

常见MCP市场

市场	网址	说明
官方注册表	https://github.com/modelcontextprotocol/servers	MCP协议作者维护的reference servers + community servers列表
Smithery	https://smithery.ai	最活跃的第三方MCP市场，支持一键安装
MCP.so	https://mcp.so	中文友好的聚合站，按场景分类
PulseMCP	https://www.pulsemcp.com	含使用人数、更新频率排行
Glama MCP Directory	https://glama.ai/mcp/servers	服务器+客户端两个目录，有评分
Awesome MCP Servers	https://github.com/punkpeye/awesome-mcp-servers	GitHub收集向list

MCP生态发展趋势

MCP生态正在快速演化，以下三个方向值得关注：

1. 标准化深化

MCP协议本身仍在快速迭代。2025年发布了Streamable HTTP传输规范（替代SSE），2026年预计推出OAuth 2.1集成的认证标准。标准化进程由Linux基金会下的MCP工作组推进，确保协议的中立性与开放性。

2. 企业级应用

金融机构对MCP的关注点在于安全性与合规性。企业级MCP网关需要支持：基于角色的访问控制（RBAC）、操作审计日志、敏感数据脱敏、速率限制与配额管理。目前Microsoft Azure AI Services和Amazon Bedrock均提供了企业级MCP托管方案。

3. 安全认证体系

MCP安全模型正在从”本地信任”向”零信任”演进。关键进展包括：Server身份验证（防止恶意Server冒充合法工具）、调用签名（确保AI发出的工具调用未被篡改）、沙箱隔离（限制Server的文件系统与网络访问范围）。

本课程使用的8组MCP全景

组别	MCP名称	启动方式	主要能力
浏览器组	playwright	npx @playwright/mcp@latest	操作Chromium / Firefox / WebKit
浏览器组	chrome-devtools	npx -y chrome-devtools-mcp@latest	调用Chrome DevTools（Lighthouse等）
浏览器组	fetch	uvx mcp-server-fetch	直接抓网页/JSON API
Office组	excel	npx –yes @negokaz/excel-mcp-server	Excel读写、表格、格式、截图
Office组	word	uvx –from office-word-mcp-server word_mcp_server	Word读写、样式、目录、页码
Office组	ppt	uvx –from office-powerpoint-mcp-server ppt_mcp_server	PPT生成、模板、批量改稿
系统组	WindowsMCP.Net	Windows-MCP.Net.exe	Windows原生UI操作（窗口/键鼠）
数据分析组	stata-mcp	uvx stata-mcp	调用本机Stata跑计量回归

这8组MCP覆盖了金融从业者最常见的四类操作：数据采集（浏览器组）、文档处理（Office组）、系统操作（系统组）、数据分析（数据分析组）。后续各节将逐一详解。

MCP配置实操

找到配置文件路径

MCP的配置通过一个JSON文件完成，不同IDE的配置文件路径不同：

Windows（TRAE CN）：

按 Win + R，输入 %APPDATA%\Trae CN\User，找到 mcp.json。

完整路径：C:\Users\<你的用户名>\AppData\Roaming\Trae CN\User\mcp.json

macOS（TRAE CN）：

/Library/Application Support/Trae CN/User/mcp.json

Qoder对应路径：

Windows：%APPDATA%\Qoder\SharedClientCache\extension\local\mcp.json
macOS： /Library/Application Support/Qoder/SharedClientCache/extension/local/mcp.json

课程标准配置

把mcp.json内容替换为下列JSON（与本机讲师机一致）：

{
  "mcpServers": {

“fetch”: { “command”: “uvx”, “args”: [“mcp-server-fetch”] }, “playwright”: { “command”: “npx”, “args”: [“@playwright/mcp@latest”] }, “chrome-devtools”: { “command”: “npx”, “args”: [“-y”, “chrome-devtools-mcp@latest”] }, “excel”: { “command”: “npx”, “args”: [“—yes”, “@negokaz/excel-mcp-server”], “env”: { “EXCEL_MCP_PAGING_CELLS_LIMIT”: “10000” } }, “word”: { “command”: “uvx”, “args”: [“—from”, “office-word-mcp-server”, “word_mcp_server”] }, “ppt”: { “command”: “uvx”, “args”: [“—from”, “office-powerpoint-mcp-server”, “ppt_mcp_server”] }, “WindowsMCP.Net”: { “command”: “C:<br/>Users
<用户名>
.dotnet
tools
Windows-MCP.Net.exe”, “args”: [] }, “stata-mcp”: { “command”: “uvx”, “args”: [“stata-mcp”], “env”: { “STATA_PATH”: “C:<br/>Program Files
Stata18
StataMP-64.exe”, “MCP_STATA_LOGLEVEL”: “INFO” } }

