🌟 早期採用者的經驗教訓

(點擊上方圖片觀看本課程影片)

🎯 本單元涵蓋內容

本單元探討真實組織與開發者如何利用 Model Context Protocol (MCP) 解決實際挑戰並推動創新。透過詳細案例研究、實作專案與實用範例，您將發現 MCP 如何實現安全、可擴展的 AI 整合，將語言模型、工具與企業資料串聯起來。

📚 觀看 MCP 實際運作

想看這些原則如何應用於生產就緒的工具嗎？請參閱我們的10 個正在轉變開發者生產力的 Microsoft MCP 伺服器，展示您今天就能使用的 Microsoft MCP 伺服器。

概述

本課程探討早期採用者如何利用 Model Context Protocol (MCP) 解決真實世界挑戰，並推動產業創新。透過詳細的案例研究和實作專案，您將看到 MCP 如何實現標準化、安全、可擴展的 AI 整合，將大型語言模型、工具與企業資料在統一框架中串聯。您將獲得設計與建置基於 MCP 的解決方案的實務經驗，學習經驗證的實作模式，發掘在生產環境中部署 MCP 的最佳實務。課程也將強調新興趨勢、未來方向與開源資源，助您保持在 MCP 技術及其不斷演進的生態系最前沿。

學習目標

分析來自不同行業的真實 MCP 實作案例
設計並建置完整的 MCP 應用程式
探索 MCP 技術的新興趨勢與未來方向
在實際開發情境中應用最佳實務

真實 MCP 實作案例

案例研究 1：企業客戶支援自動化

某跨國企業導入 MCP 解決方案，標準化整合其客戶支援系統中的 AI 互動。此舉使他們能夠：

建立多家大型語言模型供應商的統一介面
跨部門維持一致的提示管理
實施嚴謹的安全與合規控管
根據需求輕鬆切換不同 AI 模型

技術實作：

# Python MCP 伺服器實作，用於客戶支援
import logging
import asyncio
from modelcontextprotocol import create_server, ServerConfig
from modelcontextprotocol.server import MCPServer
from modelcontextprotocol.transports import create_http_transport
from modelcontextprotocol.resources import ResourceDefinition
from modelcontextprotocol.prompts import PromptDefinition
from modelcontextprotocol.tool import ToolDefinition

# 設定日誌記錄
logging.basicConfig(level=logging.INFO)

async def main():
    # 建立伺服器配置
    config = ServerConfig(
        name="Enterprise Customer Support Server",
        version="1.0.0",
        description="MCP server for handling customer support inquiries"
    )
    
    # 初始化 MCP 伺服器
    server = create_server(config)
    
    # 註冊知識庫資源
    server.resources.register(
        ResourceDefinition(
            name="customer_kb",
            description="Customer knowledge base documentation"
        ),
        lambda params: get_customer_documentation(params)
    )
    
    # 註冊提示模板
    server.prompts.register(
        PromptDefinition(
            name="support_template",
            description="Templates for customer support responses"
        ),
        lambda params: get_support_templates(params)
    )
    
    # 註冊支援工具
    server.tools.register(
        ToolDefinition(
            name="ticketing",
            description="Create and update support tickets"
        ),
        handle_ticketing_operations
    )
    
    # 使用 HTTP 傳輸啟動伺服器
    transport = create_http_transport(port=8080)
    await server.run(transport)

if __name__ == "__main__":
    asyncio.run(main())

**成果：**模型成本降低 30%，回應一致性提升 45%，並強化全球運作的合規性。

案例研究 2：醫療診斷助理

某醫療機構建置 MCP 架構，整合多個專業醫療 AI 模型，同時確保敏感病患資料獲得保護：

在通用與專業醫療模型間無縫切換
嚴格的隱私控管與稽核紀錄
與現有電子病歷 (EHR) 系統整合
醫療術語的一致提示設計

技術實作：

// C# MCP host application implementation in healthcare application
using Microsoft.Extensions.DependencyInjection;
using ModelContextProtocol.SDK.Client;
using ModelContextProtocol.SDK.Security;
using ModelContextProtocol.SDK.Resources;

public class DiagnosticAssistant
{
    private readonly MCPHostClient _mcpClient;
    private readonly PatientContext _patientContext;
    
    public DiagnosticAssistant(PatientContext patientContext)
    {
        _patientContext = patientContext;
        
