Cursor不得不配置的 9 款MCP Server 清单

Cursor 本身的 AI 编程能力不用多说，是非常出色的，但受限于编辑器本身的能力边界，它无法直接操作本地文件系统、管理开发环境、抓取网页数据或者与项目管理工具对接。而MCP（Model Context Protocol，模型上下文协议）的出现，恰好补上了这块短板。

MCP 是一套由 Anthropic 发起、后交由 Linux 基金会治理的开放协议，截至 2026 年中，其开发套件每月下载量已达 9700 万次，公开的 MCP Server 超过 1 万个。它为 AI 客户端与外部工具之间定义了一种标准化的通信方式，使得 Cursor 这样的 AI 编辑器能够安全地调用外部资源。

不过，面对数量庞大的 MCP Server 目录，该如何选择适合自己工作流的组合呢。本文从实际开发场景出发，整理了 9 款经过验证、配置成熟 of Cursor MCP Server，涵盖文件管理、本地环境、搜索研究、浏览器自动化、UI 生成、网页抓取、项目管理和推理增强等方向。

在 Cursor 中配置 MCP Server 的基本方法

在逐个介绍之前，先了解 Cursor 中 MCP Server 的通用配置方式。

Cursor 支持两种配置范围：

• 全局配置（对所有项目生效）：~/.cursor/mcp.json
• 项目级配置（仅对当前项目生效）：.cursor/mcp.json（放在项目根目录下）

当同一个 MCP Server 在两个文件中都定义时，项目级配置会覆盖全局配置。

配置入口在 Cursor Settings > Tools & Integrations > MCP Tools，点击 New MCP Server 即可自动打开或创建配置文件。

配置文件的通用格式如下：

{"mcpServers": {"server-name": {"command": "npx","args": ["-y", "@scope/server-package"],"env": {"API_KEY": "your-api-key"}}}}

保存后需要重启 Cursor 使配置生效。MCP Tools 面板中出现绿色状态指示，说明连接成功。

Filesystem MCP Server：文件系统直接操作

Filesystem MCP Server 由 MCP 官方维护，让 Cursor 的 AI Agent 获得对指定目录的文件系统读写能力。这是最基础也是最常用的 MCP Server 之一。

功能范围

安全机制

Filesystem MCP Server 采用了严格的沙箱策略。启动时必须通过命令行参数显式指定允许访问的目录路径，AI Agent 只能在这些目录范围内操作，无法进行路径穿越。对于大文件，服务端使用流式传输以控制内存占用。

Cursor 配置

{"mcpServers": {"filesystem": {"command": "npx","args": ["-y","@modelcontextprotocol/server-filesystem","/Users/yourname/projects","/Users/yourname/documents"]}}}

上面的配置允许 AI Agent 访问 projects 和 documents 两个目录。实际使用中根据需要替换为自己的路径即可。

适用场景

• 跨多个文件搜索特定的代码模式或文本内容

• 批量重命名、移动或整理项目文件

• 在不切换窗口的情况下快速浏览项目结构

• 自动化创建项目脚手架或模板文件

ServBay MCP Server：让Cursor管理你的本地开发环境

如果说 Filesystem MCP Server 让 AI 能操作文件，那么 ServBay MCP Server 让 AI 能直接管理整个本地开发环境，是AI开发的底座。

ServBay 本身是一个集成了 50 多种开发服务的本地环境管理工具，覆盖 PHP、Node.js、Python、Go、Java、Ruby 等多种语言运行时，内置 MySQL、MariaDB、PostgreSQL、MongoDB、Redis 等数据库，以及 Caddy、Nginx、Apache 等 Web 服务器。它内置了 MCP Server，支持 macOS 和 Windows 双平台。

工具集覆盖

ServBay MCP Server 提供了超过 40 个工具接口，分布在以下几个领域：

配置方式

与其他需要手动编辑 mcp.json 的 MCP Server 不同，ServBay 在设置面板中提供了一键连接 AI 客户端的功能。它会自动检测本机已安装的AI 客户端（Cursor、Claude Code、Codex 等），并直接写入所需的 MCP 配置文件。整个过程不超过 30 秒。

实际使用示例

在 Cursor 中发出这样的指令：

ServBay 收到指令后，会自动完成站点创建、域名绑定、SSL 证书签发、数据库初始化等一系列操作。在没有 MCP 的情况下，AI 只能输出一长串操作步骤让开发者自己去执行，而现在这些操作都由 AI 代为完成了。

