1. 项目概述当你的AI助手能“阅读”你的阅读记录如果你和我一样每天在各种信息流里挣扎——浏览器标签页开了一堆Instapaper、Pocket、Raindrop里塞满了“稍后读”但“稍后”往往意味着“永不”。信息过载的焦虑是真实的我们收藏了太多却内化了太少。最近我深度体验了一个名为Burn的项目它彻底改变了我的信息处理流程。Burn不仅仅是一个稍后读应用它更是一个为AI时代设计的个人知识库系统而其核心组件burn-mcp-server则是一个桥梁让你的AI助手如Claude、Cursor、Windsurf能够直接访问、搜索、甚至主动帮你整理你所有的阅读内容。简单来说burn-mcp-server是一个实现了Model Context Protocol (MCP)标准的服务器。MCP你可以理解为AI世界的“USB协议”它定义了AI应用客户端如何与外部工具和数据源服务器安全、标准化地通信。通过这个服务器你的AI助手不再是一个孤立的聊天机器人它变成了一个真正了解你知识储备的“第二大脑”。你可以直接问它“我上周保存的那篇关于Rust内存管理的文章要点是什么”或者命令它“帮我看看‘Flame’里哪些文章值得细读把技术干货类的移到‘Spark’。”这个项目的价值在于它将被动、杂乱的书签收藏转变为一个主动、结构化且能被AI智能调用的知识资产。下面我将从一个重度信息消费者的角度拆解它的设计哲学、详细配置过程、26个工具的实际应用场景并分享我在整合过程中踩过的坑和总结出的高效工作流。2. 核心设计哲学与工作流解析2.1 “焚烧”式信息流Flame, Spark, Vault, AshBurn的核心是一个极具压迫感但也异常高效的四状态工作流。它强迫你对信息做出快速决策避免“收藏即遗忘”的陷阱。Flame (火焰)这是你的信息收件箱。任何新保存的链接、通过“自动订阅”功能抓取的文章都会首先进入这里。关键设定是它只有24小时的生命周期。就像一团火焰如果你不在24小时内阅读或决定保留它就会燃尽消失。这个设计直击拖延症迫使你养成每日清空信息收件箱的习惯。Spark (火花)当你阅读了Flame中的一篇文章并认为它有价值时你可以将其升级为Spark。Spark状态的文章会保留30天。这相当于一个中期缓存区用于存放那些你读过觉得不错但还需要时间消化或判断是否值得永久保存的内容。Vault (金库)这是你的永久个人知识库。将Spark中的文章移入Vault意味着你认定其具有长期参考价值。在这里你可以为文章添加分类、标签它们将成为你知识体系中最稳固的部分。Ash (灰烬)从Flame或Spark中直接删除的文章会进入Ash。它代表那些被你判定为无价值、过时或已处理完毕的信息。Ash中的内容通常不可恢复完成了信息的“焚烧”闭环。这个工作流模拟了知识的“消化”过程摄入Flame→ 初步消化Spark→ 吸收内化Vault→ 排泄Ash。burn-mcp-server的强大之处在于它允许你的AI助手介入这个流程的每一个环节。2.2 MCP协议为什么是它而不是普通API你可能会问我直接用Burn的API不就行了为什么需要MCP这里有几个关键区别标准化与工具发现MCP是一个开放协议。任何兼容MCP的AI客户端如Claude Desktop、Cursor在启动时都会自动发现并加载配置好的MCP服务器。服务器会向客户端“宣告”自己提供哪些工具Tools和资源Resources。这意味着你不需要为每个AI应用单独写集成代码一次配置处处可用。声明式工具调用AI客户端理解每个工具的功能描述、输入参数和输出格式。当你说“帮我搜索一下Vault里关于‘分布式系统’的文章”Claude能自动理解该调用search_vault工具并填入关键词“分布式系统”。这比让AI去猜测如何调用一个REST API要自然和可靠得多。安全边界MCP服务器运行在独立的进程或远程端点上。AI客户端通过标准化的JSON-RPC与之通信且权限Token是隔离的。你的Burn访问令牌只暴露给MCP服务器而不是直接给AI服务提供商增加了安全性。burn-mcp-server完美封装了Burn的API将其26个核心功能包装成了标准的MCP工具使得AI助手能以最自然的方式成为你知识管理流程中的智能代理。3. 详细配置与两种连接模式实战配置burn-mcp-server有两种主流方式本地Stdio模式和远程HTTPS模式。选择哪种取决于你的AI客户端和使用场景。3.1 前期准备获取访问令牌无论哪种模式第一步都是获取通行证——BURN_MCP_TOKEN。访问Burn在手机上下载Burn iOS App或直接在浏览器中打开 burn451.cloud 。登录并进入设置使用你的账户登录后在Web端点击右上角头像进入“Settings”或在App中找到设置入口。找到MCP Server选项在设置菜单中你应该能看到一个名为“MCP Server”的独立选项。点击进入。复制令牌页面会显示你的专属BURN_MCP_TOKEN一串长字符。点击“Copy”按钮复制它。请像保管密码一样保管此令牌它拥有访问你所有书签数据的权限。注意官方文档也提到了一个遗留的BURN_SUPABASE_TOKEN。除非你是早期用户且已有此令牌否则请一律使用新的BURN_MCP_TOKEN它更安全且是未来发展的方向。3.2 模式一本地Stdio连接推荐给开发者与桌面用户这种模式下MCP服务器作为一个本地命令行工具运行AI客户端通过标准输入输出stdio与其通信。这是Claude Desktop、Cursor、Windsurf以及Claude Code CLI的默认支持方式。