}
}

macOS Stata路径示例：

"stata-mcp": {
  "command": "uvx",
  "args": ["stata-mcp"],
  "env": {

“STATA_PATH”: “/Applications/Stata/StataMP.app/Contents/MacOS/stata-mp”, “MCP_STATA_LOGLEVEL”: “INFO”

}
}

字段含义

字段	含义
mcpServers	顶层对象，键 = MCP名称（自定义），值 = 启动配置
command	实际启动二进制（npx / uvx / .exe绝对路径）
args	命令行参数，TRAE启动时按数组顺序拼接
env	环境变量；放API Key、路径、限制参数
disabled	true时不加载该MCP

理解这些字段的含义，有助于后续排查配置问题。其中env字段特别重要------许多MCP Server需要通过环境变量接收API密钥、安装路径等敏感信息，避免将这些信息硬编码在工具参数中。

MCP服务运行条件准备提示词

在TRAE IDE的Builder模式（Ctrl+U）中输入以下内容：

请为我准备智慧银行课程所需的所有 MCP 服务运行条件：

【1】安装核心依赖
1. 安装 uv：pip install uv
2. 安装 Windows-MCP.Net：dotnet tool install -g Windows-MCP.Net
3. 确认 Node.js >= v20、Python >= 3.10

【2】配置环境变量
1. 设置 STATA_PATH（设置前检查本机是否安装）
2. 设置 EXCEL_MCP_PAGING_CELLS_LIMIT=10000
3. 设置 MCP_STATA_LOGLEVEL=INFO

【3】配置 MCP 服务器
创建配置文件内容如下，请替换 <用户名> 为实际用户名：
（此处粘贴上方 mcp.json 内容）

【4】验证所有服务
1. 测试 fetch 服务能否正常获取网页
2. 测试 excel 服务能否创建表格
3. 测试 playwright 服务能否启动浏览器
4. 输出完整的配置报告和服务状态

请按步骤执行并输出详细的执行日志。

重启验证

完全退出TRAE（任务栏右键 → 退出）
重新打开TRAE
在Builder模式输入：请用playwright打开百度首页并截图
AI自动调用MCP → 浏览器弹出 → 截图回传 = 配置成功

配置常见问题

现象	原因	解决
找不到npx	Node.js未装或未加入PATH	重装Node.js，勾选Add to PATH
找不到uvx	未装uv	pip install uv或winget安装
MCP工具不出现	mcp.json语法错误	把整段JSON贴给AI，让它检查格式
playwright报错	首次运行需下载浏览器内核	AI会执行npx playwright install，等待
stata-mcp报错	STATA_PATH不正确	改为本机Stata实际安装路径

浏览器组MCP：金融网页数据采集

浏览器组包含三个MCP Server，分别负责不同的数据采集场景：Playwright MCP提供完整的浏览器自动化能力，Chrome DevTools MCP提供网页质量审计能力，Fetch MCP提供轻量级HTTP请求能力。三者协同，覆盖了金融数据采集的完整需求链。

Playwright MCP详解

工具能力清单

Playwright MCP基于微软Playwright测试框架，可以驱动Chromium、Firefox和WebKit三种浏览器引擎。其核心工具包括：

工具名	功能
`browser_navigate`	导航到指定URL
`browser_click`	点击页面元素
`browser_fill`	填写表单输入框
`browser_screenshot`	对当前页面截图
`browser_evaluate`	在页面上下文执行JavaScript
`browser_select_option`	选择下拉菜单选项
`browser_hover`	鼠标悬停触发交互
`browser_type`	模拟键盘输入
`browser_wait`	等待元素出现或页面加载

其中最常用的五个工具是navigate（打开页面）、screenshot（截图）、click（点击）、fill（填表）和evaluate（执行JS）。evaluate工具尤为强大------它允许在浏览器上下文中执行任意JavaScript代码，可以提取页面中的动态数据（如AJAX加载的表格内容）。

示范提示词

请用 playwright MCP 完成：
1. 打开 https://www.cmbchina.com（招商银行官网）；
2. 截图保存为 figures/cmb_home.png；
3. 对该页面跑 lighthouse_audit，输出"性能/可访问性/最佳实践/SEO"四项分数；
4. 用 100 字中文总结这家银行官网的优缺点。

