🎓 Karen MCP服务器：边笑边学习MCP 101！ 🚀

您对模型上下文协议的有趣介绍

欢迎以最有趣的方式学习MCP基础知识！这个项目通过创建每个开发人员都会认识的有趣的“Karen产品经理”工具，教你如何构建、部署和使用MCP服务器。您将学习真正的MCP概念，同时生成过度的PM需求、不可能的截止日期和忽略所有技术现实的功能请求。

🎯 你将学到什么

通过构建和使用此服务器，您将了解：

什么是MCP？ -将AI助手与工具和数据连接起来的模型上下文协议
服务器架构 -MCP服务器如何公开AI助手可以使用的工具
工具创建 -构建AI可以通过参数调用的函数
Docker部署 -在容器中打包和运行MCP服务器
人工智能集成 -使用OpenAI API生成动态响应
后备系统 -构建即使API失败也能正常工作的弹性工具
现实世界技能 -你在这里学到的一切都适用于构建严肃的MCP服务器！

🎭 为什么是“Karen PM”？

每个开发人员都经历过不可能的功能请求、任意的截止日期更改以及“这只是一个按钮”的时刻。该服务器在教你MCP基础知识的同时，将这些挫折变成了喜剧。你会笑，你会哭，你会建立一个真正的MCP服务器！

🌟 非常适合

MCP初学者 -您的第一台MCP服务器，示例清晰
视觉学习者 -从代码中立即看到搞笑的结果
开发者 -最后，一个能理解你痛苦的工具
学生 -边做边学（边笑）
任何好奇的人 -关于MCP、人工智能工具或开发者幽默

🎪 Karen PM Tools（你的学习游乐场！）

每个工具都演示了关键的MCP概念，同时生成了极其准确的PM行为：

� Karen PM Tools（开发人员的噩梦！）

这些工具捕捉了每个开发人员最糟糕的PM体验：

demand_feature_immediately - 🎯 从这里开始！

- “这应该是一个简单的5分钟更改，对吧？只需添加一个按钮！” - *现实：具有依赖关系的复杂3打印功能* - *教学：可选参数和默认值*

override_engineering_estimate

- “三次冲刺？！我需要在星期五之前完成！只需使用人工智能来构建它！” - *现实：忽略所有技术复杂性和冲刺计划* - *教学：多参数处理*

change_requirements_post_deployment

- “事实上，我的意思是……你为什么不按照我的想法建造呢？！” - *现实：生产部署后的主要规格变化* - *教学：工具反应中的条件逻辑*

invoke_competitor_feature

- “但是（竞争对手）有这个！你就不能复制它吗？这有多难？” - *现实：不同的架构、用户群和技术限制* - *教学：外部数据集成概念*

escalate_to_ceo_over_ui_color

- “这个按钮的颜色挡住了整个路线！我需要首席执行官！” - *现实：琐碎的UI决策升级到了执行层* - *教学：参数验证和响应格式化*

schedule_unnecessary_meeting

- “让我们让每个人在一个房间里讨论这个页脚文本2个小时！” - *现实：将5分钟的决策转化为数小时的委员会* - *教学：时间/持续时间参数处理*

request_daily_status_updates

- “你能每小时给我更新一次吗？我需要你的屏幕截图！” - *现实：将编码视为工厂工作的微观管理* - *教学：频率/重复概念*

create_urgent_non_urgent_task

- “更新版权年迫在眉睫，一切都被封锁了！” - *现实：绕过优先级的虚假紧迫感* - *教学：优先级/元数据处理*

bypass_development_process

- “我们没有时间进行测试！让我们跳过代码审查，直接推送吧！” - *现实：将安全和质量视为可选的文书工作* - *教学：布尔标志和条件响应*

demand_impossible_integration

- “只要让我们的COBOL大型机与这个人工智能聊天机器人对话！它们都是计算机！” - *现实：不同年代的不兼容系统* - *教学：复杂的参数关系*

generate_sarcastic_status_update

- “一切都在按计划进行……如果你的计划很混乱的话！” - *现实：假装灾难是“路上的小颠簸”* - *教学：带讽刺的动态内容生成*

random_feature_request

- “将所有字体更改为Comic Sans！将区块链添加到登录页面！” - *现实：伪装成创新的完全荒谬的想法* - *教学：随机生成和创造性人工智能反应*

generate_pm_meme 🎨 新

- 德雷克模因：拒绝“测试”❌, 接受“发货密码错误”✅" - *现实：使用Imgflip API以完美的模因格式捕捉PM行为* - *教学：外部API集成和图像生成*

