Claude Code 不止生成代码

很多开发者第一次使用 Claude Code 时，最常见的方式是打开终端，把需求粘进去，让它生成代码、解释报错、修改文件。这个方式当然有价值，但它本质上仍然是“问答式编程”。AI 负责回答，开发者负责复制、验证、排错、补充上下文。随着项目规模变大，这种模式很快会遇到瓶颈：AI 看不见完整项目结构，无法判断数据库真实数据，也不能主动打开页面验证结果，更记不住前几天讨论过的项目约定。

这也是 MCP 值得关注的原因。MCP 的全称是 Model Context Protocol，它的作用可以理解为给 AI Agent 接入外部工具和真实上下文。Claude Code 本身已经具备较强的代码理解和编辑能力，但如果没有 MCP，它更多还是依赖开发者手动喂上下文；接入 MCP 后，它可以读取文件、查询文档、操作浏览器、连接数据库、保存长期记忆，甚至在复杂问题上进行结构化拆解。换句话说，Claude Code 的上限不只取决于模型能力，还取决于它能接触到多少真实工程环境。

一、filesystem：让 Claude Code 真正进入项目目录

最基础也最重要的 MCP 是 filesystem。它让 Claude Code 能够在指定项目目录中读写文件、跨文件检索、批量修改，而不是让开发者一段一段复制代码。

典型配置如下：

{
  "mcpServers": {
    "filesystem": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-filesystem", "D:/work/myproject"]
    }
  }
}

有了它之后，开发者可以直接提出类似需求：“把 services/ 目录下所有旧版鉴权逻辑找出来，统一替换成新中间件。” Claude Code 就不再只是生成一段参考代码，而是可以基于项目目录进行定位、修改和整理。

这里有一个关键细节：路径建议使用绝对路径。尤其在 Windows 环境中，路径最好使用正斜杠 /，因为反斜杠在 JSON 中容易被转义，导致配置异常。这个问题看起来很小，但在实际配置 MCP 时非常常见。

二、context7：避免模型写出过时 API

很多前端和全栈项目都依赖快速迭代的框架，例如 Next.js、Prisma、Tailwind 等。模型的训练数据存在时间边界，所以它很可能写出两年前还能用、现在已经废弃的 API。context7 的价值就在于让 Claude Code 先查询最新官方文档，再根据当前版本写代码。

配置示例：

{
  "context7": {
    "command": "npx",
    "args": ["-y", "@upstash/context7-mcp"]
  }
}

在实际使用时，可以在提示词中加入“按最新官方文档实现”这样的要求。这样 Claude Code 会优先参考当前文档，而不是完全依赖模型记忆。对于框架升级、依赖迁移、组件改写等任务，这一点非常重要。

三、playwright：让 AI 不只说“改好了”，而是真的验证

很多 AI 编程翻车都发生在同一个环节：它说代码已经改好，但开发者一运行页面才发现报错。playwright 可以把 Claude Code 从“代码生成者”进一步变成“结果验证者”。它可以打开浏览器、点击按钮、填写表单、截图并观察页面状态。

例如在修改登录页后，可以直接要求：

改完后请用 playwright 打开 localhost:3000，
走一遍登录流程，截图并检查控制台报错。
如果失败，请继续修复直到通过。

这样工作流就从“生成代码”变成了“生成代码 + 自动验证 + 根据错误继续修复”。尤其是前端页面、表单、登录流程、后台管理系统等场景，playwright 可以显著降低人工点测成本。

不过首次使用时要注意安装浏览器依赖：

npx playwright install chromium

否则 Claude Code 可能会因为找不到浏览器环境而无法执行验证。

四、postgres：用真实数据定位问题，而不是靠猜

后端调试中经常遇到一种情况：接口返回金额不对、订单状态异常、统计结果和后台数据对不上。传统方式是开发者自己查 SQL、看日志、对字段。接入 postgres 这类数据库 MCP 后，Claude Code 可以直接读取 schema、执行 SELECT 查询，并结合代码逻辑定位问题。

