TRAE IDE 10 大热门 MCP Server 推荐

本文作者：

Jiaqi，TRAE 技术文档工程师

通过引入合适的 MCP Server，智能体可以深度参与到日常开发流程中，协助完成项目文件读取、官方文档获取、浏览器自动化、代码仓库管理，以及跨会话的上下文维护等任务。

本文将基于真实开发场景，介绍 TRAE IDE 中常用的 10 个 MCP Server，并梳理了它们的核心能力、使用场景与可用工具，帮助你在不同开发阶段选择合适的 MCP Server，从而提升你的日常开发效率。

MCP 介绍

Model Context Protocol (MCP) 是一种协议，它允许大型语言模型（LLMs）访问自定义的工具和服务。TRAE 中的智能体作为 MCP 客户端可以选择向 MCP Server 发起请求，以使用它们提供的工具。你可以自行添加 MCP Server，并添加到自定义的智能体中来使用。

在 TRAE IDE 中，MCP Server 支持三种传输类型：stdio 传输、SSE 传输、Streamable HTTP 传输。

概览

以下是在 TRAE IDE 中的 10款热门 MCP Server。

MCP 具体介绍

Context7

Context7 MCP Server 提供面向 AI 模型的文档检索与上下文注入能力，可实时获取官方文档的最新内容和指定版本的代码示例，确保模型在回答问题、生成代码或提供方案时，基于最新的官方信息。

核心功能

• 官方文档实时检索：直接从官方文档源获取内容，而非依赖模型训练阶段的静态知识，支持检索最新或指定版本的 API 参考与示例代码。

• 文档上下文注入：将检索到的文档内容直接注入到 LLM 的上下文中，使模型在“已阅读官方文档”的前提下进行回答或生成代码。

• 库与文档的标准化解析：将模糊的库名映射为 Context7 可识别的库 ID，确保后续可准确查询到目标文档。

使用场景

• API 开发：获取最新框架或 SDK 的 API 定义与示例，避免误用已废弃或不存在的接口。

• 配置与脚本编写：编写 Cloudflare Workers、中间件，或构建、部署相关配置时，确保配置项和字段名称与官方文档中的内容一致。

• 代码生成与重构：在生成或重构代码时，确保实现方式符合当前的官方推荐做法，减少因文档过时导致的返工。

• 问题排查与最佳实践查询：基于官方文档获取错误说明、使用限制和推荐方案，提高问题定位与解决的准确性。

工具

Context7 MCP Server 为 LLM 提供以下可调用的工具：

Puppeteer

Puppeteer MCP Server 提供浏览器自动化能力，使 LLM 能够在真实的浏览器环境中与网页进行交互、截取屏幕截图，并执行 JavaScript。

核心功能

• 浏览器控制自动化：在真实浏览器中进行页面导航，支持点击、悬停、表单填写等基础网页交互操作，模拟用户行为。

• JavaScript 执行：直接在浏览器控制台中执行 JavaScript，既能读取当前页面的各类状态信息，也能完成计算任务或触发页面的内置逻辑。

• 页面捕获：对整个页面或指定元素进行截图，为 AI 模型提供直观、可验证的页面渲染结果。

• 控制台日志监控：获取浏览器控制台的输出信息，包括页面脚本产生的所有 console 日志，辅助调试与问题定位。

使用场景

• 网页功能验证与调试：验证网页交互功能是否符合预期效果，同时结合捕获的控制台日志，辅助开发人员快速定位并调试前端问题。

• 页面状态与渲染检查：通过截图功能确认网页的 UI 渲染效果是否达标，同时可对比不同操作前后的页面变化，验证操作对页面的影响。

工具

Puppeteer MCP Server 为 LLM 提供以下可调用的工具：

Sequential Thinking

Sequential Thinking MCP Server 通过结构化的思维流程，为动态且具反思性的问题求解提供工具。

核心功能

• 将复杂问题拆解为可管理的步骤。

• 随着理解加深，对思路进行修订和完善。

• 在不同的推理路径之间进行分支探索。

• 动态调整整体思考步骤的数量。

• 生成并验证解决方案假设。

使用场景

• 拆解复杂问题，并按步骤逐步解决。

• 需要预留修改空间的规划与设计过程。

• 可能需要中途调整方向的分析任务。

• 一开始难以完全明确问题范围的场景。

• 需要在多个步骤中持续保持上下文的任务。

• 需要过滤无关信息、聚焦关键信息的情况。

工具

Sequential Thinking MCP Server 为 LLM 提供以下可调用的工具：

GitHub

GitHub MCP Server 基于 GitHub API，允许 LLM 直接访问并管理 GitHub 上的仓库、代码、用户、Issue 与 Pull Request。

该 MCP Server 支持的所有操作仅作用于GitHub 上的远程资源：所有文件操作均发生在 GitHub 仓库中，通过 Commit 与 Pull Request 提交，不会读取或修改用户本地的文件系统。

