从零搭建 AI 开发环境：Terminal + MCP + Vibe Coding 全链路实战

Thu, 11 Jun 2026 08:30:00 +0800

上个月帮一个朋友从零搭建 AI 编程环境，花了三个小时把 Terminal、MCP、Vibe Coding 全串通。回头看，最难的不是单个工具的安装，而是让它们配合起来形成一条不卡顿的工作流。

这篇文章就是那次实战的整理。从裸机开始，每一步都有命令，每个坑都标出来。读完照着做，你也能在两小时内搭起一条完整的 AI 编程链路。

为什么你需要一条完整的链路

先说结论：工具碎片化是当前 AI 编程最大的效率杀手。

API key 在官网申请，MCP server 各自配置，终端工具和 IDE 各管一摊，文档分散在五六个不同站点。装完 Cursor 发现不会配 MCP，配好 MCP 发现 Claude Code 连不上，连上了又不知道怎么和工作流对接。

我看到的模式是三个层次：

层次	作用	对应工具
底层	终端环境	git, node, python, gh CLI
协议层	工具通信	MCP（Model Context Protocol）
工作方式	人机协作	Vibe Coding

不是选一个最好的工具，而是搭一条顺滑的链路。

打地基：终端环境准备

终端是 AI 编程工具的基础。Claude Code 是纯终端工具，Codex CLI 也在终端跑，MCP server 大部分是 Node 或 Python 进程。没有干净的终端环境，后面全白搭。

必装清单

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14


# macOS
brew install git node python

# Ubuntu/Debian
sudo -S -p '' apt install -y git nodejs python3 python3-pip

# 包管理器（选一个）
curl -LsSf https://astral.sh/uv/install.sh | sh # Python（推荐）
npm install -g pnpm # Node

# GitHub CLI
brew install gh # macOS
sudo -S -p '' apt install gh # Ubuntu
gh auth login

Shell 提示符

装个 starship，路径 + git 分支 + 语言版本一目了然：

1
2


brew install starship
echo 'eval "$(starship init bash)"' >> ~/.bashrc # 或 ~/.zshrc

⚠️ 踩坑：PATH 混乱。uv 装的 Python 和系统 Python 冲突时，which python3 确认一下实际路径。建议把 ~/.local/bin 放在 PATH 最前面。

⚠️ 踩坑：Node 版本。部分 MCP server 要求 Node >= 18。node -v 检查，不够用 nvm install 18 升级。

AI 编程工具选型与安装

四句话定位：

工具	一句话定位	适合场景
Claude Code	终端原生，最强代码理解	深度重构、多文件联动
Cursor	IDE 集成，所见即所得	前端开发、日常补全
OpenCode	开源灵活，模型可选	定制需求、本地模型
Codex	OpenAI 生态，云端执行	快速原型、CI 集成

选型建议

你的情况	推荐主力
后端/系统开发	Claude Code
前端/全栈	Cursor + Claude Code 互补
想省钱/用本地模型	OpenCode
快速验证想法	Codex

安装实操

Claude Code（5 步跑通）：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15


# 1. 安装
npm install -g @anthropic-ai/claude-code

# 2. 设置 API key
export ANTHROPIC_API_KEY=sk-ant-xxx...

# 3. 国内用户加中转（可选但推荐）
export ANTHROPIC_BASE_URL=https://your-proxy.example.com/anthropic

# 4. 进入项目目录启动
cd my-project
claude

# 5. 验证
claude "列出项目结构，告诉我这个项目用了什么技术栈"

Claude Code 启动后会自动扫描项目，理解代码结构。第一次运行建议先让它读一遍项目，建立上下文。

Cursor（3 步跑通）：

去 cursor.com 下载安装
打开后自动导入 VS Code 设置和插件
Settings → Models → 填入 API key

Cursor 的 Tab 补全是杀手级功能，打几个字母它就能预判你要写什么，整段代码一键接受。Cmd+K 做局部修改，Cmd+L 打开对话面板。

OpenCode（3 步跑通）：

1
2
3
4
5
6
7
8


# 1. Go 安装
go install github.com/opencode-ai/opencode@latest

# 2. 或直接下载二进制
curl -fsSL https://opencode.ai/install | bash

# 3. 配置模型（支持 OpenAI/Anthropic/本地模型）
opencode config set model anthropic/claude-sonnet-4

OpenCode 的优势是模型自由切换。用 OpenRouter 可以一次配置访问几十个模型，也可以连本地 Ollama 跑开源模型，完全离线。

Codex CLI（3 步跑通）：

1
2
3
4
5
6
7
8


# 1. 安装
npm install -g @openai/codex

# 2. 设置 key
export OPENAI_API_KEY=sk-xxx...

# 3. 运行
codex "给这个项目加单元测试"

Codex 的特点是云端沙箱执行。代码不在本地跑，而是 OpenAI 的安全环境里运行，适合处理不信任的代码或快速验证想法。

⚠️ 踩坑：国内网络。Claude Code 和 Codex 默认连海外端点。国内用需要配 API 中转，设置 ANTHROPIC_BASE_URL 或 OPENAI_BASE_URL 环境变量指向中转服务。中转服务国内有不少选择，选支持支付宝/微信的即可。

