一个链接给Figma AI装上新技能：MCP连接器实战

给AI助手增加新能力，通常意味着写代码、搭服务、调接口。但有人用更简单的方式完成了这件事：复制一个链接，粘贴进去，Figma里的AI Agent就多了一项它原本不会的技能。

这条链接指向一个MCP服务器。可以把MCP理解为一个「插头」——任何提供了这个插头的应用，都能变成Agent可以直接调用的工具。据视频作者演示，目前已有超过20个应用可以一键接入，包括Notion、Linear、Slack等常用工作软件；其余支持MCP的应用，则需要手动粘贴链接完成配置。

MCP到底解决了什么问题

传统上，让AI Agent操作外部工具需要为每个应用单独开发集成，工作量大且难以复用。MCP（Model Context Protocol）的思路是把「工具接入」标准化：应用方暴露一个公开的HTTPS链接，Agent方按统一协议读取可用工具列表并调用。

这种设计的直接收益是接入成本大幅降低。对普通用户来说，不必理解背后的协议细节，只需要知道去哪里拿到那条链接。对应用开发者来说，一次实现MCP服务，就能被所有支持该协议的Agent使用，不必为每个平台重复适配。

视频里没有给出具体的性能数据，但从操作流程看，整个配置过程只需要几步点击，属于典型的低门槛集成路径。

MCP由Anthropic于2024年底提出并开源，常被类比为「AI领域的USB-C接口」。在它之前，让模型调用外部工具主要依赖两类做法：一是各平台自定义的函数调用（Function Calling）格式，二是为每个应用单独编写插件或集成代码。两者都面临同一困境——同样的工具要在不同Agent、不同厂商之间反复适配。

MCP采用客户端-服务器架构：应用方实现MCP服务器，声明自己暴露哪些工具及其参数结构；Agent方作为客户端，通过标准化的JSON-RPC消息完成工具发现与调用。协议本身只规定通信方式，不限定具体工具，因此一个服务器可以被任何兼容MCP的客户端复用。这也是文中「一次实现、多处可用」说法的技术来源。

配置流程：从入口到连接

实际操作入口在提示框内。点击「添加上下文」，进入「连接器」管理页面，选择创建新连接器，为其命名，然后粘贴服务器URL并确认连接。

关键限制出现在这一步：链接必须是公开的HTTPS地址。作者特别强调，运行在自己笔记本上的本地服务无法被接入。这意味着MCP连接器面向的是已经部署在公网的服务，个人开发者如果只在本地调试，需要先完成公网部署才能走通这条链路。

配置完成后，在提示框中输入「@」并选中对应连接器，Agent即可在后续任务中调用该工具。

MCP服务器的接入方式通常分两类：本地进程（通过stdio标准输入输出通信）和远程服务（通过HTTP传输）。后者又细分为两种传输规范，早期的HTTP+SSE和较新的Streamable HTTP。文中要求「公开HTTPS链接」，对应的正是远程HTTP传输这一类，因为Agent运行在云端，无法访问用户本机回环地址上的服务。

至于「一键接入」，实质是平台预先维护了一批已知MCP服务器的地址与授权配置，用户点击即可完成OAuth授权或直接建立连接，省去手动查找URL的步骤。需要手动粘贴的，则是尚未进入平台目录的第三方或自建服务器。

权限控制才是重点

接入只是第一步，真正决定风险边界的是权限设置。创建连接器时可以区分读工具和写工具，其中写权限默认关闭。

每个工具还可以单独设定执行策略：每次询问、始终运行、从不运行。这三档设置实际上把「AI自主性」变成了可调节的旋钮——对查询类操作可以放开自动执行，对修改类操作则保留人工确认环节。

这种默认保守的设计值得肯定。Agent调用外部工具时，一次误操作可能产生真实的副作用，比如发送消息、修改记录、创建工单。把写权限默认关闭、把执行策略交给用户逐项设定，是在便利性和可控性之间做出的合理取舍。

MCP协议在规范层面就把工具按能力做了区分，常见标注包括只读（read-only）、破坏性（destructive）、幂等（idempotent）等，客户端可以据此决定是否需要用户确认。这与文中「读工具/写工具分开、写权限默认关闭」的设计一脉相承。

需要留意的是，MCP连接本身涉及授权令牌，服务器能看到的上下文范围由授权决定。如果连接器被授予过宽的数据访问权限，Agent在调用时可能读取到超出任务所需的信息。因此在逐项设置执行策略之外，定期复核每个连接器的授权范围，也是控制风险的必要环节。

本地部署的边界与后续

公开HTTPS的要求不只是技术约束，也划出了一条使用边界。它天然把「已上线的服务」和「本地实验」区分开来，前者可以直接接入，后者需要额外一步部署。对个人用户来说，这可能是个门槛；对企业用户来说，这恰好符合已有的服务治理习惯。

视频作者预告了系列的下一部分：把一个普通的电子表格变成真正的数据看板。按照MCP的逻辑，这一步大概率是通过连接器让Agent读取表格数据并生成可视化结果——工具接入之后，数据流转才是价值兑现的环节。

从更宏观的角度看，MCP这类协议正在把AI Agent的能力边界从「模型本身会什么」转移到「它能连上什么」。当一个链接就能赋予Agent新技能时，竞争焦点会从模型能力逐步转向生态接入的广度与权限治理的精细度。

对于正在使用Figma或其他支持MCP工具的用户，建议先从一个只读场景开始验证连接流程，确认工具列表和执行行为符合预期后，再逐步开放写权限。