MCP SuperAssistant：打破AI助手信息孤岛，实现本地工具无缝调用

1. 项目概述：打破AI助手的“信息孤岛”

如果你和我一样，每天都在和ChatGPT、Claude、Gemini这些AI助手打交道，那你一定遇到过这个痛点：它们很聪明，但总感觉“不接地气”。你想让它帮你分析一下刚下载的CSV文件，它说“我无法访问你的本地文件”；你想让它查查你GitHub仓库里最新的issue，它也只能表示爱莫能助。这些AI助手就像被困在了一个“信息孤岛”里，空有一身本领，却无法触及你工作流中真正重要的数据和工具。

这正是MCP（Model Context Protocol，模型上下文协议）要解决的问题。简单来说，MCP是一个由Anthropic提出的开放协议，它就像给AI助手装上了一套标准的“USB接口”和“驱动程序”，让它们能够安全、规范地连接到你的文件系统、数据库、API服务等任何数据源。而MCP SuperAssistant这个Chrome扩展，则是一个“万能转换器”。它把MCP的能力带到了几乎所有主流的网页版AI聊天平台，包括ChatGPT、Perplexity、Google AI Studio、GitHub Copilot等十多个服务。这意味着，你不再需要为了使用某个特定工具而切换平台或安装笨重的客户端，直接在熟悉的网页聊天框里，就能指挥AI调用你本地的工具，完成那些以前不可能的任务。

我最初接触这个项目，是因为厌倦了在不同工具间反复横跳。作为一个开发者，我经常需要让AI帮我审查代码、读取日志文件或者操作数据库。MCP SuperAssistant让我在浏览器的同一个标签页里就完成了所有事情，效率提升是立竿见影的。接下来，我将为你彻底拆解这个工具，从核心原理到每一步的配置细节，再到我踩过的坑和总结的技巧，让你也能轻松驾驭这个AI能力的“倍增器”。

2. 核心原理与架构设计拆解

要玩转MCP SuperAssistant，不能只停留在“点按钮”的层面，理解其背后的工作流至关重要。这能帮助你在遇到问题时快速定位，甚至根据自己的需求进行定制。

2.1 MCP协议：AI的“标准外设接口”

你可以把MCP想象成电脑的USB标准。在MCP出现之前，每个AI应用（如Claude Desktop、Cursor）想要连接本地工具，都需要自己写一套独特的连接代码，就像早期每个手机品牌都有自己专属的充电口一样，混乱且低效。MCP定义了一套统一的通信规范：

• 工具（Tools）： 定义了AI可以执行的具体操作，比如read_file、search_web。每个工具都有明确的名称、描述和参数格式。
• 资源（Resources）： 定义了AI可以读取的数据源，比如file:///path/to/doc.md。资源有统一的URI格式和元数据。
• 提示词（Prompts）： 预定义的对话模板，AI可以调用它们来引导用户完成特定任务。

MCP服务器（MCP Server）就是实现了这套规范的“外设”，比如一个“文件系统MCP服务器”会暴露list_files和read_file等工具。AI客户端（MCP Client）则通过标准的SSE（Server-Sent Events）或WebSocket协议与服务器通信。

2.2 MCP SuperAssistant的三层架构

MCP SuperAssistant在这个生态中扮演着“浏览器适配层”和“协议转换器”的角色。它的架构可以清晰地分为三层：

第一层：浏览器扩展（客户端层）这是你直接交互的部分。它以后台脚本（background script）和内容脚本（content script）的形式运行。

• 内容脚本： 注入到如chatgpt.com等支持的网页中。它的核心任务是“监听”和“渲染”。它持续扫描AI返回的聊天消息，寻找符合特定格式（如JSONL）的工具调用请求。一旦发现，它就在页面上渲染出一个可视化的工具调用卡片（上面有“RUN”按钮）。同时，它也负责在页面侧边栏渲染出连接状态、工具列表等UI。
• 后台脚本： 作为扩展的中枢，管理着扩展的状态、用户配置，并处理内容脚本与本地代理服务器之间的所有通信。它维持着一个长连接（SSE或WebSocket），负责转发工具调用请求和接收执行结果。

