如果 AI 只能在對話框裡給你「文字建議」，最後去哪個資料夾翻日誌、查檔案、執行命令還是得由你手動一步步操作，那它頂多只是一個「顧問」，還稱不上真正的 「自主行動 Agent（Autonomous Agent）」。
真正的質變在於：當你給出一個目標（如「找出 Downloads 中 30 天未動的大檔案」），AI 能夠自己決定呼叫哪些 Windows 工具、自己讀取檔案、自己判斷資料、最後交出成果報告！
今天我們深入探索 Model Context Protocol（MCP），利用 agy mcp 為本機 AI 掛載 Windows 工具，並結合 Day 14 的 🤖 agy 推理核心大腦 Subflow 積木，實現高擴展性的自主調研工作流！

本文同步發布於 GitHub： 2026-18th-it-ironman

什麼是 MCP（Model Context Protocol）？

在過去，要讓 AI 擁有呼叫外部工具（Tool Calling / Function Calling）或讀取本機檔案的能力，開發者面臨著巨大的工程痛點：每家模型與平台的通訊規格完全各自為政。這讓工具的複用率極低且維護成本高昂。

• 如果你想讓 Claude 讀取檔案，得寫一套 Anthropic 專屬的 Tool 定義與回調；
• 想讓 OpenAI 存取資料庫，又得按照其 Function Calling Schema 重寫一遍；
• 若想在本地 LangChain、Semantic Kernel 或 Node-RED 串接，就必須手刻大量的「膠水代碼（Glue Code）」。

為了解決這個困境，Anthropic 提出了 MCP（Model Context Protocol，模型上下文協定），並迅速獲得開源社群與 Google agy 的原生全面支援。

AI 時代的「USB-C 開放標準」

理解 MCP 最直覺的生活化比喻就是 硬體世界的 USB-C：

在 USB 出現以前，鍵盤、滑鼠、印表機各有各的特規插孔；而 USB 規格統一了通訊格式，從此任何周邊只要實作 USB 介面，就能插上任意電腦即插即用。

MCP 正是 AI 應用程式的 USB-C！它基於標準的 JSON-RPC 2.0 雙向通訊協定，將「大腦模型」與「本機/外部工具」徹底解耦：

• 工具開發者只要依循 MCP 標準實作一次（例如開發一個 Filesystem MCP Server）；
• 任何支援 MCP 的主控端（如 Google agy、Claude Desktop、Cursor 等），就能以「零代碼適配」的方式一鍵掛載、立即呼叫！

MCP 核心架構：三層分工角色

在 MCP 的運作體系中，清楚劃分了三個協作角色：

1. Host（宿主主控端）：
   • 負責協調整個 Agent 的生命週期，定義高層次目標與維護對話上下文。
   • 在本專案中，Node-RED 與 agy CLI 共同扮演 Host 角色（Node-RED 負責事件調度與成果落地，agy 負責調度 Gemini 推理大腦）。
2. Client（客戶端通訊庫）：
   • 內建於 agy 核心之中，負責與各個 MCP Server 建立標準連線（透過 stdio 標準輸入輸出或 HTTP SSE），自動探測並向模型宣告可用工具清單（Schema）。
3. Server（工具提供端）：
   • 獨立運行的輕量級進程（例如本篇使用的 @modelcontextprotocol/server-filesystem）。
   • 專注於向 AI 提供具體的能力，並透過物理進程隔離實現安全邊界（例如啟動時限定只能存取特定目錄）。

MCP 規範的三大核心能力

傳統的 Tool Calling 通常只支援單向的「執行函數」，而 MCP 規範了完整的上下文擴展生態：

• 🔧 Tools（工具執行）：具備副作用或操作能力的動作（如 list_directory、get_file_info），由 AI 在推理迴圈中自主決定參數並發起呼叫。
• 📄 Resources（資源檢索）：唯讀的資料讀取介面（類似 REST API 的 GET），透過標準 URI（如 file:///logs/app.log）讓 AI 按需檢索背景資料，不浪費多餘的 Token 上下文空間。
• 💬 Prompts（提示範本）：由 Server 端預先封裝好的專業任務 Prompt 樣板，可被使用者或 Agent 快速調用與重複使用。

