MCP
MCP是对大模型应用能力的极大扩充。而web/search类的MCP是其中扩展性最强的之一，显著增加了信息获取能力。
比较有名的有brave search、fetch、puppeteer等等，这些都被mcp官方推荐了。
配置
brave需要注册api key。以puppeteer为例，在claude app的mcp配置中增加puppteteer MCP，让claude app拥有网页分析的能力。
打开settings
打开配置json
增加这段配置。
"puppeteer": {
"command": "npx",
"args": [
"-y",
"@modelcontextprotocol/server-puppeteer"
]
},
然后重启claude app就可以使用了。
应用
最近manus非常火，于是我想调研一下manus对tool call的使用。
直接将官网例子的链接贴给了claude
Sales Analysis and Strategies for Amazon Store - Manus
就是以下这个页面。
添加图片注释，不超过 140 字（可选）
让claude对工具对工具调用做分析。
这是claude直接给我的结果：
| 步骤 | 工具调用 | 命令内容 | 结果 |
|---|---|---|---|
| 1 | message_notify_user | 初始化对话，确认任务 | Manus向用户确认任务：分析Amazon时装销售数据并提供提升销售10%的策略 |
| 2 | shell_exec | mkdir -p analysis && python3 -c "import pandas as pd; print('Python packages available')" | 创建分析目录并检查Python环境 |
| 3 | shell_exec | python3 -c "import pandas as pd; df = pd.read_excel('/home/ubuntu/upload/Amazon_Fashion_Sales_January_2025.xlsx'); print('File loaded successfully.'); print('Shape:', df.shape); print('\nColumns:', list(df.columns)); print('\nData Types:'); print(df.dtypes); print('\nFirst 5 rows:'); print(df.head()); print('\nBasic Statistics:'); print(df.describe(include='all').to_string()); print('\nMissing Values:'); print(df.isnull().sum())" | 加载Excel文件并显示基本数据统计信息 |
| 4 | shell_exec | pip3 install openpyxl matplotlib seaborn | 安装数据分析和可视化所需的Python库 |
| 5 | shell_exec | 重复执行Excel文件加载命令，确保数据加载成功 | 确认Excel文件成功加载，显示数据统计信息 |
| 6 | shell_exec | 执行数据预处理脚本，创建派生指标如平均订单价值、利润率等 | 预处理数据，创建新的分析指标并保存到CSV文件 |
| 7 | file_write | analysis/preprocessed_data.csv | 保存预处理后的数据到CSV文件 |
| 8 | file_write | analysis/data_exploration.txt | 创建数据探索结果文件 |
| 9 | file_write | todo.md | 创建任务列表文件 |
| 10 | file_write | analysis/preprocessing_results.txt | 创建预处理结果文件 |
| 11 | file_str_replace | todo.md | 更新任务列表，标记数据加载与预处理为已完成 |
| 12 | shell_exec | 执行销售分析脚本，分析时间序列、每周销售、每日趋势、相关性等 | 完成全面销售分析，产生多种统计结果 |
| 13 | file_write | analysis/sales_analysis_results.txt | 保存销售分析结果 |
| 14 | file_str_replace | todo.md | 更新任务列表，标记销售分析为已完成 |
| 15 | shell_exec | 执行可视化脚本，创建销售趋势、周销售、日订单量等可视化图表 | 创建多种数据可视化，保存为PNG图片 |
| 16 | shell_exec | 执行额外可视化脚本，创建优惠影响、利润率、客单价趋势等图表 | 创建更多数据可视化，保存为PNG图片 |
| 17 | shell_exec | ls -la /home/ubuntu/analysis/visualizations/ | 列出所有创建的可视化文件 |
| 18 | file_str_replace | todo.md | 更新任务列表，标记数据可视化为已完成 |
| 19 | file_write | analysis/key_insights.md | 创建关键洞察文件，总结销售数据分析的主要发现 |
| 20 | file_str_replace | todo.md | 更新任务列表，标记关键洞察提取为已完成 |
| 21 | file_write | analysis/sales_growth_strategies.md | 创建销售增长策略文件，提供提升销售10%的具体建议 |
| 22 | file_str_replace | todo.md | 更新任务列表，标记销售增长策略为已完成 |
| 23 | file_write | analysis/Amazon_Fashion_Sales_Analysis_Report.md | 创建最终综合分析报告，整合所有分析、洞察和策略 |
| 24 | file_str_replace | todo.md | 更新任务列表，标记最终报告为已完成 |
| 25 | message_notify_user | 通知用户分析完成 | Manus通知用户已完成Amazon时装销售数据分析并提供了提升销售10%的具体数据驱动策略 |
| 26 | idle | 任务完成，等待用户响应 | 分析任务完成，等待用户进一步指示 |
可以看到，大部分都是terminal执行和文件编辑，以及很多的用户确认。
真 · 一句话解决我十分钟工作量。
还有哪些奇技淫巧，欢迎来教我！
