本地 AI 开发，先装这 10 个 MCP Server 就够用了

本地跑量化模型、用 Ollama / LM Studio，或把 Claude Code 指到笔记本上的仓库时，模型并不缺「智商」，缺的是眼睛和手：读不了你指定目录外的文件、看不到当前文档、摸不到浏览器、也进不了 GitHub 上的 Issue。

Model Context Protocol（MCP）就是给 Agent 接外部工具与数据的约定。每个 MCP Server 暴露一组工具；客户端（IDE、桌面 Agent、CLI）按配置把它们挂进去。Arham Ali 在 Python in Plain English 写过一篇面向本地开发者的「10 个 MCP」清单（Daily Digest 摘要：把本地 AI 连到文件、数据库、Git…）。原文偏会员墙，下面按明确跟随该清单的公开整理，并核对各项目文档来写——不编造原文里的俏皮话，只谈能落地的选型与边界。

这 10 个是：

1. GitHub
2. Context7
3. Playwright
4. Chrome DevTools
5. Filesystem
6. Sentry
7. Fetch
8. Git
9. Brave Search
10. Linear

为什么是「本地开发者」这张清单

云端 IDE + SaaS 数据源的人，清单会更偏托管全家桶。本地开发更在意三件事：哪些能在本机跑、哪些会把数据送出机器、以及工具 schema 吃掉多少上下文。

最后一点常被低估。前沿大模型尚能在几十个工具里挑对；消费级 GPU 上的 7B/14B，工具一多就乱点。所以本地栈的原则很土：少而可作用域收紧，宁缺毋滥。

十个各自管哪一段

GitHub MCP — 官方服务器，面向仓库、Issue、PR；另有托管远程端点，可用 toolset 只暴露需要的工具。适合分诊 Issue、总结 PR、在 Agent 里做有授权的协作动作。和本地 Git 不是一回事。

Git MCP — 参考服务器，看本地仓库状态、diff、历史、分支。适合写提交说明、解释「我刚改了什么」。文档仍标注早期阶段，接口可能变，升级要看 changelog。

Filesystem — 在你允许的目录里读、写、搜。本地编码助手的底座。务必锁根目录，别把家目录整盘敞给模型。

Context7 — 拉「当前」库文档，而不是训练截止日期前的记忆。对快速迭代的框架特别有用：少一本正经的过时 API。

Fetch — 抓网页并转成模型更好消化的文本。读文档、变更日志方便；官方提醒注意别暴露内网 URL（SSRF 思路）。

Brave Search — 走 Brave Search API 做网页/新闻等检索，需要 API key。训练语料里没有的报错信息、新鲜 release note，靠它补。

Playwright MCP — 微软维护的浏览器自动化：打开页面、点击、填表、读无访问性快照。偏「驱动浏览器完成任务」。

Chrome DevTools MCP — 控制台、网络、截图、性能轨迹。偏「调试现场」。和 Playwright 互补：一个做事，一个看病。

Sentry MCP — 把线上错误、Issue、trace 拉进编码对话。修生产问题时常比「请根据我粘贴的栈」快。

Linear MCP — 官方远程服务器，Issue / 项目 / 评论。任务状态与 Agent 工作流接上时很省事。

建议的安装顺序，而不是一次满配

多数人可以按这个顺序加：

1. Filesystem（锁到当前项目）+ Git
2. Context7（你主技术栈的文档）
3. GitHub（只开需要的 toolset）
4. 做前端再加 Playwright；要深挖网络/性能再加 Chrome DevTools
5. 有生产错误流再加 Sentry；用 Linear 管任务再加 Linear
6. Fetch / Brave Search 按「是否真要上网」最后加

每加一个，就用真实任务打一发：工具是否被点到、上下文是否明显变糊、权限是否过宽。糊了就减，别靠「再换大模型」硬扛。

安全：MCP 用的是你的权限

官方安全指南和 OWASP MCP Top 10 都在提醒同一类事：混淆代理、令牌转传、过度授权。落到日常：

• 最小权限：目录、仓库、只读优先
• 写操作与读操作分开暴露，破坏性工具单独审批
• 看清数据出域：Search / GitHub / Sentry / Linear 都会触网
• 固定版本，升级是主动行为
• 内网地址不要喂给 Fetch

本地模型不自动等于本地数据。MCP 一挂，边界由你配置决定。

和 Skills、Harness 的分工

本批另外几篇分别写了 OKF+RAG、Harness、Skills。对 MCP 只需记住：它是能力插头。插头太多，小型本地模型会先噎死；插头太少，再好的 skill 也没手可用。Harness 决定谁能插、插到哪；Skills 决定怎么用；MCP 决定用什么。

配置层面的两点实操

客户端里（Claude Code、VS Code、Cursor 等）通常是一份 JSON/TOML 列出 command 或 URL。本地 stdio 服务器适合 Filesystem / Git；远程 HTTP 服务器常见于 Linear、部分 GitHub 托管端点。混用时记住：远程服务器的身份是 OAuth 或令牌，泄漏等于 账号劫持，不要写进会进 Git 的明文配置。

第二个实操是给服务器起「职责名」而不是「品牌名」。比如同一 Playwright，可以在配置里标成 browser-e2e，只在跑端到端剧本的 Agent 配置文件里启用；日常重构用的 Agent 配置不挂它。用配置文件拆分工作角色，比在一个超级 Agent 上挂满十个服务器更接近生产。

什么时候不要加新的 MCP

三种信号出现就停手：模型开始频繁选错工具；单次对话里工具结果把有用代码挤出上下文；你说不清这个服务器对应哪条固定剧本。这时减负的收益，通常大于再找一篇「必装清单」。

清单的价值是缩短冷启动，不是当收藏癖的许可证。

怎么读这篇清单更有用

Arham 原文是体验向清单；公开跟随文（如 peterindia 2026 年 10 月更新）把十个名字和官方文档钉在一起，并注明版本会漂移。你粘贴配置前，以各仓库 README 为准，不要死记某次博客里的包名。

若你只做本地仓库内的重构，Filesystem + Git + Context7 往往已经能打出 80% 体感；浏览器与 SaaS 类服务器，等有固定剧本再挂，上下文会感谢你。

参考来源

1. Medium 导读（会员墙，Digest 摘要 + 公开跟随文对照）：10 MCP Servers Every Local AI Developer Should Install — Arham Ali / Python in Plain English
2. 公开跟随整理（明示基于 Arham 清单）：MCP Servers for AI Developers (2026)
3. MCP 介绍与参考服务器：https://modelcontextprotocol.io · modelcontextprotocol/servers
4. 安全：MCP security best practices · OWASP MCP Top 10

包名、远程端点与版本变化快；安装以各项目当前文档为准。