第二层：本地代理服务器（中间层）这是项目最巧妙也最关键的一环。你通过npx运行的@srbhptl39/mcp-superassistant-proxy就是这个代理。

• 核心功能： 它作为一个轻量级的HTTP/WebSocket服务器运行在你的电脑上（默认端口3006）。它的主要职责有三个：
  1. 协议桥接： 将浏览器扩展通过HTTP发送过来的请求，转换成标准的MCP SSE/WebSocket请求，转发给真正的MCP服务器。
  2. CORS解决者： 浏览器的同源策略（CORS）会阻止网页直接访问localhost或其他非当前域名的服务。这个代理服务器充当了一个中间人，完美规避了CORS限制。
  3. 配置加载器： 它读取你本地的config.json文件，这个文件定义了你要连接哪些MCP服务器（比如文件服务器、数据库服务器）。代理服务器根据配置去启动或连接这些后端服务。

第三层：MCP服务器（服务层）这是实际提供能力的“引擎”。它们可以是：

• 本地命令式服务器： 如DesktopCommanderMCP，通过命令行启动，提供操作桌面（打开应用、模拟按键）的能力。
• 远程服务器： 如Composio（连接数百个SaaS工具API）、Smithery（提供预制工具集）提供的HTTP MCP服务。
• 自定义服务器： 你可以用任何语言（Python、Node.js等）编写自己的MCP服务器，暴露你需要的任何工具。

整个数据流是这样的：你在ChatGPT里输入“请总结我桌面上的report.txt”。ChatGPT理解了意图，并在回复中嵌入了一段标准化的工具调用代码块 -> MCP SuperAssistant内容脚本检测到该代码块，将其提取出来 -> 通过后台脚本发送给本地代理服务器（localhost:3006） -> 代理服务器根据配置，找到对应的“文件系统MCP服务器” -> 将read_file请求转发给它 -> 文件服务器读取文件内容并返回 -> 代理服务器将结果原路返回给扩展 -> 扩展将文件内容自动插入到ChatGPT的输入框中（或直接提交）。

关键理解： 这个设计实现了关注点分离。扩展只负责网页集成和UI，代理负责连接和转发，真正的功能由可插拔的MCP服务器提供。这意味着你可以随时更换或增加MCP服务器来获得新能力，而无需更新浏览器扩展。

3. 从零开始的完整配置实战

理解了原理，我们开始动手。这里我会以连接一个最实用的“文件系统MCP服务器”为例，展示从安装到成功调用的全流程。我假设你的环境是macOS或Windows，Linux用户操作类似。

3.1 安装浏览器扩展

这一步最简单。访问 Chrome 网上应用店 或 Firefox 附加组件商店 ，点击“添加到 Chrome/Firefox”即可。安装后，浏览器工具栏会出现它的图标。

首次使用检查： 安装后，立即访问chatgpt.com或gemini.google.com。你应该能看到页面右侧多了一个可折叠的侧边栏。如果没看到，请点击浏览器工具栏上的扩展图标，确保它已在该网站上启用。有时需要手动刷新一下页面。

3.2 配置并启动本地MCP服务器与代理

这是核心步骤，也是新手最容易卡住的地方。我们分两步走：先准备MCP服务器，再启动代理。

第一步：创建MCP服务器配置文件在你的用户主目录或任意方便的位置（比如~/mcp），创建一个名为config.json的文件。这个文件告诉代理服务器你要运行哪些MCP服务。

这里我推荐从简单的开始。我们将使用一个非常流行的、由modelcontextprotocol官方维护的服务器示例：@modelcontextprotocol/server-filesystem。它可以让你访问指定目录下的文件。

打开终端，创建一个配置文件：

# 进入一个你常用的目录，比如文档 cd ~/Documents mkdir mcp-test && cd mcp-test

用你喜欢的文本编辑器（如VSCode、Vim、Nano）创建config.json：

{ "mcpServers": { "my-file-browser": { "command": "npx", "args": [ "-y", "@modelcontextprotocol/server-filesystem", "/Users/YourUsername/Documents" // macOS/Linux 路径示例 // "C:\\Users\\YourUsername\\Documents" // Windows 路径示例 ] } } }