学生练习：选择家乡的一家城商行/农商行官网，重复上述4步。

在金融行业，Web自动化有三大核心应用场景：

场景一：公开数据采集。银行官网、交易所网站、监管机构公示平台包含大量结构化数据（理财产品列表、公告信息、利率报价），但这些数据往往没有提供API接口。Playwright可以模拟用户浏览操作，自动提取页面数据。

场景二：业务流程监控。银行需要持续监控自身及竞品的线上渠道表现------网页是否正常加载、关键业务入口是否可达、页面响应时间是否达标。Playwright的截图+评估组合，可以自动化这一监控流程。

场景三：合规性验证。金融监管要求银行网站满足可访问性标准（如WCAG 2.1），确保残障人士可以使用。Chrome DevTools的Lighthouse审计可以自动检测可访问性合规情况。

需要注意的是，Web自动化采集必须遵守目标网站的robots.txt规则和服务条款，不得过度请求导致服务器压力，也不得采集非公开的个人隐私数据。

Chrome DevTools MCP

Lighthouse审计指标详解

Chrome DevTools MCP的核心能力是调用Lighthouse引擎对网页进行全方位审计。Lighthouse从四个维度评估网页质量：

维度	权重	关键指标
性能（Performance）	高	首次内容绘制（FCP）、最大内容绘制（LCP）、累积布局偏移（CLS）、首次输入延迟（FID）
可访问性（Accessibility）	高	对比度、Alt文本、ARIA标签、键盘导航
最佳实践（Best Practices）	中	HTTPS使用、安全漏洞、浏览器错误
SEO（搜索引擎优化）	中	标题标签、Meta描述、结构化数据、移动友好性

每个维度的分数范围是0—100分。对于银行官网，通常关注性能和可访问性两个维度------性能影响用户体验和转化率，可访问性则关乎监管合规。

L1任务提示词

请用 chrome-devtools MCP 完成：
1. 打开 https://www.cmbchina.com（招商银行官网）；
2. 截图保存为 figures/cmb_home.png；
3. 对该页面跑 lighthouse_audit，输出"性能/可访问性/最佳实践/SEO"四项分数；
4. 用 100 字中文总结这家银行官网的优缺点。

Fetch MCP

RESTful API概念简述

RESTful API是当今Web服务的主流架构风格。其核心思想是：将一切数据抽象为”资源”，通过HTTP动词（GET/POST/PUT/DELETE）对资源进行操作。理解RESTful API有助于使用Fetch MCP高效获取金融数据。

HTTP动词	操作	示例
GET	获取资源	获取实时汇率
POST	创建资源	提交订单
PUT	更新资源	修改利率设置
DELETE	删除资源	取消订阅

Fetch MCP本质上是AI驱动的HTTP客户端------它可以根据自然语言指令自动构造正确的HTTP请求，并解析返回的JSON/HTML内容。相比Playwright，Fetch更轻量、更快速，但不能处理需要JavaScript渲染的动态页面。

金融API数据获取

金融行业有大量公开API提供实时数据。以下是一些典型场景：

汇率数据：中国银行、央行公布的外汇牌价
利率数据：LPR贷款市场报价利率、各期限存款利率
公告信息：上市公司公告、银行新闻动态
宏观数据：国家统计局GDP、CPI、PMI等数据

拓展任务B：实时汇率/利率数据获取

任务：使用 fetch MCP 调用银行公开 API 获取实时金融数据

1. 使用 fetch MCP 访问中国银行外汇牌价页面，提取当日主要货币买入/卖出汇率
2. 使用 fetch MCP 获取 LPR 贷款市场报价利率
3. 将汇率数据和利率数据整理为 Markdown 表格输出
4. 撰写 50 字简评：当前汇率走势对银行外汇业务的影响

拓展任务C：手机端 vs PC端对比审计

任务：对比同一银行官网在不同设备上的表现

1. 用 playwright 以默认 PC 视口（1920x1080）打开建设银行官网，截图保存
2. 用 playwright 设置 iPhone 14 视口（390x844）重新打开同一页面，截图保存
3. 分别对两个视口跑 lighthouse 审计，对比性能分数差异
4. 撰写 150 字分析报告：该银行响应式设计的优劣势