核心功能

• 仓库与文件管理：支持全面管理代码库，包括仓库的创建、Fork、搜索及分支管理；同时具备精细的文件操作功能，允许直接读取内容、创建或更新文件以及批量推送代码。

• Issue 追踪：聚焦于项目进度的管理与协同，支持对 Issue 进行创建、筛选、状态更新及评论。

• Pull Request 协作：涵盖代码合并的全生命周期，从发起 Pull Request、查看变更详情、同步分支最新改动，到最终合并代码。

• 代码评审与信息检索：支持发起和管理代码评审，获取评审意见；同时提供强大的搜索能力，可快速定位代码片段、用户或相关评论。

使用场景

• AI 辅助代码开发：自动执行从代码修改、分支创建到变更提交的全流程。在遵循版本控制规范的前提下，实现开发需求的快速落地与代码历史的清晰记录。

• 自动化协作工作流：全面接管 Issue 追踪与 Pull Request 管理。自动完成任务创建、上下文补充、评审及分支合并，减少人工操作成本。

• 项目调研与分析：深度解析仓库的架构、代码逻辑及变更历史。结合全局检索能力，快速定位核心信息并梳理项目脉络，然后生成调研报告。

• 智能的仓库管理：将 AI 作为团队协作的一部分，执行重复性的 GitHub 操作，提升个人或团队的开发效率。

工具

GitHub MCP Server 为 LLM 提供以下可调用的工具：

Figma AI Bridge

Figma AI Bridge MCP Server 针对设计到实现阶段，提供查看、分析和提取 Figma 设计数据的能力，帮助 LLM 理解你的设计思路并辅助你精确还原设计稿中的内容。

核心功能

• Figma 设计解析：获取 Figma 文件或指定节点的布局与结构信息。在无法直接获得节点 ID 的情况下，仍可分析整个设计文件。

• 设计资源下载：根据图像或图标节点 ID，自动下载设计中使用的 SVG / PNG 图片，便于在实现阶段直接复用设计资产。

• 为 AI 提供可理解的设计上下文：将 Figma 中的设计信息转换为 AI 可消费的数据，为后续的代码生成、样式还原或布局分析提供依据。

使用场景

• 设计还原与前端实现：辅助 AI 理解设计的结构，提高实际实现与设计稿的一致性。

• 设计资产自动提取：自动下载图标、图片等资源，减少手动操作。

• 设计到代码的自动转换：为代码生成提供设计思路相关的准确上下文，作为从设计到实现链路中的关键一环。

• Agent 驱动的 UI 分析与实现：让 AI 在理解设计思路的基础上分析 UI 布局并思考实现方案。

工具

Figma AI Bridge MCP Server 为 LLM 提供以下可调用的工具：

Playwright

Playwright MCP Server 基于 Playwright 提供浏览器自动化能力，使 LLM 能够在真实的浏览器环境中与网页交互、截取屏幕截图、生成测试代码、抓取网页内容，并执行 JavaScript。

相较于基础浏览器自动化，它进一步扩展了测试代码生成、网络请求控制与多设备模拟等能力，适合更复杂、结构化的网页测试。

核心功能

• 自动化浏览器控制

  支持页面导航、点击、悬停、表单填写、拖拽、键盘操作等交互。

  覆盖普通 DOM 以及 iframe 场景。

• 代码生成与测试录制（Codegen）

  支持开启代码生成会话，记录浏览器操作。

  自动生成可复用的 Playwright 测试代码文件。

• 页面内容捕获

  对页面或指定元素进行截图。

  提取页面可见文本或 HTML 内容。

  支持将页面保存为 PDF。

• JavaScript 执行与控制台调试

  在浏览器上下文中执行 JavaScript。

  获取并过滤浏览器控制台日志，用于调试与分析。

• 网络请求与响应控制

  主动发起 HTTP 请求。

  支持等待并断言特定网络响应，便于接口级验证。

• 多设备与浏览器环境模拟

  调整浏览器视口大小或使用设备预设。

  内置 143+ 设备模型，提供正确的 User-Agent 与触控模拟，支持自定义 User-Agent。

使用场景

• 自动化测试与测试代码生成

  执行由 AI 驱动的网页测试并录制真实操作，生成 Playwright 测试脚本。

  回归测试、端到端测试。

• 复杂网页交互验证

  验证页面在不同设备、分辨率和 User-Agent 下的交互逻辑。

  处理 iframe、文件上传、标签页切换等复杂交互。

• 请求级调试与验证

  同时验证前端交互与后端接口响应。

  适合需要精确控制请求与响应的调试场景。

• Agent 驱动的网页操作与信息采集

  抓取可见内容或结构化 HTML。

  在真实浏览器上下文中完成端到端任务。

工具

Playwright MCP Server 为 LLM 提供以下可调用的工具：