（首先会介绍该项目的相关信息，然后补齐相关技术知识）

MCP实践

背景：

信息并不稀缺，真正稀缺的是能够持续反映“我当下阶段应该关注什么”的信号，并且这些信号可以被长期积累、回看与复盘。

零散地阅读文章、刷视频或收藏链接，往往只能解决“当下获取信息”的问题，却很难回答更重要的三个问题：

1. 最近一段时间真正反复关注的主题是什么？
2. 外部世界是否在这些主题上持续释放信号？
3. 这些信号是否意味着需要调整接下来的行动或方向？

基于此，计划搭建一个个人认知与决策支持系统，其核心并不是“收集更多信息”，而是：

1. 持续记录个人的复盘内容与关注主题
2. 将外部信息与个人主题进行对齐与筛选
3. 以结构化方式沉淀结果，用于周报、月报以及阶段性方向判断

在这一系统中，信息搜集并不是目的，而只是输入层的一部分。
真正重要的是：

信息如何被筛选、压缩、对齐，并最终转化为可复盘的个人判断依据。

本文将聚焦于其中的第一个子模块：

如何利用 MCP，构建一个可控、可扩展的外部信息获取模块，为后续的个人分析与复盘提供稳定的数据输入。

技术选择：为什么使用 MCP

在实现过程中，并没有从零搭建 MCP Server，而是选择复用 GitHub 上的开源项目 PersonalizationMCP 作为基础能力层：

1. MCP 提供了标准化的工具协议与调用方式，适合作为“信息能力层
2. 通过复用成熟的 MCP Server，可以将注意力集中在信息筛选逻辑、主题对齐策略、以及结果的长期存档方式的构建，而不是基础设施

实现过程

1）外部信息源接入

• 通过 Google Cloud Console 申请并配置 YouTube Data API v3
• 使 MCP Server 具备稳定、可复用的 YouTube 搜索能力
• 所有部署均在本地完成，便于调试与后续迭代

2）个人化信息筛选逻辑

在 MCP 提供的基础搜索能力之上，额外实现了一层个人化筛选逻辑：

• 使用 themes.yaml 定义当前关注的主题集合
• 使用 channels.yaml 定义信任的频道白名单
• 编写独立 Python 脚本，对搜索结果进行：
  • 关键词匹配评分
  • 白名单频道加权
  • 时间窗口过滤（设置仅通过14天内的视频）
• 最终只保留每日 Top 3 信息信号

筛选结果以 JSON 形式输出并存档，作为后续日报、周报与趋势分析的基础数据。

结果展示

通过该流程，获得的不再是“搜索结果列表”，而是：数量受控、来源可控、结构稳定的信息

MCP

：（Model Context Protocol）由 Anthropic 团队提出，其核心设计理念是标准化智能体与外部工具/资源的通信方式

1. 缺失mcp的问题：

   1. 首先是工具集成的困境：每当需要访问新的外部服务（如 GitHub API、数据库、文件系统），我们都必须编写专门的 Tool 类，处理不同的 API、认证方式、错误处理等。这不仅工作量大，而且不同开发者编写的工具无法互相兼容。
   2. 其次是能力扩展的瓶颈：智能体的能力被限制在预先定义的工具集内，无法动态发现和使用新的服务。
   3. 最后是协作的缺失：当任务复杂到需要多个专业智能体协作时（如研究员+撰写员+编辑），我们只能通过手动编排来协调它们的工作。

2. 接入mcp效果：

   1. 标准化接口让不同服务提供统一的访问方式
   2. 互操作性使得不同开发者的工具可以无缝集成
   3. 动态发现允许智能体在运行时发现新的服务和能力
   4. 可扩展性让系统能够轻松添加新的功能模块

3. MCP协议处理流程：

1. Host：Host 是用户直接交互的界面，接受用户问题并决定联系哪些组件。
2. Client：负责与适当的 MCP Server 建立连接，发送请求并接收响应。
3. Server：执行操作，具体功能实现。