某研究团队使用Playwright MCP + Chrome DevTools MCP对10家上市银行官网进行自动化审计，流程如下：

步骤1：使用Playwright依次打开10家银行官网首页，截图存档。

步骤2：使用Chrome DevTools的Lighthouse对每个页面进行审计，获取性能/可访问性/SEO/最佳实践四项分数。

步骤3：使用Fetch MCP获取各银行官网的页面源码，提取关键元数据（页面大小、请求数、JS体积）。

步骤4：使用Excel MCP将审计结果汇总为对比表格，生成柱状图和雷达图。

关键发现：大型国有银行官网的平均性能分数（62分）显著低于股份制银行（78分），主要原因是国有银行官网页面元素更多、第三方脚本更重。在可访问性维度，所有银行均未达到WCAG 2.1 AA级标准------这是监管合规的潜在风险点。

这一案例展示了浏览器组三MCP协同工作的典型模式：Playwright负责操作、DevTools负责审计、Fetch负责轻量抓取。

Office组MCP：金融文档自动化

Office组包含Excel、Word、PPT三个MCP Server，分别处理电子表格、文字文档和演示文稿。在金融行业，这三类文档构成了日常工作的核心产出物------从数据报表到合规报告，从投研简报到年报演示，Office组MCP可以实现从数据到文档的全链路自动化。

Excel MCP

工具能力清单

Excel MCP（@negokaz/excel-mcp-server）提供了完整的电子表格操作能力：

能力类别	具体功能
文件操作	创建/打开/保存/另存为Excel文件
数据读写	读取单元格、写入单元格、批量读写区域
格式设置	字体、颜色、边框、对齐方式、数字格式
公式计算	插入公式、自动计算、引用跨Sheet
图表生成	柱状图、饼图、折线图、散点图
Sheet管理	新建/重命名/删除/复制Sheet
筛选排序	自动筛选、条件筛选、多列排序

L2任务：销售数据分析

任务：让 AI 操作 Excel 完成数据处理

【1】数据准备
1. 在当前目录创建"销售数据"文件夹
2. 创建包含以下内容的 Excel 文件"销售记录.xlsx"：
- Sheet1 命名为"销售数据"
- 表头：日期、产品名称、销售额、数量、客户类型
- 至少包含 10 条模拟销售数据（2024 年 1 月数据）

【2】Excel 操作任务
1. 读取"销售记录.xlsx"文件
2. 添加"单价"列（销售额/数量）
3. 添加"利润率"列（假设利润率=30%，计算利润额）
4. 按客户类型分组汇总销售额
5. 筛选出销售额大于 1000 的记录
6. 创建新 Sheet"汇总报表"，包含各产品总销售额、各客户类型销售占比、平均单价

【3】数据可视化
1. 在"汇总报表"Sheet 中创建柱状图展示各产品销售额
2. 创建饼图展示客户类型占比

【4】保存与输出
1. 另存为"销售分析报告.xlsx"
2. 输出分析报告摘要（Markdown 格式）

银行运营中存在大量重复性报表工作，典型场景包括：

日报/周报/月报：各网点需每日汇总存贷款余额、交易量、客户增长数据，向上级行报送。传统方式需要人工从多个系统导出数据，手动粘贴到Excel模板中，耗时且易错。

监管报表：银保监会要求银行定期提交各类监管报表（如流动性覆盖率、资本充足率），这些报表的数据来源分散，格式要求严格。Excel MCP可以自动从多个数据源提取数据，按监管模板填充并校验。

客户分析报告：客户经理需要定期生成分群报告（如按资产规模、交易活跃度、产品偏好分群），Excel MCP可以自动完成分群计算、统计汇总和图表生成。

Excel MCP的价值在于：将”人手动操作Excel”的模式转变为”人描述需求，AI驱动Excel自动完成”的模式，大幅提升效率并降低错误率。

故障排除：

请诊断 Excel MCP 服务问题：
1. 检查 Excel MCP 服务是否已启动
2. 测试基本读取功能
3. 检查环境变量配置
4. 输出详细错误信息

拓展任务A：银行客户信用评分分群

构建银行客户信用评分分群模型，包含信用评分计算、风险等级划分、分群分析、可视化输出。

拓展任务B：银行网点绩效KPI仪表盘

构建银行网点绩效KPI仪表盘，包含KPI计算、综合得分排名、仪表盘输出。

Word MCP

银行文档标准化需求

银行业是高度监管的行业，文档的格式与内容都有严格规范。常见的标准化文档包括：

合规报告：反洗钱报告、内部审计报告、风险管理报告------需要固定的章节结构、签名区域、保密等级标识
客户函件：贷款审批通知、账户变更确认、产品推荐信------需要统一的信头、收件人格式、落款
内部简报：周度业务简报、市场分析简报------需要标准化的标题层级、图表插入规范、免责声明