        // Configure MCP client with healthcare-specific settings
        var clientOptions = new ClientOptions
        {
            Name = "Healthcare Diagnostic Assistant",
            Version = "1.0.0",
            Security = new SecurityOptions
            {
                Encryption = EncryptionLevel.Medical,
                AuditEnabled = true
            }
        };
        
        _mcpClient = new MCPHostClientBuilder()
            .WithOptions(clientOptions)
            .WithTransport(new HttpTransport("https://healthcare-mcp.example.org"))
            .WithAuthentication(new HIPAACompliantAuthProvider())
            .Build();
    }
    
    public async Task<DiagnosticSuggestion> GetDiagnosticAssistance(
        string symptoms, string patientHistory)
    {
        // Create request with appropriate resources and tool access
        var resourceRequest = new ResourceRequest
        {
            Name = "patient_records",
            Parameters = new Dictionary<string, object>
            {
                ["patientId"] = _patientContext.PatientId,
                ["requestingProvider"] = _patientContext.ProviderId
            }
        };
        
        // Request diagnostic assistance using appropriate prompt
        var response = await _mcpClient.SendPromptRequestAsync(
            promptName: "diagnostic_assistance",
            parameters: new Dictionary<string, object>
            {
                ["symptoms"] = symptoms,
                patientHistory = patientHistory,
                relevantGuidelines = _patientContext.GetRelevantGuidelines()
            });
            
        return DiagnosticSuggestion.FromMCPResponse(response);
    }
}

**成果：**提升醫師診斷建議品質，達成 HIPAA 完全合規，並大幅減少系統切換時的上下文轉換。

案例研究 3：金融服務風險分析

某金融機構導入 MCP，標準化跨部門的風險分析流程：

建立信用風險、詐欺偵測與投資風險模型的統一介面
執行嚴格存取控管與模型版本管理
確保所有 AI 推薦具備稽核追蹤能力
各系統間維持一致的資料格式

技術實作：

// 用於金融風險評估的 Java MCP 伺服器
import org.mcp.server.*;
import org.mcp.security.*;

public class FinancialRiskMCPServer {
    public static void main(String[] args) {
        // 建立具有金融合規功能的 MCP 伺服器
        MCPServer server = new MCPServerBuilder()
            .withModelProviders(
                new ModelProvider("risk-assessment-primary", new AzureOpenAIProvider()),
                new ModelProvider("risk-assessment-audit", new LocalLlamaProvider())
            )
            .withPromptTemplateDirectory("./compliance/templates")
            .withAccessControls(new SOCCompliantAccessControl())
            .withDataEncryption(EncryptionStandard.FINANCIAL_GRADE)
            .withVersionControl(true)
            .withAuditLogging(new DatabaseAuditLogger())
            .build();
            
        server.addRequestValidator(new FinancialDataValidator());
        server.addResponseFilter(new PII_RedactionFilter());
        
        server.start(9000);
        
        System.out.println("Financial Risk MCP Server running on port 9000");
    }
}

**成果：**增強法規遵循，模型部署週期縮短 40%，跨部門風險評估一致性提升。

案例研究 4：Microsoft Playwright MCP 伺服器用於瀏覽器自動化

微軟開發了Playwright MCP 伺服器，利用 Model Context Protocol 實現安全、標準化的瀏覽器自動化。這個生產就緒伺服器讓 AI 代理與大型語言模型得以以受控、可稽核且可擴展的方式與網頁瀏覽器交互，實現自動化網頁測試、資料擷取及端對端工作流程。

🎯 生產就緒工具

本案例展示您現在就可使用的真實 MCP 伺服器！深入了解 Playwright MCP 伺服器與另外 9 個生產就緒的 Microsoft MCP 伺服器，請參閱我們的Microsoft MCP 伺服器指南。

主要特點：

將瀏覽器自動化功能（導航、表單填寫、螢幕擷取等）以 MCP 工具形式開放
遵循嚴格存取控管與沙盒機制，防止未授權操作
提供詳細瀏覽器互動的稽核日誌
支援與 Azure OpenAI 及其他大型語言模型供應商整合，以實現代理自動化
支援 GitHub Copilot 的程式碼代理具備網頁瀏覽功能

