MCP 快速上手：Fetch 服务器接入实战教程 (Getting Started with MCP: Fetch Server Tutorial)

本教程将引导你完成首个 MCP 服务器的完整部署与接入。我们将以官方开源的 Fetch MCP Server 为例——这是一个轻量级、开箱即用的网页抓取与 Markdown 转换工具，非常适合作为入门体验。

我们即将构建什么？

我们将接入 Fetch MCP Server，它为智能体赋予了实时网络内容检索与解析能力。该服务器使得 AI 智能体能够直接从互联网页面拉取原始文本，并将其转换为整洁易读的 Markdown 格式供后续大模型深度处理。

为什么选用 Fetch 作为首选？

✅ 零门槛极速部署：借助现代 Python 包管理利器 uvx 实现免环境配置的按需动态即刻运行；
✅ 无任何复杂本地依赖：只需机器具备正常的互联网连接；
✅ 立竿见影的实时效果：配置完成后即可立即在节点上发送提示词验证；
✅ 极具生产实用价值：是进行网络调研、竞品洞察与网页数据提取的核心基石。

Griptape Nodes 中 MCP 的底层协作架构

graph LR
    A[AI 智能体 Agent] --> B[MCPTask 算子节点]
    B --> C[MCP 服务器 Server]
    C --> D[外部系统与工具体系]
    D --> E[计算结果与实时数据]
    E --> C
    C --> B
    B --> A

在画布上，MCPTask 节点扮演着连接 Griptape Nodes 工作流与外部 MCP 服务生态的关键桥梁，使得 AI 智能体能够无缝调度外部计算与软件工具。

手把手实操步骤

第一步：打开 MCP 服务器全局设置

启动 Griptape Nodes 桌面编辑器；
在顶部菜单栏中依次点击 Settings → MCP Servers；
如果你是首次打开该面板，列表中尚未包含任何已配置的服务，界面将呈现空白初始态。

第二步：登记并配置全新的 MCP 服务器

点击 + New MCP Server 按钮；
在 Server Name/ID (服务器标识符) 输入框中填入：fetch；
将 Connection Type (连接类型) 设置为：Local Process (stdio)（若未默认勾选）；
观察下方的 Configuration (JSON) 配置模板。它出厂呈现为如下结构：
```
{
    "transport": "stdio",
    "command": "",
    "args": [],
    "env": {},
    "encoding": "utf-8",
    "encoding_error_handler": "strict"
}
```
这部分 JSON 结构就是告知客户端（Griptape Nodes）如何启动并与服务端（MCP 进程）进行管道通信的配置协议。

绝大多数开源 MCP 服务器文档都会提供针对 Claude Desktop 或 VS Code 的配置代码段。Fetch 服务器也是如此，我们可以直接将其指令复用到此处。
访问 Fetch MCP Server GitHub 仓库主页；
向下滚动至 Configuration 配置章节；
展开 Configure for Claude.app 下的 "Using uvx" 栏目，可以查看到如下示范配置：
```
{
    "mcpServers": {
        "fetch": {
        "command": "uvx",
        "args": ["mcp-server-fetch"]
        }
    }
}
```
其中最关键的核心要素即为 command（启动命令）与 args（运行参数）。
将 Griptape Nodes 中的 Configuration (JSON) 调整修改为：
```
{
    "transport": "stdio",
    "command": "uvx",
    "args": ["mcp-server-fetch"],
    "env": {},
    "encoding": "utf-8",
    "encoding_error_handler": "strict"
}
```
你可以清晰看到，我们仅需将文档中的 command 与 args 准确填入对应字段即可。

可选步骤：注入自定义规约 (Add Custom Rules)

你可以在 Rules (行为准则) 文本区域中输入专属于该服务器的控制指令。当智能体调用来自该 MCP 服务器的工具时，系统会自动将这些规约拼接进提示词上下文中：
```
Always validate URLs before fetching. Return errors in JSON format if a fetch fails.
（在抓取内容前始终预先校验 URL 合法性；若抓取失败，请统一返回 JSON 格式的错误详情。）
```
规约能够有效约束智能体在调用特定工具时的思维倾向与行为边界，确保输出格式的高度一致性。
点击 Create Server (创建服务器) 按钮。

第三步：管理已创建的服务器

服务器创建成功后将陈列在服务清单中。你可以随时：

Enable/Disable (启用/禁用)：通过开关控件一键挂起或重新激活服务器；
Edit (编辑)：点击 Edit 按钮调整运行参数、环境变量或追加微调 Rules；
Delete (删除)：点击垃圾桶图标解绑注销该服务。

配置完成后关闭设置面板。

第四步：在画布上创建 MCP Task 节点

打开或新建工作流，在左侧算子库面板的 Agent 分组中，将 MCP Task 节点拖拽进画布；
在该节点的属性面板中，从 mcp_server_name 下拉列表中选择刚刚创建的 fetch；
若下拉列表中未列出该名称，点击右侧的 Reload (刷新) 图标重新加载服务索引。

第五步：验证与运行测试

在 MCP Task 节点的提示词 (Prompt) 输入框中，输入一段需要访问外网真实页面的问题：

Explain MCP: https://www.anthropic.com/news/model-context-protocol

输入解析 MCP 提示词

随后点击节点工具栏上的 Run 运行按钮。

第六步：查验生成结果

节点将自动在后台通过 uvx 调起 Fetch 服务进程，抓取 Anthropic 官方文章内容，并交由大模型智能提炼出清晰的解答：

MCP 运行结果输出展示

进阶技巧：多任务级联链条 (Chaining Tasks)

在掌握基础单节点运行后，你可以将多个智能体任务串联起来构建强大的复合管线：

级联多个智能体任务

将第二个 MCP Task 节点连接到首个节点的输出端；
第二个任务可以在下游针对上一阶段获取的内容继续追问，并在需要时再次自主调度 MCP 服务；
每个 Task 节点均可根据业务需求挂载完全不同的 MCP 服务器。

多任务级联工作流示例

在上述级联示例中，我们在第二个节点的提示词中向智能体咨询关于 MCP 官方站点的信息，却无需显式再次粘贴具体网址。这是因为前一个节点返回的内容已作为上下文传入，智能体具备会话记忆能力，能够自动基于前置知识持续迭代推理。