Word MCP（office-word-mcp-server）提供文档创建、样式设置、目录生成、页码插入等能力，可以按照预设模板自动生成符合规范的银行文档。

L3 Word+PPT任务提示词

详见3.5.3节的综合任务------Word与PPT通常配合使用，Word生成完整文档后，PPT提取关键信息生成演示文稿。

PPT MCP

投研报告演示规范

投资研究报告的演示文稿需要遵循”结论先行、数据支撑、风险提示”的三段式结构。一份标准的投研PPT应包含：

封面页：报告标题、机构名称、分析师姓名、日期
核心观点页：3—5条关键结论，每条不超过20字
数据支撑页：关键财务指标的表格与图表
详细分析页：业务亮点、风险因素的展开论述
风险提示页：投资风险的明确提示（合规要求）

PPT MCP（office-powerpoint-mcp-server）支持基于模板生成PPT、批量修改幻灯片、插入图表等操作，可以快速将Word文档内容转换为演示文稿。

银行年报简报生成任务

任务：工商银行 2025 年报速读简报

请使用 fetch + word + ppt 三个 MCP 服务协同完成以下任务：

【第 1 步】抓取年报数据
使用 fetch MCP 获取工商银行 2025 年报摘要信息：
1. 搜索并访问工商银行 2025 年报官方页面
2. 获取关键数据：年度营收、净利润、不良贷款率、ROE、主要业务亮点、主要风险提示
3. 将获取的数据整理为结构化信息

【第 2 步】生成 Word 文档
使用 word MCP 在 reports/ 目录生成 icbc_brief.docx：
1. 封面页（标题、副标题、制作人、日期）
2. 目录页（自动生成）
3. 关键财务指标（表格）
4. 业务亮点（>=3 条）
5. 风险提示（>=2 条）

【第 3 步】生成 PPT 演示文稿
使用 ppt MCP 把 docx 内容转换为 5 页 PPT，保存为 reports/icbc_brief.pptx

【整体要求】
- 风格：商务蓝色主题
- 语言：简体中文
- 数据：如无法获取真实数据，请使用合理估算数据并标注"估算数据"

学生练习：每组随机抽一家上市银行，重复流程产出自己的银行简报。

以下是一个完整的银行年报速读简报自动化工作流，展示了Fetch + Word + PPT三MCP协同工作的实际过程：

输入：「请为招商银行生成2025年报速读简报」

Step 1 --- 数据采集（Fetch MCP）

AI使用Fetch MCP访问招商银行年报页面，提取关键财务数据：

营业收入：3,391亿元（同比+6.2%）
净利润：1,483亿元（同比+5.8%）
不良贷款率：0.92%（较上年下降0.03个百分点）
ROE：15.6%
业务亮点：财富管理AUM突破12万亿、金融科技投入占比4.2%
风险提示：房地产贷款集中度较高、净息差收窄压力

Step 2 --- 文档生成（Word MCP）

AI使用Word MCP生成结构化文档：

自动创建封面页，包含标题、副标题、生成日期
插入关键财务指标表格（5行3列）
生成业务亮点章节（3个要点，每点配数据支撑）
生成风险提示章节（2个风险点，附缓释措施）
自动生成目录页

Step 3 --- 演示生成（PPT MCP）

AI使用PPT MCP将Word内容转换为5页演示文稿：

第1页：封面（招商银行2025年报速读简报）
第2页：核心财务指标（表格展示）
第3页：业务亮点（图标+要点）
第4页：风险提示（警示标识+说明）
第5页：总结与展望

全流程耗时：约2—3分钟（人工操作需1—2小时）

数据分析组MCP：Stata计量经济学

stata-mcp基础回归任务

用到：stata-mcp（3个工具：stata_run_selection / stata_run_file / stata_session）

示范提示词：

任务：商业银行盈利能力影响因素回归分析

请使用 stata-mcp 服务完成以下计量分析任务：

【数据来源（任选其一）】
1. 公开数据集：620 家商业银行财务数据（2007-2024）
2. 手动构建：如无外部数据，使用 Stata 生成模拟面板数据

【第 1 步】数据准备与探索
1. 尝试读入 data/bank_panel.dta；如不存在则使用 webuse grunfeld
2. 使用 summarize 查看关键变量描述统计

