企业官网建设流程全解析

1. 项目概述：一个为AI开发者赋能的上下文感知工具包

如果你是一名开发者，尤其是正在尝试将AI深度融入日常编码工作流的开发者，那么你一定遇到过这样的困境：你给AI助手（比如Cursor里的Claude，或者Claude Desktop）描述了一个功能需求，它噼里啪啦生成了一堆代码，但仔细一看，要么和项目现有的技术栈不匹配，要么忽略了关键的架构约束，要么生成的代码风格和项目规范格格不入。本质上，AI缺乏对你当前项目上下文的深度理解。

mcp-probe-kit就是为了解决这个核心痛点而生的。它不是另一个简单的代码补全插件，而是一个基于Model Context Protocol的、协议级的开发工具包。它的核心使命是“Know the Context, Feed the Moment”—— 让AI真正理解你的项目意图，然后基于这份理解，在当下为你提供精准的助力。简单来说，它是一套“翻译器”和“导航仪”，将你零散的项目信息（代码、文档、Git历史）转化为AI能高效利用的结构化上下文，并在此基础上，提供覆盖从需求分析到发布上线的22个自动化工具。

想象一下这样的场景：你只需要对AI说一句“我想开发一个用户登录功能”，mcp-probe-kit就能引导AI自动完成从需求访谈、生成规格文档、评估工作量，到最终生成符合项目设计系统的前端组件代码这一整套流程。这背后，正是其“自省”、“上下文注入”和“委托编排”三大核心能力的体现。

2. 核心设计理念与架构解析

2.1 为什么是MCP？协议层的力量

要理解mcp-probe-kit的价值，首先要明白MCP是什么。Model Context Protocol 是由Anthropic提出的一种开放协议，旨在为AI模型提供一个标准化的方式来访问外部工具、数据和上下文。你可以把它想象成AI世界的“USB协议”——它定义了一套标准接口，任何遵循MCP的服务器（提供能力的服务端）都可以被任何遵循MCP的客户端（如Cursor、Claude Desktop）即插即用。

mcp-probe-kit选择在MCP协议层构建，而非做成某个特定IDE的插件，这带来了几个关键优势：

1. 客户端无关性：一旦配置好，你可以在支持MCP的任何客户端中使用这套工具，无需为每个工具单独适配。你的工作流不会因为切换开发环境而中断。
2. 能力标准化：所有工具都通过统一的tools/call接口暴露，返回结构化的JSON数据。这使得AI能更准确、可靠地解析工具输出，并为工具链式调用（一个工具的输出作为另一个工具的输入）奠定了基础。
3. 上下文共享：MCP服务器可以主动向客户端“喂”上下文资源。mcp-probe-kit会生成项目上下文文档、代码图谱快照等，并将其作为资源提供给AI，极大地丰富了AI的“知识背景”。

这种协议层的设计，让mcp-probe-kit从本质上区别于那些功能单一、绑定紧密的插件，成为一个可移植、可组合的AI赋能基础设施。

2.2 工具哲学：编排工具与原子工具

面对22个工具，新手可能会感到选择困难。其设计哲学非常清晰：区分编排工具和原子工具。

编排工具是以start_为前缀的6个工具（如start_feature,start_bugfix）。它们不是直接执行某个操作，而是扮演“项目经理”或“架构师”的角色。当你调用start_feature时，它并不会立刻写代码，而是返回一个详细的、分步骤的“委托执行计划”。这个计划会告诉AI：“要完成这个功能，你需要先调用add_feature生成规格文档，再调用estimate评估工作量，最后可能需要调用ui_design_system来设计界面。” AI需要根据这个计划，一步步调用其他工具并持久化产出物。

注意：这是mcp-probe-kit一个非常关键的设计。它不替代AI的思考和执行能力，而是增强其规划与协调能力。这避免了工具内部逻辑过于黑盒，让整个过程透明、可控、可调试。

原子工具则是完成具体单一任务的工具，如code_review（代码审查）、gentest（生成测试）、gencommit（生成提交信息）。当你已经明确知道要做什么时，直接调用这些工具效率最高。

选择指南：

• 开启一个新功能或修复一个复杂Bug：无脑用start_feature或start_bugfix。让工具为你规划全局。
• 已有明确上下文，只需完成特定任务：比如代码写完了需要审查，直接用code_review。
• 快速为项目生成 onboarding 文档：用init_project_context，它会分析你的代码库，生成技术栈、架构说明等。