配置示例：

{
  "postgres": {
    "command": "npx",
    "args": [
      "-y",
      "@modelcontextprotocol/server-postgres",
      "postgresql://readonly:pwd@127.0.0.1:5432/mydb"
    ]
  }
}

这里最重要的原则是：必须使用只读账号。AI Agent 可以帮助查询数据、验证假设，但不应该直接拿到生产库写权限。给 Agent 一个可以删除表、修改数据的连接串，本质上是在给线上事故埋雷。

在企业或团队场景中，如果项目同时接入多个模型 API，也可以把 koalaapi 作为补充的 API 聚合接入层，用于简化不同模型服务的调用入口；但 MCP 负责的是工具和上下文连接，两者在工程链路中的位置并不相同。

五、memory：让长周期项目不再每天重讲一遍

Claude Code 很适合处理短任务，但长周期重构、多人协作项目、持续迭代需求会暴露一个问题：上下文断开后，很多约定需要重复说明。memory MCP 的作用是保存项目约定、开发偏好、已完成任务和踩坑记录。

例如第一次会话中告诉它：

本项目禁止使用 uv，统一使用 pip + venv。
接口返回格式必须遵守统一 Result<T> 结构。

如果这些信息被写入 memory，后续新开会话时，Claude Code 就能继续遵守这些约定，不会反复给出不符合项目规范的建议。对于持续开发两三天以上的任务，这个能力非常实用。

六、sequential-thinking：复杂问题先拆解，再动手

并发 bug、复杂重构、性能瓶颈、跨模块调用链分析，都不适合让模型直接“一口气给答案”。sequential-thinking 的作用是让 Claude Code 显式分步推理：先列出可能原因，再逐一验证，最后给出修改方案。

例如可以这样要求：

这个并发问题复现条件很苛刻。
请先分步推理可能的竞态路径，
每一步都说明需要验证什么，
不要直接改代码。

这种方式能减少“看起来合理、实际跑不通”的方案。它尤其适合和数据库 MCP、文件系统 MCP 一起使用：先查真实数据，再看源码，再判断问题发生在哪个环节。

七、4 条最实用的组合工作流

单个 MCP 是工具，真正提升效率的是组合使用。

第一条是 文档先行开发：用 context7 + filesystem，先查最新文档，再落地到项目文件中，适合框架升级和新功能开发。

第二条是 带记忆的长任务：用 memory + filesystem，把目标、约束、已完成内容、待办事项写入长期记忆，适合跨天重构。

第三条是 改完即验证闭环：用 filesystem + playwright，前端改动后自动打开页面、走流程、截图、继续修复，避免“改完才发现没跑通”。

第四条是 数据驱动调试：用 postgres + sequential-thinking，先查真实数据，再分步分析逻辑错误，适合金额、订单、统计、权限等后端问题。

八、MCP 配置不是越多越好

MCP 的价值很高，但并不意味着越多越强。每个 MCP 都会占用一定上下文预算，工具太多反而会增加调用复杂度。建议常驻 5～8 个比较舒服，这个判断对大多数个人开发者和中小项目都比较现实。

实践中可以优先保留这几类：文件系统、最新文档、浏览器验证、数据库只读查询、长期记忆、复杂推理。至于临时工具，可以按项目阶段开启，用完再关闭。

另外，配置修改后也要注意重启。Claude Desktop 修改 claude_desktop_config.json 后通常需要重启进程；Claude Code 的 .mcp.json 则是按项目加载。npx 第一次启动会拉取依赖，速度较慢，不要误以为配置失败。

结语

Claude Code 的真正价值，不只是让 AI 写几段代码，而是让它进入真实研发流程：能读项目、能查文档、能跑浏览器、能看数据库、能记住规则、能分步验证。裸用 Claude Code，得到的是一个强大的代码问答助手；配好 MCP，得到的才更接近一个可协作、可验证、可持续工作的工程 Agent。

对于开发者来说，MCP 的核心思路不是堆工具，而是补齐 AI 编程最薄弱的环节：上下文、验证和记忆。把这三件事做好，AI 编程的效率提升才不会停留在“生成得快”，而是进入“改得准、跑得通、接得上”的工程化阶段。