重要提示：

• 将/Users/YourUsername/Documents替换成你电脑上一个真实存在且你允许访问的目录路径。例如，你想让AI能读取你的“下载”文件夹，就指向那里。
• 对于Windows用户，注意路径使用双反斜杠\\或正斜杠/，并且驱动器号大写，如"C:/Users/YourUsername/Downloads"。
• 这个配置的意思是：当代理启动时，它会执行命令npx -y @modelcontextprotocol/server-filesystem <路径>来启动一个文件系统MCP服务器，并将其命名为my-file-browser。

第二步：启动MCP SuperAssistant代理服务器保持终端在当前目录（即config.json所在的目录），运行以下命令：

npx -y @srbhptl39/mcp-superassistant-proxy@latest --config ./config.json --outputTransport sse

如果一切顺利，你会看到类似这样的输出：

> mcp-superassistant-proxy@x.x.x > MCP SuperAssistant Proxy Server started on port 3006 > SSE endpoint: http://localhost:3006/sse > Streamable HTTP endpoint: http://localhost:3006/mcp > WebSocket endpoint: ws://localhost:3006/message > Connected to MCP server: my-file-browser

命令参数解读：

• npx -y： 自动下载并运行指定npm包的最新版，-y表示对所有提示回答“是”。
• @srbhptl39/mcp-superassistant-proxy@latest： 指定要运行的代理包。
• --config ./config.json： 告诉代理使用当前目录下的配置文件。
• --outputTransport sse： 指定使用SSE（Server-Sent Events）作为与浏览器扩展的通信方式。这是最稳定、兼容性最好的选择。你也可以尝试streamableHttp或ws（WebSocket），但SSE在大多数网络环境下最可靠。

保持终端运行： 这个终端窗口必须一直保持打开，代理服务器才能持续工作。你可以将其最小化，但不要关闭。

3.3 在AI平台中连接与使用

现在，打开一个受支持的AI平台，例如chatgpt.com。确保你已登录。

1. 连接代理服务器：

• 在页面右侧的MCP SuperAssistant侧边栏中，你会看到一个服务器状态指示器，初始状态通常是“Disconnected”（断开连接）或一个红色的断开图标。
• 点击这个状态指示器或“设置”图标，会弹出连接配置面板。
• 在“Server URL”输入框中，填入http://localhost:3006/sse（如果你启动代理时用的是--outputTransport sse，这是默认值）。
• 点击“Connect”（连接）按钮。
• 如果连接成功，状态会变为“Connected”（已连接）并显示绿色，下方可能会列出可用的工具，例如my-file-browser下的read_file、list_directory等。

2. 注入MCP工作指令： 这是至关重要且容易被忽略的一步。AI模型本身并不知道它现在具备了通过MCP调用工具的能力。你需要告诉它。

• 在MCP SuperAssistant侧边栏中，寻找一个按钮，通常叫“Insert Instructions”、“Attach Prompt”或类似名称。
• 点击它。这会将一段详细的系统指令插入到当前聊天中。这段指令会向AI说明：“你现在可以通过MCP SuperAssistant调用以下工具...，当需要时，请以特定格式发起工具调用...”。
• 务必在开始任何实质性对话前完成这一步。你可以新建一个聊天窗口，先点击“Insert Instructions”，然后再开始你的任务。

3. 开始你的第一次工具调用： 现在，尝试让AI读取一个文件。假设你的config.json里配置的目录是~/Documents，并且里面有一个notes.txt文件。

• 在聊天框中输入：“请读取并总结一下我的notes.txt文件内容。”
• 发送消息。
• 观察AI的回复。一个训练有素的模型（如GPT-4）在收到指令后，应该会在回复中生成一个格式化的工具调用块。同时，MCP SuperAssistant会检测到这个块，并在其下方或侧边栏渲染出一个工具调用卡片，显示工具名read_file和参数{“path”: “notes.txt”}，并有一个“RUN”按钮。
• 手动执行： 点击“RUN”按钮。扩展会将调用请求发送给代理，代理转发给文件服务器，读取文件，然后将内容返回并自动插入到聊天输入框。
• 自动执行： 你可以在侧边栏开启“Auto-Execute”模式。开启后，一旦检测到工具调用，扩展会自动点击“RUN”，无需人工干预。结合“Auto-Submit”模式，它甚至能自动将结果发送出去，实现全自动工作流。但对于初次使用，我强烈建议先手动执行几次，观察整个流程，确保一切正常。