2.3 结构化输出：机器可读的对话基石

所有核心工具和编排工具都支持结构化输出。这意味着工具返回的不是一段模糊的自然语言描述，而是一个格式固定的JSON对象。例如，start_feature返回的structuredContent里会包含summary（摘要）、status（状态）、artifacts（将生成的产物列表）以及最重要的metadata.plan（那个委托执行计划）。

这对AI来说意味着极高的解析准确率。AI可以像程序调用API一样，精确地提取出“下一步该调用哪个工具”、“参数是什么”、“预期产出是什么”。这为复杂的、多步骤的自动化工作流提供了可能，也是实现“委托编排”协议的技术基础。

3. 核心工具链深度实操指南

3.1 功能开发全流程：start_feature实战

假设我们正在开发一个名为“用户收藏夹”的功能。传统方式下，我们需要自己写PRD、画原型、估工时。现在，让我们用mcp-probe-kit来体验AI驱动的开发。

第一步：启动功能开发流程在AI对话中，我们输入：

请使用 start_feature 工具，帮我规划“用户收藏夹”功能，描述是“允许用户收藏商品，并在个人中心查看和管理收藏列表”。

或者通过命令行风格触发（取决于你的客户端）：

start_feature user-favorites "允许用户收藏商品，并在个人中心查看和管理收藏列表"

第二步：解读AI返回的执行计划AI（通过mcp-probe-kit）会返回一个结构化的响应。核心是metadata.plan字段，它可能看起来像这样（简化）：

{ "mode": "delegated", "steps": [ { "id": "step_1_spec", "tool": "add_feature", "args": { "feature_name": "user-favorites", "description": "允许用户收藏商品，并在个人中心查看和管理收藏列表", "template_profile": "guided" }, "outputs": ["docs/specs/user-favorites/requirements.md"] }, { "id": "step_2_estimate", "tool": "estimate", "args": { "spec_ref": "docs/specs/user-favorites/requirements.md" }, "dependsOn": ["step_1_spec"] }, { "id": "step_3_context_update", "action": "更新项目上下文文档，将新功能纳入记录", "note": "此步骤需要手动或由AI编辑 `docs/project-context.md` 文件" } ] }

这个计划清晰地指明了路径：先写规格文档，再基于文档评估，最后更新项目总览。

第三步：AI逐步执行计划

1. AI会根据计划，首先调用add_feature工具。该工具会生成一份详细的requirements.md文件，包含功能概述、用户故事、API接口设计、数据模型、UI草图等部分。
2. 接着，AI调用estimate工具，读取上一步生成的规格文档，输出一个初步的工作量评估，可能以前端、后端、测试的“人日”为单位。
3. 最后，AI会建议或直接帮你更新docs/project-context.md文件，将“用户收藏夹”功能添加到项目功能列表中。

至此，一个功能从想法到详细设计文档和评估的流程，在几分钟内就由AI辅助完成了。你可以基于这些高质量的产出物，开始具体的编码工作。

实操心得：add_feature工具的template_profile参数非常有用。对于模糊的需求，设为guided（引导模式），工具会生成包含大量填空和检查项的文档，引导你或AI完善细节。对于清晰的需求，设为strict（严格模式），文档会更紧凑、结构化，适合归档。默认的auto会根据输入描述自动判断。

3.2 智能化Bug修复：start_bugfix与TBP根因分析法

比开发新功能更常见的是修复Bug。mcp-probe-kit的start_bugfix工具引入了一个严谨的方法论：丰田问题解决法（Toyota Business Practice, TBP）8步根因分析。这强制在修复前先进行彻底的分析，避免“头痛医头，脚痛医脚”。

工作流程如下：

1. 现象明确化：清晰描述Bug的现象（What）。
2. 时间线梳理：发生的时间、频率、触发条件（When/Where）。
3. 临时措施：如果需要，先实施临时解决方案以恢复服务。
4. 根本原因分析：使用“5个为什么”等工具深入挖掘，找到根本原因（Why）。
5. 制定对策：针对根本原因制定永久性解决方案。
6. 实施对策：执行修复。
7. 效果确认：验证Bug是否被彻底解决。
8. 标准化与横展：将经验固化到流程或代码库中，防止复发。

当你触发start_bugfix并粘贴错误信息后，工具fix_bug会被调用，并返回一个结构化的TBP分析骨架。AI会引导你或自动填充这个骨架。例如，对于一个“用户头像上传失败”的Bug，分析骨架会要求明确：失败时的HTTP状态码？文件大小限制？网络环境？最近是否有相关代码部署？