【第 2 步】回归分析
1. 基础 OLS 回归：reg roe npl_ratio car loan_growth log(asset), robust
2. 添加控制变量：reg roe npl_ratio car loan_growth log(asset) i.year, robust
3. 固定效应模型（使用 reghdfe）：reghdfe roe npl_ratio car loan_growth, absorb(bank_id year) robust

【第 3 步】结果输出
1. 使用 esttab 命令输出三列回归结果到 reports/exp2_l4_reg.txt
2. 撰写 200-300 字分析结论

两种Stata MCP方案对比

目前社区存在两个主要的Stata MCP项目，功能定位不同：

特性	hanlulong/stata-mcp	SepineTam/mcp-for-stata
类型	VS Code扩展（localhost HTTP）	独立MCP Server + CLI
适用客户端	需IDE窗口活动	所有MCP客户端
执行方式	IDE内嵌via localhost:4000	do文件via subprocess
安全机制	—	Command Guard + RAM监控
数据分析	—	CSV/DTA/XLSX/SPSS处理器
安装方式	VS Code市场搜索	uvx stata-mcp install –all
最佳场景	在IDE中编写运行Stata	Agent驱动分析

hanlulong方案详细配置

项目	信息
GitHub	https://github.com/hanlulong/stata-mcp
VS Code市场	DeepEcon.stata-mcp
当前版本	0.5.2
要求	Stata 17+ / UV包管理器
平台	Windows / macOS / Linux

MCP工具清单（3个工具）：

stata_run_selection --- 运行代码片段
stata_run_file --- 运行.do文件
stata_session --- 会话管理（list / destroy）

端点地址：

端点	协议	用途
http://localhost:4000/mcp-streamable	Streamable HTTP	首选（现代客户端）
http://localhost:4000/mcp	SSE	旧版兼容
http://localhost:4000/health	HTTP GET	健康检查

快捷键：

操作	Mac	Win/Linux
运行选中代码	Cmd+Shift+Enter	Ctrl+Shift+Enter
运行整个.do文件	Cmd+Shift+D	Ctrl+Shift+D
停止执行	Cmd+Shift+C	Ctrl+Shift+C

SepineTam方案简介

# 一键安装所有客户端
uvx stata-mcp install --all

# 单客户端安装示例
uvx stata-mcp install -c claude
uvx stata-mcp install -c cursor

# 环境检查
uvx stata-mcp doctor

各客户端配置方式

客户端	配置方式
Qoder / Claude Desktop	`"stata-mcp": {"command": "npx", "args": ["-y", "mcp-remote", "http://localhost:4000/mcp-streamable"]}`
Claude Code	`claude mcp add --transport http stata-mcp http://localhost:4000/mcp-streamable --scope user`
Cursor	`{"mcpServers": {"stata-mcp": {"url": "http://localhost:4000/mcp-streamable"}}}`
GitHub Copilot	`{"servers": {"stata-mcp": {"type": "http", "url": "http://localhost:4000/mcp-streamable"}}}`
Codex	`codex mcp add stata-mcp --url http://localhost:4000/mcp-streamable`
Cline	`{"mcpServers": {"stata-mcp": {"url": "http://localhost:4000/mcp-streamable"}}}`

故障排除

问题	解决方案
服务未启动	检查状态栏是否显示”Stata”；执行curl http://localhost:4000/health
端口冲突	修改stata-vscode.mcpServerPort设置
Stata未找到	手动设置stata-vscode.stataPath指向安装目录
UV安装失败	手动运行curl -LsSf https://astral.sh/uv/install.sh \| sh
输出截断	调整maxOutputTokens（0 = 无限制）
MCP工具未出现	重启IDE/客户端（MCP工具列表不会在同一会话中刷新）
Copilot未识别	确认VS Code >= 1.102且组织Copilot策略已启用MCP

macOS配置说明

macOS用户需要在mcp.json中将STATA_PATH设置为：

/Applications/Stata/StataMP.app/Contents/MacOS/stata-mp

并确保已安装DeepEcon.stata-mcp扩展（VS Code / Qoder扩展市场搜索安装）。

Python替代方案

若无Stata环境，可用Python替代：

import pandas as pd
import statsmodels.formula.api as smf

df = pd.read_stata("data/bank_panel.dta")
model = smf.ols("roe ~ npl_ratio + car + loan_growth + np.log(asset)",

data=df).fit(cov_type=“cluster”, cov_kwds={“groups”: df[“bank_id”]})

print(model.summary())