🚀 快速入门（您的MCP学习之旅！）

你需要什么（先决条件）

Docker 桌面版 启用MCP工具包(拿过来)
克劳德桌面 (下载)
OpenAI API密钥 （可选-服务器在没有它的情况下使用回退响应工作）

- 得到一个在 platform.openai.com - 免费套餐适合学习！

🎓 分步安装（边构建边学习！）

第一步：构建您的第一个MCP服务器！ 🏗️

使用Makefile（推荐-Docker优先工作流）

cd karen-mcp-server

# See all available commands
make help

# Build the Docker image
make build

# Run tests to verify everything works
make test

# Run all validation checks
make all

手动Docker构建（替代）

cd karen-mcp-server
docker build -t karen-mcp-server:latest .
docker run --rm karen-mcp-server:latest python test_karen_server.py

💡 这里发生了什么事？

Docker将您的MCP服务器打包到可移植容器中
这 Dockerfile 定义环境（Python 3.11）和依赖关系
在Docker中运行测试以确保一切正常
这将创建一个名为的图像 karen-mcp-server:latest
MCP概念：服务器可以在Docker运行的任何地方运行！

📝 地方发展说明：

此项目需要Python 3.11+（为了与FastMCP兼容）
如果你有Python 3.9或更早版本，请使用Docker（推荐）
Makefile现在使用Docker进行所有操作（构建、测试、运行、验证）
无需本地Python设置-Docker处理一切！

步骤2：设置AI集成（可选）🤖

选项A：使用.env文件（最适合测试和学习）

# Copy the example environment file
cp .env.example .env

# Edit .env and add your API keys
nano .env  # or use any text editor

# Your .env should look like:
# OPENAI_API_KEY=sk-your-key-here
# OPENAI_MODEL=gpt-4o-mini
# IMGFLIP_USERNAME=your-username
# IMGFLIP_PASSWORD=your-password

# Test with real APIs - automatically loads .env
make test

# Run server with .env - automatically loaded
make run

选项B：使用Docker Secrets（最适合生产环境）

# Store your OpenAI API key securely
docker mcp secret set OPENAI_API_KEY="sk-your-api-key-here"

# Choose your AI model (optional)
docker mcp secret set OPENAI_MODEL="gpt-4"

# Verify secrets are stored
docker mcp secret list

💡 这里发生了什么事？

.env 文件非常适合本地测试和开发
Docker的秘密是安全存储的（永远不会在你的代码中！）
服务器使用OpenAI生成创造性的Karen响应
在没有API密钥的情况下，它使用预先编写的回退响应
MCP概念：服务器可以与外部API集成！
最佳实践：使用 .env 本地，生产中的Docker秘密

步骤3：注册您的服务器📋

创建或编辑 ~/.docker/mcp/catalogs/custom.yaml:

mkdir -p ~/.docker/mcp/catalogs
nano ~/.docker/mcp/catalogs/custom.yaml

添加此配置：

version: 2
name: custom
displayName: MCP Learning - Custom Servers
registry:
  karen:
    description: "Learn MCP basics with humorous PM behavior tools"
    title: "Karen PM Server (MCP 101)"
    type: server
    dateAdded: "2025-11-07T00:00:00Z"
    image: karen-mcp-server:latest
    tools:
      # Karen PM Tools (Developer Edition!)
      - name: demand_feature_immediately
      - name: override_engineering_estimate
      - name: change_requirements_post_deployment
      - name: invoke_competitor_feature
      - name: escalate_to_ceo_over_ui_color
      - name: schedule_unnecessary_meeting
      - name: request_daily_status_updates
      - name: create_urgent_non_urgent_task
      - name: bypass_development_process
      - name: demand_impossible_integration
      - name: generate_sarcastic_status_update
      - name: random_feature_request
      - name: generate_pm_meme
    
    secrets:
      - name: OPENAI_API_KEY
        env: OPENAI_API_KEY
        example: sk-...
      - name: OPENAI_MODEL
        env: OPENAI_MODEL
        example: gpt-3.5-turbo
    
    metadata:
      category: education
      tags:
        - learning
        - mcp-101
        - tutorial
        - humor
        - product-management
        - development
      license: MIT