这个过程极大地提升了Bug修复的质量和系统性。它生成的不仅是一个补丁，更是一份完整的故障分析报告，对于团队知识沉淀至关重要。

3.3 项目上下文与代码图谱：init_project_context与 GitNexus 桥接

这是mcp-probe-kit的“智慧大脑”。一个对项目一无所知的AI是危险的。init_project_context工具能自动扫描你的代码库，生成一份全面的project-context.md文档，内容包括：

• 技术栈：使用的框架、库、版本。
• 架构图：关键目录结构、模块关系。
• 编码规范：代码风格、命名约定。
• 开发流程：Git分支策略、部署方式。

更重要的是，它与GitNexus（一个代码图谱分析工具）桥接。code_insight工具能利用GitNexus分析代码之间的调用关系、依赖影响。当你启动一个新功能（start_feature）时，它会先刷新代码图谱索引，然后进行“影响面分析”，确保AI在规划时不会忽略那些可能被影响的隐蔽模块。

对于Windows用户的特别提示：GitNexus依赖一些本地模块（如tree-sitter），在Windows上首次冷启动可能会较慢（超过20秒），甚至可能因缺少Visual Studio Build Tools而安装失败。如果你的工作流重度依赖图谱分析，建议预先安装构建工具，或者通过环境变量MCP_GITNEXUS_COMMAND指向一个已全局安装的gitnexus可执行文件，以提升稳定性。

3.4 UI/UX设计加速器：start_ui与sync_ui_data

前端开发中，UI设计和代码实现之间往往存在断层。start_ui工具链旨在弥合这一断层。它背后连接着一个丰富的UI/UX数据库（来源于uipro-clinpm包），包含主流配色方案、图标库、图表组件、页面模板等。

当你想要开发一个“登录页”时，调用start_ui，它会：

1. 调用ui_design_system，根据你的产品类型（如SaaS、电商）生成一套完整的设计规范（色彩、字体、间距、阴影等）。
2. 基于此规范，生成具体的React/Vue组件代码。
3. 整个过程，ui_search工具会在后台提供数据支持，确保推荐的组件和样式是流行且实用的。

sync_ui_data工具则用于同步这个UI数据库。数据在构建时已嵌入，可离线使用。此工具会在后台静默下载最新数据到~/.mcp-probe-kit/ui-ux-data/目录，供下次启动时使用，确保你总能基于最新的设计趋势进行创作。

4. 高级特性与配置详解

4.1 委托编排协议详解

这是mcp-probe-kit最精妙的设计之一。所有start_*工具返回的都不是最终结果，而是一个“计划”。这个计划详细说明了为了达成目标，需要按顺序执行哪些步骤（调用哪些工具、参数是什么、预期产出物是什么）。

这种设计的好处：

• 透明可控：开发者能清楚看到AI的整个“思考”过程。
• 可中断与可恢复：每个步骤是独立的，你可以在任何一步暂停、审查中间产物，然后继续。
• 灵活性：AI或开发者可以根据实际情况调整计划。例如，如果add_feature生成的规格不完善，可以手动修改后再进行下一步的estimate。
• 状态跟踪：结合MCP原生的任务（Task）支持，客户端可以跟踪一个复杂编排任务的进度，甚至取消它。

4.2 需求澄清循环

在真实开发中，需求模糊是常态。start_feature、start_bugfix等工具支持requirements_mode=loop参数。在此模式下，工具不会直接进入执行阶段，而是会先启动一个1-2轮的“需求澄清循环”。

例如，你提出“做一个分享功能”。AI可能会反问：

1. 分享的内容是文本、图片还是链接？
2. 分享到的目标平台是哪些？（微信、微博、Twitter？）
3. 是否需要生成分享海报？是否需要跟踪分享数据？

通过这种结构化的问答，AI能在一开始就获取更精确的输入，从而生成质量更高的规格和计划。你可以通过loop_max_rounds和loop_question_budget参数控制澄清的深度和广度。

4.3 客户端配置与故障排查

配置是第一步，也是最容易出错的一步。以在Cursor中配置为例：

1. 找到配置文件：路径通常为~/Library/Application Support/Cursor/User/globalStorage/saoudrizwan.claude-dev/settings/cline_mcp_settings.json（macOS）。
2. 编辑配置：添加如下内容（推荐使用npx方式，无需安装）：

   { "mcpServers": { "mcp-probe-kit": { "command": "npx", "args": ["-y", "mcp-probe-kit@latest"] } } }