⚠️ 踩坑：API key 管理。不要把 key 硬编码在 .bashrc 里推到 GitHub。用 ~/.env 文件 + .gitignore，或者用系统 keychain。

MCP 协议：让 AI 工具长出手和脚

MCP（Model Context Protocol）是 Anthropic 提出的开放协议，让 AI 编程工具能调用外部能力。类比 USB-C：统一接口，不管什么设备都能插。

三个核心概念：

Server：能力提供者（文件读写、数据库查询、API 调用）
Client：AI 工具（Claude Code、Cursor 等）
Transport：通信方式（stdio 本地、SSE/Streamable HTTP 远程）

安装三个最实用的 MCP Server

1. filesystem（文件读写，必装）

1

npm install -g @modelcontextprotocol/server-filesystem

2. fetch（网络请求，必装）

1

uvx mcp-server-fetch

3. github（代码仓库操作）

1

npm install -g @modelcontextprotocol/server-github

配置方法

Claude Code 在项目根目录创建 .mcp.json：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20


{
 "mcpServers": {
 "filesystem": {
 "command": "npx",
 "args": ["-y", "@modelcontextprotocol/server-filesystem", "/path/to/project"],
 "env": {}
 },
 "fetch": {
 "command": "uvx",
 "args": ["mcp-server-fetch"]
 },
 "github": {
 "command": "npx",
 "args": ["-y", "@modelcontextprotocol/server-github"],
 "env": {
 "GITHUB_PERSONAL_ACCESS_TOKEN": "ghp_xxx"
 }
 }
 }
}

Cursor 在 Settings → MCP 里直接填同样的 JSON，或者放在 ~/.cursor/mcp.json 全局生效。

OpenCode 在项目根目录的 opencode.json 里配置，格式相同。

⚠️ 踩坑：stdio vs SSE。本地开发用 stdio（command + args），远程部署用 SSE（url）。不要混用。

⚠️ 踩坑：路径权限。filesystem server 的路径参数要写绝对路径，且确保运行用户有读写权限。

串联：从单个工具到完整工作流

这是重点。工具不是孤立的，串联起来才有效率。

完整工作流示例

假设要给一个 Node.js 项目加用户注册功能：

Step 1：需求分析

在 Claude Code 终端对话，描述清楚上下文：

1
2
3


我在做一个 Node.js + PostgreSQL 的 SaaS 项目，
ORM 用 Prisma，帮我实现用户注册，
要有邮箱验证，错误处理跟已有 middleware 风格一致。

Step 2：代码生成

Claude Code 通过 MCP filesystem server 读取项目结构，生成代码，通过 github server 直接创建分支和 commit。

Step 3：调试优化

多轮对话保持上下文，不切换工具。在同一个 session 里推进。

Step 4：代码审查

1
2
3
4
5


# 用 gh CLI 看 diff
gh pr diff

# 或让 Claude Code 自己 review
claude "review this PR for security issues and code quality"

Step 5：部署

1
2


gh pr merge --squash
gh release create v1.1.0

实战：30 分钟完成一个小项目

我上次用这个链路做了一个 URL 缩短服务，从零到部署大概 25 分钟：

Claude Code 终端描述需求：「用 FastAPI 做一个 URL 缩短服务，SQLite 存储，要有统计点击次数的功能」
Claude Code 通过 MCP filesystem 读取空目录，生成项目结构和所有代码文件
两轮对话修了 ORM 关系和错误处理
claude "写测试" 自动生成 pytest 测试，跑通
gh repo create && git push 上线

关键是整个过程没有切换工具。终端对话→代码生成→测试→部署，一条线到底。

心流保护

频繁切换工具是心流杀手。我的经验：

一个任务一个 session，不要在同一个 Claude Code 对话里跳话题
把项目上下文写成 CLAUDE.md，放在项目根目录，每次启动自动加载
小任务用 Cursor Tab 补全，大任务用 Claude Code，别反过来
关掉通知，手机静音，全屏终端模式。Vibe Coding 的效率来自心流不间断

CLAUDE.md 示例：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10


# 项目背景
SaaS 项目，Node.js + PostgreSQL + Prisma

# 技术决策
- 认证用 JWT，不用 session
- 错误处理统一用 middleware/errorHandler.ts

# 代码规范
- TypeScript strict mode
- 测试用 vitest

进阶：打造你自己的 MCP Server

现有 server 覆盖不了所有需求。比如你想让 AI 直接查公司内部数据库、调内部 API、跑自定义脚本——就得自己写。

为什么不直接在对话里让 AI 生成 SQL？因为 MCP Server 是标准化的工具接口，任何支持 MCP 的客户端都能用。你在 Claude Code 里写的 server，Cursor 和 OpenCode 直接就能调，不用重复开发。