💡 这里发生了什么事？

目录就像MCP服务器的应用商店
它告诉克劳德桌面你的服务器提供什么工具
这 tools 列表定义了AI可以调用的内容
MCP概念：目录使服务器可被发现！

步骤4：更新注册表📝

编辑 ~/.docker/mcp/registry.yaml:

nano ~/.docker/mcp/registry.yaml

添加到现有 registry: 按键：

registry:
  # ... existing servers ...
  karen:
    ref: ""

⚠️ 重要：必须低于 registry:，不是在根级别！

💡 这里发生了什么事？

注册表将服务器名称映射到其配置
这将您的目录条目连接到MCP网关
MCP概念：网关将请求路由到正确的服务器！

步骤5：连接到克劳德桌面🔌

查找您的配置文件：

macOS: ~/Library/Application Support/Claude/claude_desktop_config.json
视窗: %APPDATA%\Claude\claude_desktop_config.json

编辑并添加您的自定义目录：

{
  "mcpServers": {
    "mcp-toolkit-gateway": {
      "command": "docker",
      "args": [
        "run",
        "-i",
        "--rm",
        "-v", "/var/run/docker.sock:/var/run/docker.sock",
        "-v", "/Users/your_username/.docker/mcp:/mcp",
        "docker/mcp-gateway",
        "--catalog=/mcp/catalogs/docker-mcp.yaml",
        "--catalog=/mcp/catalogs/custom.yaml",
        "--config=/mcp/config.yaml",
        "--registry=/mcp/registry.yaml",
        "--tools-config=/mcp/tools.yaml",
        "--transport=stdio"
      ]
    }
  }
}

💡 这里发生了什么事？

Claude Desktop通过stdio与MCP服务器通信
网关管理多个MCP服务器
可以加载多个目录（默认+自定义）
MCP概念：AI和工具通过JSON-RPC进行通信！

步骤6：启动和测试！ 🎉

完全退出克劳德桌面 （Mac上的Command+Q）
重新启动克劳德桌面
测试你的第一个MCP工具！

试着问克劳德：

“我需要在明天之前构建一个功能，但工程人员说这需要3次冲刺。立即使用demand_feature_immediately工具！”

💡 这里发生了什么事？

克劳德看到你的工具，知道什么时候使用它们
当你提到一个工具时，Claude会调用它
服务器处理请求并返回响应
MCP概念：AI助手协调工具使用！

🎮 试试看！（自己发现答案！）

🎯 Karen PM场景（从这里开始！）

准备好看一些搞笑的PM行为了吗？ 点燃克劳德，试试这些：

场景1：经典的“只需添加一个按钮”

"The client wants a real-time collaborative editing feature with conflict resolution. 
Engineering says it's 3 sprints. Use demand_feature_immediately to respond."

💡 你将学到什么：AI如何使用参数调用工具 😂 你会看到什么: ...运行它来找出答案！

场景2：截止日期覆盖

"The database migration team estimated 2 weeks. We need it by Friday. 
Use override_engineering_estimate."

💡 你将学到什么：多个参数，响应格式 🔥 你会看到什么相信我，你会笑的

场景3：发射后惊喜

"The login screen is live, but now I need OAuth, SSO, biometric auth, 
and magic links. Use change_requirements_post_deployment."

💡 你将学到什么：情境感知响应 🎭 你会看到什么：经典PM煤气灯在行动

场景4：竞争对手的嫉妒

"Our competitor has blockchain AI in the cloud. We need this too! 
Use invoke_competitor_feature."

💡 你将学到什么：工具如何参考外部环境 🤦 你会看到什么：对技术可行性一无所知

场景5：伟大的按钮颜色辩论

"The login button needs to be #2E86AB instead of #2E86AC. 
Use escalate_to_ceo_over_ui_color."

场景6：虚假状态报告

"The project is 3 weeks behind, over budget, and half the team quit. 
Use generate_sarcastic_status_update to report to stakeholders."

场景7：随机混沌发生器

"We need a new feature idea. Use random_feature_request to generate something."

场景8:PM Meme创建 🎨

"Create a meme about demanding features with impossible deadlines using generate_pm_meme."