在使用Stata进行面板数据分析时，选择合适的估计方法至关重要。以下是OLS、固定效应（FE）和随机效应（RE）三种方法的选择逻辑：

1. 混合OLS（Pooled OLS）

适用条件：个体效应与解释变量不相关，即 $E(\alpha_i | X_{it}) = 0$ 。

命令：reg y x1 x2, robust

问题：忽略了个体异质性，若存在未观测的个体效应，估计结果有偏。

2. 固定效应模型（Fixed Effects, FE）

适用条件：个体效应 $\alpha_i$ 与解释变量相关，即 $E(\alpha_i | X_{it}) \neq 0$ 。

命令：reghdfe y x1 x2, absorb(id year) robust

优势：通过组内去均值消除个体效应，获得一致估计。

局限：无法估计不随时间变化的变量（如银行类型、注册地）。

3. 随机效应模型（Random Effects, RE）

适用条件：个体效应 $\alpha_i$ 与解释变量不相关，且 $\alpha_i$ 是随机抽取的。

命令：xtreg y x1 x2, re robust

优势：可以利用组间变异，估计不随时间变化的变量。

局限：若个体效应与解释变量相关，估计不一致。

选择策略：

首先进行Hausman检验：hausman fe re------若显著（ $p < 0.05$ ），选择FE；否则选择RE
在金融实证中，由于银行间异质性很强（规模、地域、业务结构差异大），大多数情况下应选FE
若关注不随时间变化的变量效应，可以采用FE + RE的组合策略（先FE估计时变效应，再RE估计时不变效应）

进阶：对于动态面板（被解释变量滞后项作为解释变量），需要使用系统GMM估计：xtabond2 y L.y x1 x2, gmm(L.y) iv(x1 x2) twostep robust。

MCP组合编排与工作流设计

多MCP协同工作的设计模式

在实际金融工作中，单一MCP往往无法完成复杂任务。例如，“生成银行年报简报”需要Fetch（数据采集）→ Excel（数据处理）→ Word（文档生成）→ PPT（演示生成）四个MCP的协同。这种多MCP协同可以归纳为三种设计模式：

模式一：流水线模式（Pipeline）

MCP按固定顺序依次执行，前一个MCP的输出作为后一个MCP的输入。这是最常见的模式：

Fetch → Excel → Word → PPT
| (采集) | (处理) | (文档) | (演示) |

流水线模式的优点是逻辑清晰、易于调试；缺点是灵活性较低，无法根据中间结果动态调整后续步骤。

模式二：并行模式（Parallel）

多个MCP同时执行独立任务，最后汇总结果：

Playwright ──→ 截图 + 审计数据
↓ 汇总
Fetch ──────→ API数据    → Excel → 综合报告

并行模式适用于各子任务互不依赖的场景------例如同时采集多家银行的数据。

模式三：条件分支模式（Conditional）

根据前一步的结果决定后续调用哪个MCP：

Fetch → 数据格式判断
├── JSON格式 → 直接解析 → Excel
└── HTML格式 → Playwright渲染 → 截图 → OCR → Excel

条件分支模式需要AI具备较强的推理能力，能根据中间结果做出正确判断。

工作流编排案例：银行分析全链路

以下是一个典型的银行分析全链路工作流，展示了Fetch→Excel→Word→PPT四MCP协同：

任务描述：为某上市银行自动生成季度经营分析报告。

Step 1 --- 数据采集（Fetch MCP）

使用 fetch MCP 获取以下数据：
1. 该银行最新季报关键财务指标（营收、净利润、不良率、拨备覆盖率）
2. 同期LPR利率数据
3. 行业平均指标（来自银保监会公开数据）

Step 2 --- 数据处理（Excel MCP）

使用 Excel MCP 完成以下处理：
1. 创建"原始数据"Sheet，存入采集到的所有数据
2. 创建"对比分析"Sheet，计算该行与行业平均的偏离度
3. 创建"趋势分析"Sheet，生成近4个季度的趋势图表
4. 创建"综合评分"Sheet，基于多维度指标计算综合评分