如果AI没有生成工具调用，而是说“我无法访问你的文件”，请检查你是否正确插入了工作指令，并确认你使用的AI模型支持工具调用功能（ChatGPT的GPT-4系列通常支持）。

4. 高级配置与服务器生态探索

当你成功完成了基础的文件读取后，就可以探索更强大的MCP服务器了。MCP的生态正在快速增长，以下是一些非常实用的服务器方向。

4.1 连接多个MCP服务器

你的config.json可以配置多个服务器，让AI同时拥有多种超能力。配置文件结构如下：

{ "mcpServers": { "my-files": { "command": "npx", "args": [ "-y", "@modelcontextprotocol/server-filesystem", "/Users/YourUsername/Documents" ] }, "github-explorer": { "command": "npx", "args": [ "-y", "@modelcontextprotocol/server-github", "--token", "YOUR_GITHUB_PERSONAL_ACCESS_TOKEN" ] }, "sqlite-db": { "command": "npx", "args": [ "-y", "@modelcontextprotocol/server-sqlite", "/path/to/your/database.db" ] } } }

重启代理服务器后，在AI侧边栏的工具列表里，你就能看到来自my-files、github-explorer、sqlite-db的所有工具。你可以选择性地启用或禁用它们。

4.2 使用远程MCP服务器（无需本地运行）

这是MCP SuperAssistant另一个强大的地方：它不仅能代理本地命令，还能连接互联网上现成的远程MCP服务。你甚至不需要修改config.json，直接在扩展的服务器URL里输入远程地址即可。

例如，连接一个提供天气数据的公共服务（假设地址为https://weather-mcp.example.com）：

1. 确保你的本地代理仍在运行（它负责处理CORS）。
2. 在扩展侧边栏的服务器URL中，输入https://weather-mcp.example.com（如果该服务支持直接访问且无CORS限制）。
3. 或者，更通用的方式是：在config.json中配置一个远程服务器，然后通过代理连接。但很多公共服务设计时考虑了CORS，可以直接连接。

一些值得尝试的远程MCP服务：

• Composio： 一个集成了数百个SaaS工具（如Slack, Salesforce, Notion）API的MCP平台。你可以让AI直接操作你的Notion数据库或发送Slack消息。
• Smithery： 提供一系列预制工具集的MCP服务市场。
• 自建服务： 如果你有服务器，可以部署自己的MCP服务器，让AI访问内部数据或API。

4.3 复用现有配置（如Claude Desktop）

如果你已经在使用Claude Desktop，并且已经配置好了MCP服务器，MCP SuperAssistant可以直接复用你的配置，无需重复设置。

• macOS： 配置文件通常位于~/Library/Application Support/Claude/claude_desktop_config.json
• Windows： 配置文件通常位于%APPDATA%\Claude\claude_desktop_config.json

启动代理时，直接指向这个现有配置文件：

npx -y @srbhptl39/mcp-superassistant-proxy --config "/Users/YourUsername/Library/Application Support/Claude/claude_desktop_config.json" --outputTransport sse

这样，你在Claude Desktop里能用的所有工具，瞬间也都能在网页版ChatGPT、Gemini里使用了。

5. 深度使用技巧与避坑指南

经过数月的使用，我积累了一些能极大提升体验和成功率的技巧，也总结了一些常见的“坑”。

5.1 提升工具调用成功率的黄金法则

AI模型生成正确格式的工具调用，是整个流程启动的关键。以下方法能显著提高成功率：

1. 明确指令与上下文限定： 不要笼统地说“看看我的文件”。要具体、精确，并明确指出可用的工具。

• 差：“帮我分析一下数据。”
• 优：“请使用list_directory工具查看/Users/me/projects目录下有哪些CSV文件，然后使用read_file工具读取sales_q1.csv文件的前100行内容，并为我总结趋势。”

