玩转 MCP 黄金组合拳

推荐语

掌握 AI 大模型的高效应用，探索 MCP 的强大功能。

核心内容：
1. MCP 工具箱的标准化作用及其在大模型中的应用价值
2. Sequential-thinking 和 tavily MCP 的功能介绍及其应用场景
3. 实际案例演示：如何利用 MCP 解决复杂问题并提高工作效率

杨芳贤

53A创始人/腾讯云(TVP)最具价值专家

以下的演示是在 Cherry Studio 中操作，可通过官方网址下载 https://www.cherry-ai.com/

sequential-thinking 和 tavily

可能很多人都没听过 sequential-thinking 这个 MCP 服务，它能够让普通模型也能思考，而且不是一般的思考，它的最大价值在于，支持复杂问题的分步拆解、动态调整、分支推演和多方协作，适用于任何需要系统性思考、流程优化和创新探索的领域。其分支与反思机制，尤其适合面对不确定性高、路径多变、协作复杂的实际场景。

tavily 是一个为大型语言模型（LLMs）和检索增强生成（RAG）优化的搜索引擎，旨在提供高效、快速且持久的搜索结果，而且每月 1000 次免费额度使用

可到官网获取 API KEY 。https://app.tavily.com/

配置 MCP 服务器

配置 sequential-thinking，如下图所示

测试效果

我们选择使用 Gemini 2.5 Flash 模型，然后配合上面添加的 sequential-thinking 和 tavily ，让它们帮我分析一下 "广东男篮在最新的CBA季后赛为什么表现不好" 的原因

从上图可以看到，模型先进行了一次 sequential-thinking，然后就开始调用 tavily 进行搜索，最后又连续调用了三次的 sequential-thinking，接着最终给到了我们分析的结果

总结

凡是用 Workflow 的地方，都适合用 SequentialThinking。只要一个任务有 Workflow，我们都可以让 SequentialThinking 来分步拆解、规划、执行

它还能够配合很多不同的 MCP，实现更加强大的工能。例如使用 Sequential Thinking + Software Planning Tool，分别扮演项目经理和技术经理的角色，然后帮你生成完美的软件开发计划等等

markitdown 和 filesystem

markitdown 其实是后台使用微软的 MarkItdown 库，它支持多种格式转换为 markdown 格式，例如常见的 Microsoft Office 文档（Word，PowerPoint，Excel）

不过它需要服务器托管一个 RESTful API，所以要使用这个 MCP 的话，我们需要额外先安装它

具体的安装方式可以参考官网的说明
https://github.com/Klavis-AI/klavis/tree/main/mcp_servers/markitdown

配置 MCP 服务器

配置 Markitdown，我们需要先启动 API 服务，我这边是使用 conda 虚拟环境来安装运行服务，端口是 3003，这些信息稍后配置需要用到

测试效果

我们尝试将本地的 PDF 文件，转为 markdown 格式，并让模型进行总结