傳統 Prompt vs MCP 自主 Agent 的本質差異：

💡 架構思維：為什麼不直接用 Exec 節點跑 PowerShell 抓好資料丟給 AI？

「在前面的文章中，直接拉 Exec 節點跑 PowerShell 抓日誌或檔案，再整包丟給 AI，不也能解決問題嗎？」

這兩者背後是「被動餵食」與「主動探勘」的根本代差：

1. 多輪自適應探勘（Adaptive Multi-turn）：傳統腳本是「單輪定生死」，工程師必須預先猜到 AI 需要什麼。如果 AI 看到目錄後發現某個日誌檔異常龐大、想深入讀取其中前 50 行日誌，傳統流程就斷了（除非 Node-RED 再拉出複雜的迴圈與分支）；而 MCP 能讓 AI 在思考鏈中自主發起下一輪工具呼叫。
2. Token 精準度與防範幻覺：傳統做法因為怕遺漏，往往把幾百個檔案或數千行日誌「整包倒進 Prompt」，不僅浪費 Token、增加延遲，還容易引發模型注意力分散；MCP 則是按需自取，先讀檔名，有疑慮才讀內容。
3. 物理沙盒邊界：PowerShell Exec 具備整台電腦的最高權限；而 MCP Server 可在通訊底層硬性限制存取目錄（例如嚴格限制在 Downloads），即便 AI 嘗試讀取系統敏感路徑也會在底層被物理攔截。

Windows 實戰：配置 agy mcp 工具伺服器

Google agy 內建了完整的 MCP 工具管理指令。我們只需在 Windows 終端機中配置即可：

步驟 1：查看當前 MCP 工具清單

agy mcp list

步驟 2：掛載官方本機檔案系統工具（Filesystem MCP）

我們使用官方開源的 @modelcontextprotocol/server-filesystem，並將存取權限嚴格限制在你的 Downloads 目錄（確保安全性）：

# 在 PowerShell 中掛載 Downloads 資料夾工具 (需先確認本機已安裝 Node.js/npx)
agy mcp add filesystem -- npx -y @modelcontextprotocol/server-filesystem "$HOME\Downloads"

🛡️ 安全與路徑防呆提醒：

1. 路徑引號必備：若你的 Windows 使用者名稱包含空格（例如 C:\Users\User X），務必確保路徑使用雙引號 "$HOME\Downloads" 包裹，避免指令參數解析錯誤。
2. 嚴格沙盒隔離：此命令將 MCP 工具的讀寫邊界強制限制在 Downloads 內，即便 AI 試圖探索父層資料夾或 Windows 核心目錄，也會被底層直接阻擋。

掛載完成後，agy 會自動註冊以下工具：

• list_directory：列出指定目錄檔案與子資料夾。
• read_file：讀取文字或日誌內容。
• get_file_info：獲取檔案大小、建立日期與最後修改時間。

系統工作流架構（雙圖清晰銜接）

在進入 Node-RED 實作前，我們先透過雙圖綜觀整套自主排查調研流水線的完整運作路徑：

1. 【上游】任務目標定義 ➔ agy 推理大腦 ➔ MCP 雙向自省探勘：

• 【目標注入與推理大腦】：Node-RED 藉由 Inject 節點注入高層次目標，調用 Day 14 封裝的 🤖 agy 推理核心大腦 啟動 ReAct 自省迴圈。
• 【底層雙向探勘】：agy 內建 MCP Client，透過標準 JSON-RPC 雙向協定調用沙盒限定的 Filesystem MCP（list_directory ➔ get_file_info ➔ read_file）。
• 【物理沙盒安全鎖】：MCP 工具邊界嚴格限定於 $HOME\Downloads，在系統底層物理阻斷越權存取。