适用场景

• 快速搭建带数据库和 HTTPS 的本地开发站点

• 在多个 PHP 或 Node.js 版本之间切换调试兼容性问题

• 排查服务故障时让 AI 读取日志和系统指标

• 管理开发过程中的数据库创建和数据迁移

与 Filesystem MCP Server 的互补

Filesystem MCP Server 管理的是文件层面的操作，ServBay MCP Server 管理的是服务层面的操作。两者配合使用，AI Agent 既能读写代码文件，又能操控运行环境——等于同时获得了「写代码」和「部署环境」两种执行能力。

Exa MCP Server：AI 原生的语义搜索引擎

普通的搜索引擎返回的是网页链接列表，而 Exa 使用神经网络语义搜索技术，能够理解查询意图并返回内容相关度更高的结果。Exa MCP Server 将这一能力接入 Cursor，使 AI Agent 在编码过程中可以直接进行技术调研。

功能特性

• 语义搜索：不依赖关键词精确匹配，而是基于语义理解返回结果，对于模糊的技术查询效果明显优于传统搜索

• 内容提取：通过 exa-fetch 工具从任意 URL 提取全文内容，输出格式为对 AI 友好的 Markdown

• 代码搜索：覆盖大量 GitHub 仓库、技术文档和 Stack Overflow 帖子，适合查找具体的代码实现

• 带引用的研究：返回结果附带来源链接，方便验证信息的准确性

Cursor 配置

Exa 目前提供了托管的 MCP 端点，配置并不复杂：

{"mcpServers": {"exa": {"url": "https://mcp.exa.ai/mcp"}}}

高级功能或高频使用场景可能需要 API Key，可以在 Exa Dashboard 申请后通过环境变量传入。

适用场景

• 调研某个框架或库的最佳实践写法

• 查找特定技术问题的解决方案和代码示例

• 在编码过程中获取最新的 API 文档和变更信息

• 做技术选型时对比不同方案的优缺点

Browserbase MCP Server：云端浏览器自动化

Browserbase MCP Server 提供了基于云端的浏览器自动化能力。与本地运行浏览器实例不同，它通过 Browserbase 的云端基础设施来执行浏览器操作，无需在本地安装和管理浏览器依赖。

功能特性

• 云端浏览器：在远程环境中运行真实的浏览器实例，不占用本地资源

• 页面交互：支持导航、点击、输入、滚动等标准浏览器操作

• 截图与录制：可以对页面进行截图，记录交互过程

• 会话管理：支持会话持久化，可以在多次交互之间保持浏览器状态

Cursor 配置

{"mcpServers": {"browserbase": {"url": "https://mcp.browserbase.com/mcp?browserbaseApiKey=YOUR_API_KEY"}}}

需要在 Browserbase Dashboard 获取 API Key。如果客户端支持 HTTP 头部认证，建议使用 Authorization: Bearer 方式传递 API Key，比 URL 参数方式更安全。

适用场景

• 自动化测试 Web 应用的交互流程

• 从需要 JavaScript 渲染的页面中提取数据

• 对开发中的前端页面进行截图比对

• 模拟用户操作流程以排查前端问题

21st.dev Magic MCP：AI 驱动的 UI 组件生成

21st.dev Magic MCP 专注于前端 UI 组件的生成。它背后是 21st.dev 维护的一套高质量 React 组件库，通过 MCP 协议接入 Cursor 后，开发者可以用自然语言描述需求，直接在编辑器中获得完整的组件代码。

功能特性

• 组件生成：在 Cursor 聊天中输入 /ui 加上需求描述（如「一个带深色模式的定价卡片」），即可生成多个设计方案供选择

• 完整输出：生成的代码包含 TypeScript 类型定义、依赖声明和响应式样式，可以直接集成到项目中

• 品牌资源搜索：通过 SVGL 集成，支持搜索品牌 Logo 和图标素材

• 组件优化：对已有组件进行重新设计或迭代改进

Cursor 配置

{"mcpServers": {"21st-magic": {"command": "npx","args": ["-y", "@21st-dev/magic@latest"],"env": {"TWENTY_FIRST_API_KEY": "your-api-key"}}}}