技術實作：

// TypeScript：在 MCP 伺服器中註冊 Playwright 瀏覽器自動化工具
import { createServer, ToolDefinition } from 'modelcontextprotocol';
import { launch } from 'playwright';

const server = createServer({
  name: 'Playwright MCP Server',
  version: '1.0.0',
  description: 'MCP server for browser automation using Playwright'
});

// 註冊一個用於導航到 URL 並擷取螢幕截圖的工具
server.tools.register(
  new ToolDefinition({
    name: 'navigate_and_screenshot',
    description: 'Navigate to a URL and capture a screenshot',
    parameters: {
      url: { type: 'string', description: 'The URL to visit' }
    }
  }),
  async ({ url }) => {
    const browser = await launch();
    const page = await browser.newPage();
    await page.goto(url);
    const screenshot = await page.screenshot();
    await browser.close();
    return { screenshot };
  }
);

// 啟動 MCP 伺服器
server.listen(8080);

成果：

使 AI 代理與大型語言模型擁有安全、可程式化的瀏覽器自動化能力
減少人工測試作業並提升網頁應用測試覆蓋率
提供企業環境重用且可擴展的瀏覽器工具整合架構
支援 GitHub Copilot 的網頁瀏覽能力

參考：

案例研究 5：Azure MCP – 企業級 Model Context Protocol 服務

Azure MCP 伺服器 (https://aka.ms/azmcp) 是微軟所提供的托管企業級 Model Context Protocol 實作，設計為可擴展、安全且合規的 MCP 伺服器雲端服務。Azure MCP 幫助組織快速部署、管理並整合 MCP 伺服器與 Azure AI、資料和安全服務，降低營運成本、加速 AI 採用。

🎯 生產就緒工具

這是您現在就可使用的真實 MCP 伺服器！深入了解 Azure AI Foundry MCP 伺服器，請參閱我們的Microsoft MCP 伺服器指南。

全託管 MCP 伺服器主機，內建彈性擴充、監控及安全性
原生整合 Azure OpenAI、Azure AI Search 及其他 Azure 服務
企業級認證與授權，採用 Microsoft Entra ID
支援自訂工具、提示範本與資源連接器
符合企業安全與法規要求

技術實作：

# Example: Azure MCP server deployment configuration (YAML)
apiVersion: mcp.microsoft.com/v1
kind: McpServer
metadata:
  name: enterprise-mcp-server
spec:
  modelProviders:
    - name: azure-openai
      type: AzureOpenAI
      endpoint: https://<your-openai-resource>.openai.azure.com/
      apiKeySecret: <your-azure-keyvault-secret>
  tools:
    - name: document_search
      type: AzureAISearch
      endpoint: https://<your-search-resource>.search.windows.net/
      apiKeySecret: <your-azure-keyvault-secret>
  authentication:
    type: EntraID
    tenantId: <your-tenant-id>
  monitoring:
    enabled: true
    logAnalyticsWorkspace: <your-log-analytics-id>

成果：

提供現成且合規的 MCP 平台，縮短企業 AI 專案價值實現時間
簡化大型語言模型、工具與企業資料源的整合
強化 MCP 工作負載的安全性、可觀察性及營運效率
使用 Azure SDK 最佳實務與最新認證模式提升程式碼品質

參考資料：

案例研究 6：NLWeb

MCP (Model Context Protocol) 是一個新興協定，賦能聊天機器人與 AI 助理與工具互動。每個 NLWeb 節點同時也是一個 MCP 伺服器，支援一個核心方法 ask，可用自然語言向網站提問。回傳的回應採用 schema.org 統一詞彙描述網頁資料。大致而言，MCP 就像 NLWeb 之於 Http 是對 HTML。NLWeb 結合協定、Schema.org 格式與示範程式碼，幫助網站快速建立這類端點，既讓人類使用對話介面，也促進機器間自然代理互動。

NLWeb 包含兩部分：

一套簡易協定，用自然語言與網站介面溝通，利用 json 與 schema.org 格式返回答案。詳見 REST API 文件。
一個基於 (1) 的簡易實作，利用現有標記，適用於可抽象為物品清單的網站（產品、食譜、景點、評論等）。搭配使用者介面元件，輕鬆提供內容對話介面。詳見 Life of a chat query 文件說明其運作。