2. 【下游】調研報告解包存檔 ➔ Windows 原生 Toast 提醒閉環：

• 【成果解包與存檔】：將 AI 彙整的多輪探勘結論解包為乾淨 Markdown，自動寫入 ~/DailyReports/ 目錄。
• 【原生 WinRT 提醒】：調用 PowerShell 原生 Toast 彈窗無感通知工程師（「🤖 MCP Agent 調研完成！」）。
• 【零破壞防線】：自主調研 Agent 僅具備建議權限，絕不自動物理刪除檔案，平滑銜接明日（Day 19）的 Human-in-the-loop 審批門！

實戰動手做：在 Node-RED 中調度自主 Agent

結合 Day 14 封裝的專屬積木，調度具備 MCP 能力的 Agent 變得無比精煉：

[發起排查任務 (Inject)] 
       ↓
【步驟 1：建立目標導向 Prompt (Function)】 ➔ 定義目標與邊界，交由 AI 自主探索
       ↓
【步驟 2：調用專屬 AI 積木 (Subflow)】 ➔ 🤖 agy 推理核心大腦（自主執行多輪 MCP Tool Use）
       ↓
【步驟 3：解包存檔與原生 Toast 提醒 (Function ➔ Exec)】 ➔ 產出 Markdown 報告並彈窗

步驟 1：建立目標導向的 Agent Prompt（Function 節點）

自主 Agent 的 Prompt 特點是：只給目標與驗收標準，不指導具體執行步驟：

// Function 節點：建立目標導向 Prompt
const task = `請使用已掛載的 filesystem 工具，自主檢查使用者的 Downloads 目錄。
目標任務：
1. 列出 Downloads 中的所有檔案與目錄。
2. 找出大小超過 100MB 或超過 30 天未修改的大型暫存檔、安裝包 (.iso, .exe, .zip)。
3. 產出一份專業的 Markdown 清理建議報告 (包含檔案名稱、大小、最後修改時間、建議動作與保留/清理理由)。`;

// 直接傳遞給 Day 14 Subflow 積木標準介面
msg.prompt = task;
return msg;

🔑 重點說明：從「指導步驟」轉變為「驗收目標」
過去我們必須先用 PowerShell 列出目錄，再將清單文字丟給 AI。現在我們只需給出高層次驗收目標，agy 會在底層自動調用 list_directory 與 get_file_info，並自主進行過濾分析。

步驟 2：調用專屬 AI 樂高積木（🤖 agy 推理核心大腦 Subflow）

從左側「AI 模組」將 Day 14 打造的 🤖 agy 推理核心大腦 拖拉至畫布：

• 自動銜接 Windows CLI 命令列。
• 由於涉及多輪 MCP 工具調用，Subflow 內建的超時機制能保證長時間推理穩定運行。
• 輸出端直接回傳 AI 彙整後的調研報告內容。

💡 原理解析：
agy 在接收到 Prompt 時，會自動探測已掛載的 MCP 工具定義，並向 Gemini 發起帶有 Function Declarations 的對話。模型自主完成「呼叫工具 ➔ 取得本機目錄 ➔ 計算大小 ➔ 彙整結論」的完整自省閉環。