🎭 更多场景可供尝试

PM最受欢迎:

安排一次2小时的页脚文本会议
请求数据库迁移的每小时更新
将版权年份更新标记为紧急
跳过测试，因为“我们没有时间处理”
将COBOL大型机与AI聊天机器人集成
生成状态更新，假装灾难正常
获取一个随机的荒谬功能建议
创建PM行为模因（截止日期混乱、竞争对手嫉妒、流程绕过）

🎓 你的学习之旅

🌱 开始：尝试3-5个工具，看看会发生什么
🚀 探索：使用不同参数进行实验
🎨 创建：结合工具构建有趣的场景
🔬 理解：阅读代码以了解其工作原理
🏆 大师：打造自己的工具！

💡 专业提示：这些回答比你想象的还要有趣。去试试吧！

📚 通过Karen了解MCP

MCP堆栈（简化！）

┌─────────────────────────────────────┐
│  YOU (via Claude Desktop)           │  ← User requests something
└──────────────┬──────────────────────┘
               │
               ▼
┌─────────────────────────────────────┐
│  CLAUDE (AI Assistant)               │  ← Decides which tool to use
│  - Understands your request          │
│  - Chooses appropriate tool          │
│  - Passes parameters                 │
└──────────────┬──────────────────────┘
               │  MCP Protocol (JSON-RPC)
               ▼
┌─────────────────────────────────────┐
│  MCP GATEWAY (Docker)                │  ← Routes to correct server
│  - Manages multiple servers          │
│  - Handles authentication            │
└──────────────┬──────────────────────┘
               │
               ▼
┌─────────────────────────────────────┐
│  KAREN SERVER (Your Code!)           │  ← Executes the tool
│  - Receives tool invocation          │
│  - Processes parameters              │
│  - Returns formatted response        │
└──────────────┬──────────────────────┘
               │  (Optional)
               ▼
┌─────────────────────────────────────┐
│  OPENAI API                          │  ← Generates creative content
│  - Creates dynamic responses         │
│  - Adds variety and humor            │
└─────────────────────────────────────┘

您正在学习的关键MCP概念

工具 =AI可以调用的函数

- 例子： demand_feature_immediately() 是一种工具

参数 =工具输入

- 例子： feature="user authentication", deadline="tomorrow"

服务器 =收集相关工具

- 示例：Karen PM服务器有13个PM行为工具

协议 =人工智能和服务器如何通信

- MCP通过stdio使用JSON-RPC

运输 =如何发送消息

- stdin/stdout用于本地，HTTP用于远程

- 你的custom.yaml是一个目录

注册表 =将服务器映射到其位置

- 告诉网关在哪里可以找到服务器

🛠️ 发展与学习

🔍 探索代码

服务器代码被大量注释以教授MCP概念：

# karen_server.py - Check out these learning sections:

1. Tool Definition
   @mcp.tool()  # ← This decorator makes a function an MCP tool
   async def demand_feature_immediately(feature: str = "", deadline: str = "") -> str:
       """Single-line description that AI sees"""  # ← AI reads this!

2. Parameter Handling
   - Default values make parameters optional
   - Type hints help AI understand what to send
   
3. Response Formatting
   - Returns formatted strings
   - Emojis make output fun and readable
   
4. External API Integration
   - Shows how to call OpenAI
   - Demonstrates fallback patterns
   
5. Error Handling
   - Try-catch blocks for reliability
   - Graceful degradation when APIs fail

🧪 本地测试

使用Makefile（简易模式！）

# Install dependencies
make install

# Run all tests
make test

# Validate Python syntax
make validate

# Build and run everything
make all

使用真实API密钥进行测试 🔑

# Copy the example environment file
cp .env.example .env

# Edit .env and add your API keys:
# OPENAI_API_KEY=sk-your-key-here
# IMGFLIP_USERNAME=your-username
# IMGFLIP_PASSWORD=your-password

# Run tests - automatically loads .env file
make test

# The Makefile detects .env and mounts it to Docker
# You'll see real OpenAI and Imgflip API calls!

手动测试（高级）

# Test without Claude (great for learning!)
export OPENAI_API_KEY="your-key"

# Run the test suite
python3 test_karen_server.py

# Send MCP protocol messages directly
echo '{"jsonrpc":"2.0","method":"tools/list","id":1}' | \
  docker run -i --rm karen-mcp-server:latest