API Key 可以在 21st.dev 官网获取。

适用场景

• 快速原型搭建阶段，用自然语言生成 UI 组件

• 需要参考现代设计模式但不想逐个搜索组件库时

• 为已有项目补充通用组件（表格、卡片、导航栏等）

• 前端组件的风格迭代和多方案比较

Crawl4AI MCP：自托管的智能网页抓取

Crawl4AI 是一个面向 AI 场景优化的网页爬取框架，其 MCP Server 封装了完整的抓取能力，输出格式经过专门的 LLM 优化。与 Exa 侧重搜索不同，Crawl4AI 侧重对目标网页的深度内容提取。

功能特性

• LLM 优化输出：将抓取到的网页内容自动转换为干净的 Markdown 或结构化 JSON，减少 Token 消耗

• 多格式支持：除了普通网页，还支持 PDF、Word、Excel、PowerPoint 文档的内容提取，以及 YouTube 字幕转录

• 智能摘要：对长篇内容自动生成摘要后再传递给 AI，在保留信息的同时大幅降低 Token 使用量

• 磁盘缓存：可以将完整的抓取结果保存到本地磁盘，仅向 AI 返回元数据，避免上下文窗口膨胀

• 自托管部署：支持通过 Docker 或本地 Python 环境部署，数据不经过第三方服务

依赖环境

Crawl4AI MCP 需要 Python 3.11+ 和 Playwright（用于处理需要 JavaScript 渲染的页面）。推荐使用 uvx ，如果还没有部署python环境，也可以使用ServBay来一键部署python环境。

Cursor 配置（以 uvx 方式为例）

{"mcpServers": {"crawl4ai": {"command": "uvx","args": ["crawl4ai-mcp"]}}}

适用场景

• 从技术文档站点批量提取特定框架的 API 说明

• 抓取竞品网站的产品页面进行结构化分析

• 将 PDF 技术白皮书或报告转换为 AI 可处理的格式

• 构建 RAG（检索增强生成）管道时获取外部数据源

Playwright MCP：基于真实浏览器的测试与调试

Playwright MCP 由 Playwright 团队官方维护，它让 Cursor 中的 AI 能够启动一个真实的浏览器实例，直接与被测页面交互。与 Browserbase 的云端方案不同，Playwright MCP 在本地运行浏览器，主要面向测试生成和调试场景。

工作原理

Playwright MCP 的独特之处在于它通过读取页面的**可访问性树（Accessibility Tree）**来理解页面结构，而不是简单地解析 HTML 源码或像素级截图。这样 AI 获得的是语义化的页面信息（按钮、输入框、链接的文本标签等），生成的选择器和交互代码更稳定可靠。

功能特性

• 实时页面感知：AI 可以打开浏览器访问目标页面，获取当前的 DOM 状态和可访问性信息

• 交互能力：支持点击、填写表单、导航、等待元素等标准操作

• 测试生成：基于实时页面状态生成 Playwright 测试代码，选择器准确度远高于仅凭源码推断

• 调试辅助：当测试失败时，AI 可以重新打开浏览器检查当前页面状态，定位失败原因

Cursor 配置

{"mcpServers": {"playwright": {"command": "npx","args": ["@playwright/mcp@latest"]}}}

需要本地安装 Node.js 18+。

最佳实践

配合 .cursorrules 文件使用效果更好。可以在规则文件中定义团队的测试规范，比如强制使用 Page Object 模式、禁止使用任意等待时间、优先使用可访问性选择器等。这样 AI 生成的测试代码会自动遵循既有规范。

适用场景

• 为现有 Web 应用自动生成端到端测试

• 测试失败后让 AI 打开浏览器实地检查页面状态

• 对比页面重构前后的功能一致性

• 表单流程和交互逻辑的自动化验证

Jira MCP Server：项目管理与编码工作流打通

对于使用 Jira 管理项目的团队而言，在 Cursor 和 Jira 之间反复切换查看需求详情、更新任务状态是一件高频但低效的事情。Jira MCP Server