在对话初期，你可以直接“教”AI：“在本对话中，你可以通过MCP工具调用访问我的文件系统。相关工具已列出在侧边栏。当你需要读取文件或列出目录时，请生成相应的工具调用。”

2. 模型选择至关重要： 并非所有AI模型都擅长工具调用。根据我的实测：

• 第一梯队（强烈推荐）： OpenAI的GPT-4系列（如GPT-4 Turbo）、Claude 3.5 Sonnet。它们对工具调用格式的理解最准确，意图识别能力最强。
• 第二梯队（可用）： Google Gemini 1.5 Pro、DeepSeek最新版本。它们支持工具调用，但有时格式或触发上需要更明确的引导。
• 注意： 许多平台的“默认”或免费模型可能不支持此功能。在Perplexity、ChatGPT中，确保你已切换至支持的高级模型。

3. 利用平台特定功能：

• 关闭联网搜索： 在ChatGPT、Perplexity中，进行工具调用对话时，务必关闭“联网搜索”。否则，AI会优先尝试搜索网络信息，而不是调用你的本地工具，导致流程中断。
• 开启“深度思考”或“长文本”模式： 如果平台提供此类选项（如某些模型的长上下文模式），开启它。这有助于AI更好地理解复杂的多步骤工具调用链。

5.2 自动化工作流配置

MCP SuperAssistant侧边栏上的几个开关，能帮你打造“全自动”体验：

• Auto-Execute（自动执行）： 开启后，检测到工具调用即自动运行。适合简单、安全的操作（如读取文件）。
• Auto-Submit（自动提交）： 开启后，工具执行结果插入输入框后，自动发送给AI。适合多轮工具调用的场景。
• Push Content Mode（推送内容模式）： 这个选项影响结果插入的方式。默认是“覆盖”当前输入框。开启后，可能会以“追加”或其他形式插入。根据你的聊天习惯选择。

我的常用配置： 对于数据分析任务，我开启Auto-Execute但不开启Auto-Submit。这样，AI每生成一个工具调用（如读文件、查询数据库），结果会自动填入输入框，但我可以审阅一下结果再手动发送，给AI下一步的指令。这提供了自动化的便利，同时保留了控制权。

5.3 常见问题排查手册

即使按照步骤操作，你也可能会遇到问题。别慌，按以下清单排查：

问题1：侧边栏不显示或显示“Disconnected”

• 检查代理是否运行： 回到你的终端，确认代理进程没有报错退出。如果退出了，检查config.json的语法（特别是逗号、括号）和文件路径是否正确。
• 检查扩展是否启用： 在chrome://extensions/页面，确保MCP SuperAssistant是“启用”状态。尝试点击“刷新”图标或重启浏览器。
• 检查URL和端口： 确保侧边栏里填写的服务器URL是http://localhost:3006/sse（如果你用的是SSE）。确认端口3006没有被其他程序占用。
• 防火墙/安全软件： 临时禁用防火墙或安全软件，看是否是其阻止了本地回环地址（localhost）的连接。

问题2：AI不生成工具调用，或者说“我不能”

• 指令是否注入： 这是最常见的原因。你必须在新对话开始时，先点击侧边栏的“Insert Instructions”按钮。检查聊天记录，第一条消息应该是很长的一段系统指令。
• 模型是否支持： 确认你正在使用的AI模型支持函数/工具调用功能。切换到GPT-4或Claude 3等高级模型再试。
• 指令是否明确： 在提问时，明确提及工具名。例如：“请使用read_file工具。”

问题3：工具执行失败（如读取文件报错）

• 路径权限问题： 检查config.json中配置的目录路径是否存在，以及当前系统用户是否有权限读取。尝试换一个更简单的路径，如用户主目录。
• 服务器日志： 查看运行代理的终端窗口，是否有红色错误信息。错误信息通常会明确指出问题所在，如“文件不存在”、“权限被拒绝”。
• 工具参数格式： AI生成的参数可能格式不对。例如，路径参数应该是字符串。检查工具调用卡片上显示的参数是否正确。