參考資料：

案例研究 7：Azure AI Foundry MCP 伺服器 – 企業 AI 代理整合

Azure AI Foundry MCP 伺服器展示 MCP 如何調度及管理企業環境中的 AI 代理與工作流程。透過與 Azure AI Foundry 整合，組織能標準化代理互動，利用 Foundry 的工作流程管理，並確保安全、可擴展部署。

🎯 生產就緒工具

這是您現在就可使用的真實 MCP 伺服器！深入了解 Azure AI Foundry MCP 伺服器，請參閱我們的Microsoft MCP 伺服器指南。

主要特點：

全方位接入 Azure AI 生態系，涵蓋模型目錄與部署管理
使用 Azure AI Search 進行知識索引，支援 RAG 應用
AI 模型效能與品質評估工具
與 Azure AI Foundry 目錄與實驗室整合，接軌前沿研究模型
生產環境用代理管理與評估能力

成果：

快速原型設計並具健全監控的 AI 代理工作流程
與 Azure AI 服務無縫整合，支援進階應用
建置、部署與監控代理流程的統一介面
改善企業安全、合規及營運效率
加速 AI 採用，同時維持對複雜代理流程的掌控

參考：

案例研究 8：Foundry MCP Playground – 實驗與原型開發

Foundry MCP Playground 提供一個可即時使用的環境，用於 MCP 伺服器與 Azure AI Foundry 整合的實驗。開發者能快速對 AI 模型與代理工作流程進行原型設計、測試與評估。該平台簡化設置，提供範例專案，支援協作開發，輕鬆探索最佳實務與新場景，降低複雜基礎建設門檻。特別適合團隊驗證概念、分享實驗並加速學習，有助促進 MCP 與 Azure AI Foundry 生態系統的創新與社群貢獻。

參考：

Foundry MCP Playground GitHub 倉庫

案例研究 9：Microsoft Learn Docs MCP 伺服器 – AI 驅動的文件存取

Microsoft Learn Docs MCP 伺服器是一項雲端服務，透過 Model Context Protocol 為 AI 助理提供即時存取官方 Microsoft 文件的能力。此生產就緒伺服器連接完整的 Microsoft Learn 生態系，實現跨所有官方 Microsoft 資源的語義搜尋。

🎯 生產就緒工具

這是您現在就可使用的真實 MCP 伺服器！深入了解 Microsoft Learn Docs MCP 伺服器，請參閱我們的Microsoft MCP 伺服器指南。

主要特點：

即時存取官方 Microsoft 文件、Azure 文件及 Microsoft 365 文件
先進語義搜尋，理解上下文與意圖
Microsoft Learn 內容即時更新確保資訊時效
涵蓋 Microsoft Learn、Azure 文件及 Microsoft 365 全面內容
回傳多達 10 個高品質內容段落，附文章標題與網址

重要性說明：

解決 Microsoft 技術 AI 知識過時問題
確保 AI 助理能存取最新 .NET、C#、Azure 與 Microsoft 365 功能
提供權威、一手資訊以確保程式碼生成正確性
對使用快速演進 Microsoft 技術的開發者至關重要

成果：

大幅提升 Microsoft 技術 AI 生成程式碼的準確度
降低尋找最新文件與最佳實務的時間成本
強化開發者生產力與上下文感知的文件檢索能力
無縫整合開發工作流程，不必離開 IDE

參考：

實作專案

專案 1：建置多供應商 MCP 伺服器

目標： 建立一個 MCP 伺服器，能根據特定條件將請求路由至多個 AI 模型供應商。

需求：

支援至少三個不同模型供應商（如 OpenAI、Anthropic、本地模型）
根據請求元資料實作路由機制
建立供應商憑證管理的設定系統
加入快取以優化效能與成本
建置監控儀表板以監測使用情況

實作步驟：

建立基礎 MCP 伺服器架構
為各 AI 模型服務實作供應商適配器
依請求屬性建立路由邏輯
新增常用請求快取機制
開發監控儀表板
以多種請求模式測試

技術選擇： 可使用 Python (.NET/Java/Python 按照偏好)、Redis 快取與簡易網頁框架開發儀表板。

專案 2：企業提示管理系統

目標： 開發一個基於 MCP 的系統，用於管理、版本控制和部署整個組織的提示模板。

需求：

建立提示模板的集中式庫存
實現版本控制和審核工作流程
建立帶有範例輸入的模板測試功能
開發基於角色的存取控制
創建用於模板檢索和部署的 API

實施步驟：

設計模板存儲的資料庫結構
創建模板 CRUD 操作的核心 API
實現版本控制系統
建立審核工作流程
開發測試框架
創建簡易的管理網頁介面
與 MCP 伺服器整合