将 Jira 的项目管理能力接入 Cursor，让 AI 能够直接读取任务信息并更新状态。

两种接入方式

方式一：Atlassian Rovo MCP （官方托管）

Atlassian 官方提供了云端 MCP 端点，配置最简单：

{"mcpServers": {"jira": {"url": "https://mcp.atlassian.com/v1/mcp/authv2"}}}

添加后需要在浏览器中完成 OAuth 授权流程。

方式二：手动配置（使用 API Token）

如果需要更细粒度的控制，可以通过 API Token 方式配置：

{"mcpServers": {"jira": {"command": "npx","args": ["-y", "@atlassian/mcp-atlassian"],"env": {"ATLASSIAN_API_TOKEN": "your-api-token","ATLASSIAN_SITE_URL": "https://yourcompany.atlassian.net"}}}}

API Token 可以在 Atlassian Account Security 页面创建。

适用场景

• 在编码过程中直接查看当前 Sprint 的任务描述和验收标准

• 完成某个功能后自动更新 Jira 任务状态

• 让 AI 根据 Jira 上的 Bug 描述直接定位和修复代码

• 批量查看和整理项目中的未完成任务

Sequential Thinking MCP — 结构化推理增强

Sequential Thinking MCP 与其他 MCP Server 有本质区别。它不提供任何外部数据源或操作能力，而是对 AI 模型的推理过程本身进行优化。

解决什么问题

大语言模型在面对复杂任务时，倾向于直接给出最终答案，跳过中间推导步骤。这在处理简单问题时没什么影响，但在面对大规模重构、多文件架构调整或复杂 Bug 定位时，缺少中间推理步骤会导致 AI 遗漏关键细节或给出不连贯的方案。

工作方式

Sequential Thinking MCP 提供了一个 sequentialthinking 工具。当 AI 调用这个工具时，它会被引导按照以下模式思考：

1. 分解问题：将复杂任务拆解为有序的子步骤

2. 逐步推演：对每个步骤独立分析，输出中间结果

3. 分支探索：在不确定的节点尝试多个方向，再选择最优路径

4. 自我校正：回顾已完成的步骤，发现不合理之处时回退修正

Cursor 配置

{"mcpServers": {"sequential-thinking": {"command": "npx","args": ["-y", "@modelcontextprotocol/server-sequential-thinking"]}}}

使用方式

不需要手动调用。在 Cursor 中给 AI 下达指令时加上引导即可，例如：

AI 会自动调用 sequentialthinking 工具，生成一系列带编号的思考步骤，整个推理过程推导明晰。

适用场景

• 复杂代码库的架构重构规划

• 多因素交叉影响的 Bug 根因分析

• 涉及多个模块的功能设计评审

• 技术方案的多路径对比评估

组合建议：按需搭配而非全部安装

MCP Server 不是安装越多越好。每个 MCP Server 都会增加 Cursor 的启动开销和上下文消耗。根据实际工作流选择组合更合理。

基础组合（适合大多数开发者）

这三个覆盖了文件操作、环境管理和推理质量，构成一个自洽的基础工作流。

全栈 Web 开发组合

在基础组合之上增加：

• Playwright MCP — 用于前端测试生成和调试

• 21st.dev Magic MCP — 加速 UI 组件搭建

• Jira MCP — 与项目管理对接

研究与数据密集型组合

在基础组合之上增加：

• Exa MCP — 技术调研和文档检索

• Crawl4AI MCP — 网页深度内容提取

• Browserbase MCP — 需要浏览器环境的数据抓取

小结

MCP 协议为 Cursor 提供了一种标准化的能力扩展方式。本文介绍的 9 款 MCP Server，从文件系统操作到本地环境管理、从语义搜索到浏览器自动化、从 UI 组件生成到推理增强，各自解决不同环节的效率问题。

其中 Filesystem MCP Server 和 ServBay MCP Server 属于基础层工具，前者让 AI 能操作文件，后者让 AI 能管理整个开发环境中的服务、数据库和站点。两者的组合使得 AI Agent 具备了从代码到运行环境的完整执行能力。

Exa、Crawl4AI、Browserbase 三个 MCP Server 从不同维度补充了 AI 获取外部信息的渠道。Playwright 和 21st.dev Magic MCP 分别面向测试和 UI 两个具体的前端场景。Jira MCP 打通了编码与项目管理之间的信息流。Sequential Thinking MCP 则从推理层面提升了 AI 处理复杂任务的质量。

选择 MCP Server 时，建议从自己最高频的工作场景出发，先配置 2-3 个，跑通后再逐步扩展。工具的价值不在于数量，在于是否真正嵌入了日常工作流。