问题4：连接远程服务器失败

• CORS问题： 如果远程服务器未设置CORS头，浏览器会阻止连接。此时必须通过本地代理中转。在config.json中配置远程服务器URL，然后通过localhost:3006/sse连接。
• 网络可达性： 确保你的网络可以访问该远程地址。尝试用curl命令测试连通性。
• 服务器状态： 确认远程MCP服务正在运行且接口可用。

6. 安全考量与最佳实践

赋予AI访问本地系统的能力，安全是头等大事。请务必遵循以下原则：

1. 最小权限原则：

• 在config.json中为文件系统服务器配置路径时，永远不要指向根目录/或系统关键目录（如/etc,C:\\Windows）。
• 创建一个专用于MCP的目录，例如~/MCP-Data，只把需要让AI访问的文件放在里面。
• 对于GitHub、数据库等服务器，使用权限最低的访问令牌（Token）。例如，GitHub Token只授予read-only（只读）仓库权限。

2. 审慎使用自动执行：

• 对于write_file、execute_command、delete_file等具有写入或执行能力的工具，切勿开启Auto-Execute模式。务必手动审核每一次调用，确认参数无误后再执行。
• 可以在侧边栏的工具列表中，禁用你认为高风险的工具。

3. 配置文件安全：

• config.json文件可能包含敏感信息（如API令牌、数据库密码）。不要将其提交到公开的Git仓库。将其添加到.gitignore文件中。
• 考虑使用环境变量来存储敏感信息。高级的MCP服务器通常支持从环境变量读取配置。

4. 会话隔离：

• 为不同的任务创建不同的聊天会话。一个会话用于文件分析，另一个用于数据库查询。这可以避免上下文混淆，也便于管理。
• 定期清理不再需要的会话。

5. 保持更新：

• 关注MCP SuperAssistant扩展的更新，开发者会修复安全漏洞和添加新功能。
• 同样，关注你使用的MCP服务器的更新。

7. 效能提升场景与未来展望

掌握了基础操作和技巧后，你可以尝试将这些能力组合起来，解决更复杂的问题。以下是我日常工作中的几个高效场景：

场景一：自动化代码审查与重构

• 工具： 文件系统MCP + 代码分析工具（可自建）。
• 流程： 让AI读取我项目中的源代码文件，然后基于代码规范、最佳实践或特定需求（如“将所有的var改为let/const”），提出修改建议，甚至生成具体的重构代码块。我可以让它直接写入到一个新的建议文件中，而不是覆盖原文件。

场景二：跨平台数据汇总报告

• 工具： 文件系统MCP + GitHub MCP + 数据库MCP。
• 流程： 每周一，我让AI执行一个任务：“从~/Downloads/sales.csv读取本周销售数据，从GitHub仓库myorg/repo获取最新的issue列表，从SQLite数据库metrics.db的user_activity表查询活跃用户数。然后，综合这些信息，生成一份包含关键指标、趋势分析和待办事项的Markdown格式周报，并保存到~/Reports/weekly_report.md。” 整个过程几乎可以全自动完成。

场景三：个性化学习与研究助手

• 工具： 文件系统MCP + 网页搜索/抓取MCP（如果存在）。
• 流程： 我正在研究“量子计算”。我让AI先读取我本地收藏的几篇PDF论文（通过文件MCP），然后基于论文内容提出深入问题，并引导它调用工具去查找我书签中的相关网页（需提前将书签导出为HTML文件供AI读取），最后整理出一份带有引用来源的学习笔记。

MCP SuperAssistant的价值在于，它将这些离散的能力“管道化”了。你不再需要自己写脚本去粘合不同的API和数据源，只需要用自然语言描述你的目标，AI就能协调背后的工具链去执行。随着MCP生态的日益丰富（未来可能会有更多的官方和第三方服务器），你的AI助手所能触及的边界，将只受限于你的想象力。

这个项目目前由开发者Saurabh Patel利用业余时间维护，能发展到支持如此多平台且稳定可用，实属不易。如果你觉得它提升了你的工作效率，去GitHub仓库点个Star，或者考虑赞助，都是对开源作者最好的支持。毕竟，让好工具持续进化，最终受益的是我们整个社区。