步驟 3：解包 Agent 報告、覆蓋存檔與 Toast 提醒（Function ➔ Exec 節點）

當 Agent 完成多輪探索後，我們將其最終彙整的調研報告儲存至 DailyReports/，並彈出 Windows Toast 提示：

// Function 節點：解包報告與存檔 (Setup 注入 os, fs, path)
const report = typeof msg.payload === 'string' ? msg.payload : (msg.payload.response || JSON.stringify(msg.payload));
msg.agentReport = report;

const homedir = os.homedir();
const logDir = path.join(homedir, 'DailyReports');
fs.mkdirSync(logDir, { recursive: true });

const today = new Date().toISOString().slice(0, 10);
const filePath = path.join(logDir, `${today}_Agent_MCP_Audit.md`);
fs.writeFileSync(filePath, report, 'utf-8');

msg.savedPath = filePath;
msg.payload = `powershell -NoProfile -Command "[Windows.UI.Notifications.ToastNotificationManager, Windows.UI.Notifications, ContentType = WindowsRuntime] > $null; $template = [Windows.UI.Notifications.ToastNotificationManager]::GetTemplateContent([Windows.UI.Notifications.ToastTemplateType]::ToastText02); $textNodes = $template.GetElementsByTagName('text'); $textNodes.Item(0).AppendChild($template.CreateTextNode('🤖 MCP Agent 調研完成！')) > $null; $textNodes.Item(1).AppendChild($template.CreateTextNode('清理建議報告已儲存至 DailyReports/')) > $null; [Windows.UI.Notifications.ToastNotificationManager]::CreateToastNotifier('Node-RED MCP 大腦').Show([Windows.UI.Notifications.ToastNotification]::new($template));"`;

return msg;

🔑 重點說明：節點關鍵設定細節

1. Function 節點模組注入：此腳本直接調用 Node.js 核心庫寫入報告。若是手動新增節點，請務必在 Function 節點的「設定 (Setup)」分頁中加入 os、fs、path 三個模組名稱；若直接匯入文末 Flow 則已自動配妥。
2. Exec 節點「附加 msg.payload」：後方銜接的 Exec 節點「命令 (Command)」欄位留空，並務必勾選「附加 msg.payload」（JSON 中為 "addpay": "payload"），以正確觸發動態組裝的 PowerShell 原生 Toast 彈窗。

成果驗收：Agent 自主生成的深度調研報告

以下是 agy 透過 MCP 檔案工具自主探索 Downloads 目錄後，產出的高品質報告內容：

# 📊 Downloads 下載區空間占用與清理調研報告 (2026-08-23)

### 🎯 總覽摘要
透過 `filesystem` 工具深度掃描 `%USERPROFILE%\Downloads`，共發現 14 個檔案，總占用空間 **3.82 GB**。其中有 3 個超過 30 天未存取的大型安裝包，預估可釋放 **2.95 GB** 空間。

### 🗑️ 建議清理候選清單

| 檔案名稱 | 檔案大小 | 最後修改時間 | 建議動作 | 判定理由 |
| :--- | :---: | :---: | :---: | :--- |
| `Ubuntu-24.04-live-server.iso` | 1.85 GB | 2026-05-12 | **建議刪除** | 距今超過 90 天未修改，系統光碟鏡像安裝後已無需保留 |
| `Docker_Desktop_Installer.exe` | 620 MB | 2026-06-18 | **建議刪除** | 舊版安裝程式，Docker 官方已發布新版，本機已完成安裝 |
| `node-v22.2.0-x64.msi` | 480 MB | 2026-06-20 | **建議封存** | 建議移至 Installers/ 子目錄或刪除暫存安裝檔 |

### 📌 後續處置建議
可搭配明日之「Human-in-the-loop 審批門」，針對上述標記為【建議刪除】之項目發送確認彈窗進行一鍵安全清理。

完整 Flow 程式

在 Node-RED 點擊「右上角選單」➔「匯入」即可一鍵部署：

本案例 flow

本範例 flow 位置：👉 下載

今日總結與明日預告

今天我們突破了單向問答的框架，利用 agy mcp 為本機 AI 掛載了真實的本機檔案操作能力，並透過 Day 14 的 Subflow 樂高積木實現了高擴展性的目標導向自主探索。

• 明天（Day 19）：當 AI 具備自主行動力時，如何防止它誤刪關鍵檔案？——Human-in-the-loop 審批門：高危 AI 動作 Toast 確認與安全放行機制！