技術： 選擇您偏好的後端框架、SQL 或 NoSQL 資料庫，以及用於管理介面的前端框架。

專案 3：基於 MCP 的內容生成平台

目標： 建立一個利用 MCP 提供不同內容類型一致結果的內容生成平台。

需求：

支援多種內容格式（部落格文章、社群媒體、行銷文案）
實現基於模板的生成並提供自訂選項
建立內容審查與回饋系統
追蹤內容效能指標
支援內容版本控制與迭代

實施步驟：

建立 MCP 用戶端基礎架構
創建不同內容類型的模板
建構內容生成管線
實施審查系統
開發效能指標追蹤系統
創建模板管理和內容生成的用戶介面

技術： 您偏好的程式語言、網頁框架及資料庫系統。

MCP 技術的未來方向

新興趨勢

多模態 MCP
- 擴展 MCP 以標準化與影像、音訊及影片模型的互動
- 發展跨模態推理能力
- 針對不同模態的標準化提示格式
聯邦 MCP 基礎架構
- 可在組織間共享資源的分散式 MCP 網路
- 安全模型共享的標準化協議
- 隱私保護計算技術
MCP 市場平台
- 分享及貨幣化 MCP 模板和插件的生態系統
- 品質保證及認證流程
- 與模型市場整合
邊緣運算的 MCP
- 適用於資源有限邊緣設備的 MCP 標準調整
- 低頻寬環境優化協議
- 物聯網生態系專用 MCP 實作
監管框架
- 為監管合規開發 MCP 擴展
- 標準化稽核追蹤與解釋介面
- 與新興的 AI 治理框架整合

來自微軟的 MCP 解決方案

微軟和 Azure 開發了幾個開源資源庫，幫助開發者在各種場景下實作 MCP：

Microsoft 組織

playwright-mcp - 用於瀏覽器自動化與測試的 Playwright MCP 伺服器
files-mcp-server - OneDrive MCP 伺服器實作，用於本地測試與社群貢獻
NLWeb - NLWeb 收錄開放協定與相關開源工具，重點建立 AI 網路的基礎層

Azure-Samples 組織

mcp - 多語言版本 Azure MCP 伺服器建置與整合範例、工具及資源
mcp-auth-servers - 展示基於當前模型上下文協定規範的驗證 MCP 伺服器參考範例
remote-mcp-functions - Azure Functions 上遠端 MCP 伺服器實作入口頁，附語言專屬庫連結
remote-mcp-functions-python - 使用 Python 於 Azure Functions 快速建置和部署自訂遠端 MCP 伺服器模板
remote-mcp-functions-dotnet - 使用 .NET/C# 於 Azure Functions 快速建置和部署自訂遠端 MCP 伺服器模板
remote-mcp-functions-typescript - 使用 TypeScript 於 Azure Functions 快速建置和部署自訂遠端 MCP 伺服器模板
remote-mcp-apim-functions-python - 以 Python 利用 Azure API 管理作為遠端 MCP 伺服器的 AI 閘道
AI-Gateway - 包含 MCP 功能的 APIM ❤️ AI 實驗，整合 Azure OpenAI 和 AI Foundry

這些資源庫涵蓋了跨不同程式語言與 Azure 服務的 MCP 實作、範本及資源，支援從基礎伺服器建置、身份驗證、雲端部署到企業整合等多種使用情境。

MCP 資源目錄

官方 Microsoft MCP 倉庫中的 MCP Resources directory 提供精選的範本資源、提示模板及工具定義，用以搭配模型上下文協定伺服器使用。此目錄旨在幫助開發者快速上手 MCP，並提供可重用元件和最佳實踐範例，包括：

提示模板： 可直接使用的常見 AI 任務與場景提示模板，可依需求修改用於自家 MCP 伺服器實作。
工具定義： 範例工具 schema 與元資料，標準化不同 MCP 伺服器間的工具整合與調用。
資源範例： 用於連結資料來源、API 與外部服務的資源定義樣例，適用 MCP 架構。
參考實作： 實務範例展示如何在真實 MCP 專案中結構化資源、提示與工具。