最小 MCP Server（Python，30 行）

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23


from mcp.server.fastmcp import FastMCP
 
mcp = FastMCP("my-tools")
 
@mcp.tool()
def query_database(sql: str) -> str:
 """执行 SQL 查询并返回结果"""
 import sqlite3
 conn = sqlite3.connect("myapp.db")
 result = conn.execute(sql).fetchall()
 conn.close()
 return str(result)
 
@mcp.tool()
def get_weather(city: str) -> str:
 """查询城市天气"""
 import urllib.request, json
 url = f"https://wttr.in/{city}?format=j1"
 resp = urllib.request.urlopen(url)
 data = json.loads(resp.read())
 return data["current_condition"][0]["weatherDesc"][0]["value"]
 
mcp.run()

@mcp.tool() 装饰器把普通 Python 函数变成 MCP 工具。函数的 docstring 会作为工具描述传给 AI，所以写清楚描述很重要。参数类型标注（sql: str）自动变成工具的参数 schema。

配置到 Claude Code：

1
2
3
4
5
6
7
8


{
 "mcpServers": {
 "my-tools": {
 "command": "uv",
 "args": ["run", "--with", "mcp", "python", "my_server.py"]
 }
 }
}

⚠️ 踩坑：SQL 注入。上面的 query_database 示例只适合本地开发。生产环境务必参数化查询，或者限制只读账号。

想把你的 MCP Server 发布给社区用？推到 npm 或 PyPI，然后在 mcp-json 里把包名和版本号写清楚。社区有人整理了 awesome-mcp-servers 列表，可以参考别人的写法。

常见问题与避坑

Q：Claude Code 和 Cursor 选哪个？

A：不冲突。Cursor 处理行级补全和小改动，Claude Code 处理模块重构和复杂任务。大多数深度用户两个都用。如果你只能选一个，先装 Claude Code——终端覆盖的场景更广。

Q：MCP 配置后不生效？

A：检查三件事：①JSON 格式是否合法（逗号、引号）②command 路径是否正确（which npx 确认）③重启 Claude Code / Cursor。还有一个常见原因是 args 里的包名写错了，比如把 @modelcontextprotocol/server-filesystem 写成旧版的 @anthropic-ai/mcp-filesystem，版本更新后包名会变。

Q：token 消耗太快？

A：四个办法：①用 CLAUDE.md 让 AI 理解项目上下文，不用每次重复解释 ②大文件用 .gitignore 排除，别让 AI 扫 node_modules ③Sonnet 做日常任务，Opus 只在复杂重构时用 ④Cursor 的 Tab 补全不计 API token，多用 Tab 少开对话。

Q：API key 怎么管？

A：统一放 ~/.env，.bashrc 里 source ~/.env。.gitignore 加上 .env。千万别推到 GitHub——我不止一次见过有人把 Anthropic key 推到公开仓库，几小时被刷掉几百美元。

Q：Vibe Coding 会让代码质量变差吗？

A：取决于你的使用方式。把 AI 当「有点强的初级开发者」来用：让它写初稿，你负责审查、提问题、要求改进。AI 生成的代码一样要 Code Review，只是速度快了很多。完全不看就提交才是灾难。

Q：遇到 Rate Limit 怎么办？

A：Anthropic 官方 API 的 RPM 限制在高强度使用时容易触发。解法：①用 API 中转服务，RPM 配额更宽松 ②复杂任务用 Opus（慢但准），简单任务用 Sonnet（快但可能需要多轮） ③任务描述越清楚，来回轮次越少，消耗越低。

Q：终端和 IDE 哪个更适合 Vibe Coding？

A：看你做什么。终端（Claude Code）适合后端、脚本、DevOps、跨文件重构——这些场景需要执行命令和批处理。IDE（Cursor）适合前端、UI 调试、小范围修改——所见即所得的优势大。我的习惯是终端为主力，IDE 做辅助。

推荐 MCP Server 列表：

Server	用途	安装
filesystem	文件读写	`@modelcontextprotocol/server-filesystem`
fetch	HTTP 请求	`uvx mcp-server-fetch`
github	仓库操作	`@modelcontextprotocol/server-github`
sqlite	数据库查询	`uvx mcp-server-sqlite`
brave-search	网页搜索	`@modelcontextprotocol/server-brave-search`

搭建一条完整的 AI 编程链路，核心是三层：终端打好底、MCP 通好讯、工作流串好节奏。工具链搭对了，Vibe Coding 的效率提升是实打实的。

再多说一句：不要追求「最完美的工具链」。先用 Claude Code + 三个 MCP Server 跑通一个真实项目，遇到瓶颈再加工具。工具是手段，代码才是目的。

剩下的，就是真正去写代码了。

作者：varkm

Terminal on Kalend's Blog