3. 重启客户端：必须完全退出Cursor再重新打开，配置才会生效。

常见问题排查：

• 工具不显示：99%的原因是配置文件路径错误或JSON格式有语法错误（如多了逗号）。用JSON验证器检查一下。
• 工具调用报错：打开终端，直接运行npx -y mcp-probe-kit@latest，查看命令行输出的错误日志。常见的如Node.js版本过低、网络问题等。
• 图谱工具超时：在Windows上首次使用code_insight等工具时，可能会因GitNexus安装慢而超时。可以尝试在配置中增加超时环境变量：

  { "mcpServers": { "mcp-probe-kit": { "command": "npx", "args": ["-y", "mcp-probe-kit@latest"], "env": { "MCP_GITNEXUS_CONNECT_TIMEOUT_MS": "30000", "MCP_GITNEXUS_TIMEOUT_MS": "45000" } } } }

5. 融入真实开发工作流：场景化实践

5.1 场景一：新人接手遗留项目

新人小王接手了一个老项目，代码庞大，文档缺失。他这样做：

1. 在项目根目录，让AI调用init_project_context。工具自动生成docs/project-context.md，包含了技术栈、核心模块说明、启动命令等。小王快速了解了项目全貌。
2. 当他读到某个复杂业务模块时，使用code_insight @src/modules/order/process.ts。工具通过代码图谱，为他展示该文件的依赖关系、被谁调用，并高亮核心逻辑，相当于一个自动化的代码导读。

5.2 场景二：日常代码维护与提交

开发者小李今天修复了两个Bug，优化了一个函数。

1. 在提交前，他对修改的文件运行code_review @src/utils/helper.js。AI基于项目上下文，指出了可能存在的边界条件处理问题和性能隐患。
2. 他根据建议修改后，运行gentest @src/utils/helper.js。AI为这个工具函数生成了配套的单元测试用例。
3. 最后，他运行gencommit。AI分析当前的Git暂存区改动，生成了一条清晰、符合规范的提交信息：“fix: 修复helper函数在输入为空数组时的崩溃问题；perf: 优化数据查找算法时间复杂度从O(n²)到O(n log n)”。

5.3 场景三：周期性的工作汇报

团队每周需要写工作周报。项目经理运行：

git_work_report --start_date 2024-05-20 --end_date 2024-05-26 --output_file weekly_report.md

工具自动分析该时间区间内的所有Git提交，按作者、模块进行分类汇总，总结新增功能、修复的Bug、代码变更量，生成一份结构清晰的Markdown格式周报初稿，极大节省了人工整理时间。

5.4 避坑指南与最佳实践

1. 从“原子工具”开始上手：不要一开始就尝试复杂的start_product。先从gencommit,code_review这些原子工具用起，感受AI如何结合你的项目上下文工作。这能帮你建立对工具能力的正确预期。
2. 确保项目上下文的质量：init_project_context生成的文档是AI理解你项目的基石。生成后，花10分钟人工检查和润色一下，补充一些它可能遗漏的、但对团队至关重要的业务逻辑或历史决策背景。一个准确的上下文文档，能让后续所有工具的产出质量提升一个档次。
3. 善用“委托计划”进行过程管理：不要把start_feature生成的计划丢给AI全自动执行。把它作为一个协作蓝图。你可以和AI一起评审这个计划，调整步骤顺序，甚至在步骤之间插入人工评审节点。这实现了人机协同的敏捷开发。
4. 为模糊需求启用“澄清循环”：当你自己对需求都不太确定时，一定要在调用start_feature时加上requirements_mode=loop。让AI通过几个关键问题帮你把需求理清，这比它基于错误假设生成一堆无用代码要高效得多。
5. Windows环境提前准备：如果你的主力机是Windows，并且打算使用代码图谱相关功能，建议提前通过winget install Microsoft.VisualStudio.2022.BuildTools安装Visual Studio Build Tools，避免首次使用时因原生模块编译失败而卡住。

mcp-probe-kit代表的是一种新的开发范式：开发者从重复性的、低层次的文档和代码搬运工，转变为AI工作流的设计者和监督者。你的核心价值不再是记忆所有API或手写每一行样板代码，而是定义问题、制定规则、评审结果。这个工具包提供的，正是一套将你的意图清晰传达给AI，并让AI高效、可靠地执行复杂任务的标准化协议和工具集。开始使用它，不仅仅是安装一个工具，更是开始实践一种更智能、更聚焦于创造本身的开发方式。