Step 3 --- 文档生成（Word MCP）

使用 word MCP 生成分析报告文档：
1. 封面：XX银行2025Q1经营分析报告
2. 摘要：200字核心结论
3. 财务指标分析：引用Excel中的表格和图表
4. 同业对比分析：与行业平均的对比
5. 风险提示：主要风险点及缓释措施
6. 结论与建议：投资建议

Step 4 --- 演示生成（PPT MCP）

使用 ppt MCP 生成5页演示文稿：
1. 封面页
2. 核心指标概览（表格）
3. 趋势分析（图表）
4. 同业对比（雷达图）
5. 结论与建议

MCP调用顺序与依赖管理

多MCP协同工作时，调用顺序至关重要。以下是几条实用原则：

数据先行：Fetch/Playwright等采集类MCP应最先执行，确保后续步骤有数据可用
处理居中：Excel等数据处理MCP应在采集之后、输出之前执行
输出在后：Word/PPT等文档生成MCP应在数据处理完成后执行
中间产物保存：每一步的输出应保存为文件，而非仅存在于AI上下文中------这确保了步骤间的解耦，即使某步失败也可以从中间状态恢复

在AI的实际执行中，这些顺序通常由AI自主判断。但用户可以在提示词中通过编号（【第1步】【第2步】…）显式指定执行顺序，减少AI的决策不确定性。

错误处理与回退策略

MCP调用可能因各种原因失败------网络超时、文件路径错误、工具参数不合法等。以下是推荐的错误处理策略：

错误类型	常见原因	回退策略
MCP服务不可用	服务未启动或进程崩溃	重启服务后重试；若持续失败则跳过该MCP
工具调用超时	网络慢或任务耗时过长	设置超时阈值；使用分段执行
参数错误	AI生成了不合Schema的参数	让AI重新检查Tool Schema后重试
输出为空	目标页面无内容/API无数据	切换数据源（如Fetch失败换Playwright）
文件操作失败	路径不存在/权限不足	先创建目录；检查文件权限

本章小结

本章系统介绍了MCP协议的理论基础与实践应用。

在理论层面，MCP是一种开放标准，通过三层架构（Client/Server/Tool）和JSON-RPC 2.0通信协议，实现了AI与外部工具的标准化连接。与传统API调用不同，MCP的关键创新在于将工具选择权交给AI模型------AI根据Tool Schema的描述自主决定调用哪个工具、传入什么参数，用户只需用自然语言描述目标。

在实践层面，本章详细讲解了浏览器组（Playwright/Chrome DevTools/Fetch）、Office组（Excel/Word/PPT）和数据分析组（Stata）共8组MCP的配置与使用。每个MCP都通过具体的金融场景任务进行了演示，从银行官网审计到客户分群报表，从年报简报到计量回归分析。

在编排层面，多MCP协同工作可以采用流水线、并行和条件分支三种模式。关键原则是：数据先行、处理居中、输出在后、中间产物保存。

掌握MCP的核心口诀：「MCP给能力，Skill给方法」------MCP提供工具能力，而如何用好这些工具则需要Skill（下一章主题）的指导。

MCP协议的三层架构中，为什么将Server层与真实工具层分开？如果合并为一层会有什么问题？
比较stdio传输与SSE传输的适用场景。如果你需要在企业内网部署一个MCP网关（连接内部数据库），应该选择哪种传输方式？为什么？
在金融数据采集中，Playwright MCP和Fetch MCP各有何优劣？什么场景下应该优先选择Fetch而非Playwright？
面板数据回归中，Hausman检验拒绝了随机效应模型（ $p < 0.01$ ），但你关心的核心解释变量是一个不随时间变化的变量（如银行注册地所在省份）。此时应如何选择估计策略？
实操设计题：请设计一个MCP组合编排工作流，实现「自动监控某上市银行官网公告，当出现新的利润分配公告时，自动提取关键数据，生成分析简报（Word+PPT），并发送通知」。要求：

- 列出需要使用的MCP组合及调用顺序

- 写出关键步骤的提示词框架

- 设计错误处理与回退策略

#	交付物	形式
1	4关每关一段录屏GIF（≤10s） gif/e	xp2_L1.gif … exp2_L4.gif
2	L1 lighthouse报告 + 银行截图	reports/exp2_l1.md
3	L2 客户分群报表	reports/exp2_l2.xlsx + 截图
4	L3 银行简报	reports/icbc_brief.docx + .pptx
5	L4 Stata回归结果 + 结论	reports/exp2_l4_reg.txt + 结论
6	自画MCP调用流程图（mermaid）	figures/exp2_mcp_flow.mmd