這些資源促進開發加速、推動標準化，並有助於建置及部署 MCP 解決方案時遵循最佳實務。

MCP 資源目錄

MCP 資源 (範例提示、工具與資源定義)

研究機會

MCP 框架中的高效提示優化技巧
多租戶 MCP 部署的安全模型
不同 MCP 實作間的效能基準測試
MCP 伺服器形式化驗證方法

結論

模型上下文協議（MCP）正在迅速塑造標準化、安全且可互操作的 AI 整合未來。透過本課程的案例研究與實作專案，您已見識到包括微軟與 Azure 等早期採用者，如何利用 MCP 解決真實世界問題，加速 AI 採用，並確保合規、安全與擴展性。MCP 的模組化設計使組織能夠在統一且可審計架構內，串聯大型語言模型、工具及企業數據。隨著 MCP 持續演進，積極參與社群、探索開源資源、應用最佳實務，將成為建構堅韌、面向未來 AI 解決方案的關鍵。

其他資源

練習題

分析其中一個案例研究並提出替代的實作方式。
選擇一個專案構想並制定詳細的技術規格。
研究案例研究中未涵蓋的產業，並概述 MCP 如何解決其特有挑戰。
探索未來方向之一，並為其創建新的 MCP 擴展概念。

接下來

探索更多內容：Microsoft MCP Servers

繼續學習：Module 8: Best Practices

免責聲明：
本文件係使用 AI 翻譯服務 Co-op Translator 進行翻譯。雖然我們致力於保持準確性，但請注意自動翻譯可能包含錯誤或不準確之處。原始語言文件應被視為權威來源。對於重要資訊，建議採用專業人工翻譯。因使用本翻譯而產生的任何誤解或誤譯，我們不承擔任何責任。

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

🌟 早期採用者的經驗教訓

🎯 本單元涵蓋內容

📚 觀看 MCP 實際運作

概述

學習目標

真實 MCP 實作案例

案例研究 1：企業客戶支援自動化

案例研究 2：醫療診斷助理

案例研究 3：金融服務風險分析

案例研究 4：Microsoft Playwright MCP 伺服器用於瀏覽器自動化

案例研究 5：Azure MCP – 企業級 Model Context Protocol 服務

案例研究 6：NLWeb

案例研究 7：Azure AI Foundry MCP 伺服器 – 企業 AI 代理整合

案例研究 8：Foundry MCP Playground – 實驗與原型開發

案例研究 9：Microsoft Learn Docs MCP 伺服器 – AI 驅動的文件存取

實作專案

專案 1：建置多供應商 MCP 伺服器

專案 2：企業提示管理系統

專案 3：基於 MCP 的內容生成平台

MCP 技術的未來方向

新興趨勢

來自微軟的 MCP 解決方案

Microsoft 組織

Azure-Samples 組織

MCP 資源目錄

MCP 資源目錄

研究機會

結論

其他資源

練習題

接下來

FilesExpand file tree

README.md

Latest commit

History

README.md

File metadata and controls

🌟 早期採用者的經驗教訓

🎯 本單元涵蓋內容

📚 觀看 MCP 實際運作

概述

學習目標

真實 MCP 實作案例

案例研究 1：企業客戶支援自動化

案例研究 2：醫療診斷助理

案例研究 3：金融服務風險分析

案例研究 4：Microsoft Playwright MCP 伺服器用於瀏覽器自動化

案例研究 5：Azure MCP – 企業級 Model Context Protocol 服務

案例研究 6：NLWeb

案例研究 7：Azure AI Foundry MCP 伺服器 – 企業 AI 代理整合

案例研究 8：Foundry MCP Playground – 實驗與原型開發

案例研究 9：Microsoft Learn Docs MCP 伺服器 – AI 驅動的文件存取

實作專案

專案 1：建置多供應商 MCP 伺服器

專案 2：企業提示管理系統

專案 3：基於 MCP 的內容生成平台

MCP 技術的未來方向

新興趨勢

來自微軟的 MCP 解決方案

Microsoft 組織

Azure-Samples 組織

MCP 資源目錄

MCP 資源目錄

研究機會

結論

其他資源

練習題

接下來