# Test a specific tool with your .env file
echo '{"jsonrpc":"2.0","method":"tools/call","params":{"name":"demand_feature_immediately","arguments":{"feature":"blockchain AI","deadline":"tomorrow"}},"id":2}' | \
  docker run -i --rm --env-file .env karen-mcp-server:latest

💡 你正在学习什么:

MCP使用JSON-RPC 2.0协议
工具列在 tools/list
工具被称为 tools/call
参数进入 arguments 对象
环境变量确保API密钥的安全
自动化测试及早发现问题！
.env 文件与Docker无缝协作！

🎨 创建自己的工具！

尝试将此添加到 karen_server.py:

@mcp.tool()
async def demand_documentation(feature: str = "") -> str:
    """Demand that devs write docs after shipping to production."""
    
    if not feature.strip():
        feature = "the new feature"
    
    system_prompt = """You are Karen PM demanding documentation be written 
    AFTER the feature is in production. Act like docs are just paperwork 
    that can be done anytime."""
    
    prompt = f"Demand documentation for '{feature}' that's already live"
    
    ai_response = await call_openai(prompt, system_prompt)
    
    if ai_response:
        return f"📝❌ RETROACTIVE DOCS DEMAND ❌📝\n\n{ai_response}\n\n📚 *Treating documentation as optional paperwork*"
    else:
        return f"📝❌ RETROACTIVE DOCS DEMAND ❌📝\n\nThe feature is LIVE! Can't you just write the docs now? It's just typing! How long could it take?!\n\n📚 *Treating documentation as optional paperwork*"

然后：

重建： docker build -t karen-mcp-server .
将工具名称添加到目录 tools: 列表
重新启动克劳德桌面
测试你的新工具！

🎓 祝贺 您刚刚创建了一个MCP工具！

❓ 故障排除（从常见问题中学习！）

工具未出现在Claude中

问题：在Claude Desktop中看不到Karen工具

学习机会：了解MCP堆栈！

解决方案:

检查Docker镜像是否存在： docker images | grep karen

- *学习*：使用前必须构建图像

验证目录语法： cat ~/.docker/mcp/catalogs/custom.yaml

- *学习*：YAML缩进很重要！

检查注册表项是否存在 registry: 钥匙

- *学习*：注册表将名称映射到服务器

重新启动克劳德桌面完全（退出，而不仅仅是关闭）

- *学习*：启动时读取配置

检查Claude日志是否有错误

- *学习*：调试是开发的一部分！

OpenAI API错误

问题：“API密钥无效”或超时错误

学习机会：外部API集成！

解决方案:

验证密码： docker mcp secret list

- *学习*：使用前必须设置秘密

在检查API密钥 platform.openai.com/api-keys

- *学习*：API密钥可能过期或被吊销

没有API密钥？ 服务器使用回退响应！

- *学习*：始终构建后备系统！

“工具失败”错误

问题：工具调用失败

学习机会：错误处理和调试！

解决方案:

检查Docker日志： docker ps 然后 docker logs [container-id]

- *学习*原木是你最好的朋友！

使用JSON-RPC的本地测试工具

- *学习*你可以在没有克劳德的情况下进行测试！

验证参数类型是否符合预期

- *学习*：类型验证可防止错误！

响应过于笼统

问题：凯伦的回答不够有趣

学习机会：人工智能提示工程！

解决方案:

在代码中增加温度（目前为0.8）

- *学习*：温度控制创造力

用更具体的说明增强系统提示

- *学习*：更好的提示=更好的结果

切换到GPT-4： docker mcp secret set OPENAI_MODEL="gpt-4"

- *学习*不同的模型，不同的结果！

📖 了解有关MCP的更多信息

官方资源

接下来要构建什么

个人MCP服务器：用于日常工作流程的工具
数据访问：将AI连接到您的数据库
API集成：GitHub、Jira、Slack等。
自定义AI代理：培养专业助理
内部工具：公司特定的集成

MCP最佳实践（在这里学习！）

✅ 清晰的工具描述（人工智能需要理解它们） ✅ 具有默认值的可选参数（更灵活） ✅ 格式化回复（表情符号、结构、可读性） ✅ 错误处理（优雅失败） ✅ 后备系统（无需外部API即可工作） ✅ 安全（环境中的秘密，而非代码） ✅ 文档（帮助他人学习！）

