software

6 个高级 MCP 工作流，适用于高级用户

发布: (2025年12月16日 GMT+8 04:43)
8 min read
原文: Dev.to

Source: Dev.to

我们已经在标准集成上达到了饱和点。每个开发者和高级用户都能感受到这种摩擦：你在一个窗口里使用强大的大模型，在另一个窗口里操作数据库，在第三个窗口里使用创意工具。于是你花了一半的时间在这些孤岛之间手动复制‑粘贴，充当 API 的中转。

模型上下文协议（Model Context Protocol，MCP）本应通过标准化连接来解决这个问题。然而，大多数用户只停留在基础——连接本地文件系统或一个简单的数据库。他们错过了让 MCP 不仅仅是数据管道，而是整个操作系统神经系统的架构灵活性。

本指南超越了 MCP 的 “Hello World”。我们将构建能够让不同系统——Blender、n8n、Flowise，甚至 “封闭花园” 的 ChatGPT——相互对话的工作流。最终得到的是一套完整的自动化代理，全部基于当前生态系统构建。

约束与变通方案

约束 – 标准集成需要在工具之间手动复制‑粘贴。

变通方案 – 使用专用的口述工具（例如 Voicy）作为通用输入楔子。它将语音转为文本（支持 50 多种语言），并直接将提示键入目标应用。

针对 Windows 高级用户

  1. 将光标聚焦在 Claude Desktop 或 Cursor 的输入框内。
  2. 按 Windows + H。
  3. 口述你的提示。

设置清单

前置条件

  • 已安装 Blender。
  • Python 3.10 或更高（python --version）。
  • 已安装 uv 包管理器。

安装（Blender MCP 插件）

  1. 下载 Blender MCP 源代码（addon.py 文件）。
  2. 打开 Blender → Edit > Preferences > Add‑ons。
  3. 点击 Install from Disk 并选择 addon.py。
  4. 在视口按 N 打开侧边栏，找到 MCP 选项卡。
  5. 点击 “Connect to MCP Server” 以初始化端口（默认 9876）。跳过此步骤会导致服务器保持沉默。

配置

创建或编辑 mcp_config.json，内容如下：

{
  "mcpServers": {
    "blender": {
      "command": "uvx",
      "args": ["blender-mcp", "connect", "--port", "9876"]
    }
  }
}

使用以下命令运行桥接：

uvx blender-mcp connect --port 9876

工作流实战（Blender）

你可以下达自然语言指令，例如：

  • “创建一个被漂浮的香蕉环绕的猴子 3D 模型。”
  • “让香蕉围绕头部旋转 360 度。”

MCP 服务器会把这些英文指令翻译成 Blender Python API 调用，从而实现 语义化 3D 工作流，无需手动操作顶点。

架构概览（n8n + 向量记忆）

存储层

一个 n8n 工作流触发 MCP 工具，连接到 Pinecone 索引（例如命名空间 “memory”）。

向量化

当你提示 “记住我需要在周日之前完成 MCP 课程” 时，文本会使用 OpenAI 嵌入模型进行向量化。

Upsert

自定义工具 call_n8n_workflow 负责 upsert（更新/插入）操作。主 MCP 服务器将数据库写入委托给专用的子工作流。

用户体验

  • 提示： “保存到记忆。”
  • 查询： “我这个周末需要完成什么？”

search_memory 工具检索相关向量并返回完整上下文。

n8n 工作流结构

触发器

  • MCP Server Trigger 节点启动流程。

交接

  • 通过 Call Workflow 节点调用次级工作流（例如 “MCP Pic Generation”）。此分离将触发逻辑与重计算分开。

API 请求（图像生成）

  • 在子工作流内部，HTTP Request 节点调用图像生成 API（OpenAI、Flux、Replicate 等）。
  • 提示： 对于 OpenAI，务必仔细构造 JSON body，指定 prompt、size（如 1024x1024）等字段。

数据转换

  • API 返回 Base64 字符串。使用 Convert to File 节点将其转为二进制图像。

存储

  • 将生成的文件上传至云服务提供商（例如 Google Drive）。

结果示例

提示： “生成一张猫咪坐在窗台上的图片。”
输出： 图像已存入 Google Drive，供后续使用。

高级扩展

将端点切换为 Runway Gen‑3、Google Veo 或任意 Replicate 模型。链式请求：生成脚本 → 通过 ElevenLabs 生成音频 → 通过 Veo 生成视频 → 合成——全部由 IDE 中的单条文本指令触发。

Webhook 代理变通方案

步骤实现

  1. 在 ChatGPT 中 创建自定义 GPT。
  2. 定义一个新的 Action，将负载发送到指定 URL。
  3. 使用空白模式模板；GPT 将把负载 POST 到你的 webhook。

桥接（n8n）

  1. 添加一个 Webhook 节点（POST），接收来自 ChatGPT 的提示。
  2. 连接 AI Agent 节点处理请求。
  3. 将自定义 MCP 客户端工具挂载到代理上。
  4. 最后使用 Respond to Webhook 节点把答案返回给 ChatGPT。

这会引入一定的延迟，但解锁了 ChatGPT 的 “神模式”，使其能够通过 n8n 隧道访问本地文件、Blender 或数据库。

Flowise 集成

  1. 打开你的 chatflow 设置，找到目标 API 端点的 cURL 命令。
  2. 在 n8n 中创建 HTTP Request 节点并粘贴该 cURL 命令；标题和主体会自动填充。
  3. 将硬编码的 "question" 值替换为动态表达式，例如 {{$json.chatInput}}。

用例

模块化智能：大脑分布在最适合各自任务的工具上（LLM 负责推理，Blender 负责 3D，n8n 负责编排）。这种可组合的 AI 方法取代了静态脚本。

结论

上面详述的工作流——自动化 3D 软件、链式多媒体生成 API、以及构建持久记忆层——标志着向 可组合 AI 的转变。通过结合 Python、n8n、少量 API 密钥以及模型上下文协议，你可以构建出如魔法般的应用。

要点： 只要你创建服务器，就掌握了能力。所需的原料已经在你的数字冰箱里。进入开发者模式，编写服务器，连接不可能，并通过改变环境行为来学习。

Back to Blog

相关文章

阅读更多 »