🎉 你所取得的成就！

完成本教程后，您现在了解：

✅ MCP是什么以及它为什么重要
✅ MCP服务器如何将工具暴露给AI
✅ 如何使用参数构建工具
✅ 如何使用Docker部署服务器
✅ 如何集成外部API（OpenAI）
✅ 如何构建后备系统
✅ Claude Desktop如何连接到MCP服务器
✅ MCP协议的工作原理（JSON-RPC）
✅ 如何调试和排除MCP服务器故障
✅ 如何创建自己的工具！

🎓 现在，您已经准备好构建生产MCP服务器了！

🎭 为什么这很重要（严肃的事情）

这个幽默的服务器教授你将用于严肃项目的真正MCP技能：

实际应用

你学到了什么 → 您将在何处使用它

工具创建→ 楼宇业务自动化
参数处理→ 用户输入处理
外部API→ 数据库连接、web服务
后备系统→ 弹性生产规范
Docker部署→ 现代云基础设施
错误处理→ 专业软件开发
人工智能集成→ 下一代应用

每位开发者的体验

Karen PM工具不仅有趣，而且基于真实经验：

“只需添加一个按钮”=低估了复杂性
估算覆盖=忽略专业知识
发布后更改=范围蔓延
竞争对手抄袭=误解架构
不必要的会议=沟通开销
流程绕过=技术债务产生

用幽默学习可以让概念深入人心！

🤝 贡献

想增加更多的凯伦行为或改善学习体验吗？

分叉存储库
创建要素分支
添加你的搞笑工具
更新文档
提交pull请求！

贡献的想法:

更多Karen PM工具
更好的教育评论
视频教程
翻译成其他语言
附加学习练习

📄 许可证

麻省理工学院许可证-自由学习，创造惊人的东西！

🙏 致谢

每个开发者 谁经历过这些PM时刻
MCP社区 为了构建这个令人惊叹的协议
FastMCP 使服务器创建变得简单
你为了学习和建设！

______________________________________________________________________

🚀 准备好创造真实的东西了吗？

现在您已经了解了MCP的基础知识，请尝试构建：

个人助理：用于日常任务的工具
代码助手：与GitHub集成，运行测试，部署
数据资源管理器：查询数据库，可视化数据
团队工具：公司特定的工作流程
创造性工具：生成内容、图像、音乐

MCP协议是你的游乐场——去构建一些很棒的东西吧！ 🎉

______________________________________________________________________

💬 问题还是卡住？

检查上面的故障排除部分
查看中的代码注释 karen_server.py
阅读官方 MCP文件
实验，玩得开心！

记住每个专家都曾经是初学者。你有这个！ 💪

MCP Server Karen

快速接入

详细介绍

🎓 Karen MCP服务器：边笑边学习MCP 101！ 🚀

🎯 你将学到什么

🎭 为什么是“Karen PM”？

🌟 非常适合

🎪 Karen PM Tools（你的学习游乐场！）

� Karen PM Tools（开发人员的噩梦！）

🚀 快速入门（您的MCP学习之旅！）

你需要什么（先决条件）

🎓 分步安装（边构建边学习！）

第一步：构建您的第一个MCP服务器！ 🏗️

步骤2：设置AI集成（可选）🤖

步骤3：注册您的服务器📋

步骤4：更新注册表📝

步骤5：连接到克劳德桌面🔌

步骤6：启动和测试！ 🎉

🎮 试试看！（自己发现答案！）

🎯 Karen PM场景（从这里开始！）

🎭 更多场景可供尝试

🎓 你的学习之旅

📚 通过Karen了解MCP

MCP堆栈（简化！）

您正在学习的关键MCP概念

🛠️ 发展与学习

🔍 探索代码

🧪 本地测试

🎨 创建自己的工具！

❓ 故障排除（从常见问题中学习！）

工具未出现在Claude中

OpenAI API错误

“工具失败”错误

响应过于笼统

📖 了解有关MCP的更多信息

官方资源

接下来要构建什么

MCP最佳实践（在这里学习！）

🎉 你所取得的成就！

🎭 为什么这很重要（严肃的事情）

实际应用

每位开发者的体验

🤝 贡献

📄 许可证

🙏 致谢

🚀 准备好创造真实的东西了吗？

💬 问题还是卡住？

目录标签

接入字段

权限和风险

来源信息

继续浏览同类 MCP