配置步骤确保Node.js环境你的电脑需要安装Node.js (版本16或以上)。可以在终端运行node --version检查。编辑MCP客户端配置文件不同的AI工具有不同的配置文件路径。Claude Desktop: 配置文件通常位于~/.config/claude-desktop/config.json(Mac/Linux) 或%APPDATA%\Claude Desktop\config.json(Windows)。Cursor: 配置文件通常位于~/.cursor/mcp.json。Windsurf: 配置文件通常位于~/.windsurf/mcp.json。编写配置文件用文本编辑器打开对应的配置文件添加burn-mcp-server的配置。配置文件本质是一个JSON其中mcpServers对象用于声明所有MCP服务器。{ mcpServers: { burn: { command: npx, args: [burn-mcp-server], env: { BURN_MCP_TOKEN: 你的令牌粘贴在这里 } } } }配置参数详解command: “npx”: 告诉系统使用npx命令来运行包。npx会自动下载并执行burn-mcp-server的最新版本无需你手动npm install -g。args: [“burn-mcp-server”]: 传递给npx的参数即要运行的包名。env: 设置环境变量。这里将之前复制的令牌设置为BURN_MCP_TOKEN环境变量服务器启动时会读取它。保存并重启客户端保存配置文件后完全重启你的Claude Desktop、Cursor或Windsurf应用。重启后客户端会读取新配置启动本地的burn-mcp-server进程。你可以在客户端的日志或设置中查看MCP服务器是否加载成功。实操心得使用npx是最简单的方式但首次运行时会有一个下载过程。如果你希望更稳定或离线可用可以全局安装npm install -g burn-mcp-server然后将配置中的“command”改为“burn-mcp-server”“args”改为[]。3.3 模式二远程HTTPS连接推荐给claude.ai用户与云场景这种模式下burn-mcp-server作为一个无服务器函数部署在Vercel上提供一个公共的HTTPS端点。你的AI客户端通过HTTP请求与之通信。这是claude.ai网站上的Connectors功能和Claude Code Routines的指定连接方式。配置步骤获取端点URL和令牌远程端点是固定的https://burn-mcp-server.vercel.app/api/mcp。令牌就是你之前获取的BURN_MCP_TOKEN。在claude.ai中配置Connector登录 claude.ai 。点击左侧栏底部的 “Settings” (设置图标)。选择 “Connectors” 选项卡。点击 “Add custom MCP server”。在弹出的表单中填写Name: 任意如 “My Burn Knowledge”。URL:https://burn-mcp-server.vercel.app/api/mcpHeaders: 点击 “Add header”。Key:AuthorizationValue:Bearer 你的BURN_MCP_TOKEN(请替换你的BURN_MCP_TOKEN为实际令牌字符串)。点击 “Save”。保存成功后该Connector会出现在列表中并自动对所有新对话生效。验证连接可选你可以使用curl命令测试远程服务器是否正常工作# 在终端中执行记得替换 $BURN_MCP_TOKEN 为你的实际令牌或直接粘贴 curl -X POST https://burn-mcp-server.vercel.app/api/mcp \ -H “Authorization: Bearer $BURN_MCP_TOKEN” \ -H “Content-Type: application/json” \ -d ‘{“jsonrpc”:”2.0,”id”:1,”method”:”initialize”,”params”:{“protocolVersion”:”2025–03–26,”capabilities”:{},”clientInfo”:{“name”:”curl”,”version”:”1.0}}}’如果返回一个包含”serverInfo”等字段的JSON说明连接成功。两种模式对比与选型建议特性本地Stdio模式远程HTTPS模式延迟极低本地进程间通信依赖网络略有延迟隐私数据流不离开本地机器请求经过Vercel服务器但令牌和请求内容仍加密便捷性需本地Node环境配置一次无需安装纯Web配置随处可用适用场景Claude Desktop, Cursor, Windsurf等桌面IDEclaude.ai 网页版任何支持HTTP MCP的云客户端稳定性依赖本地环境依赖Vercel服务可用性个人建议如果你主要在Cursor或Claude Desktop中进行深度编程和写作用本地模式响应最快。如果你习惯在claude.ai网页上进行日常问答和头脑风暴用远程Connector模式最方便。我本人是两者都配置了在不同场景下切换使用。4. 26个MCP工具深度解析与应用场景配置完成后你的AI助手就拥有了26个强大的工具。这些工具不是冷冰冰的API而是AI能理解并主动使用的“能力”。下面我将它们分为几组并结合具体使用场景来讲解。4.1 搜索与阅读工具组让你的知识库“会说话”这组工具解决了“我到底存过什么”的核心问题。search_vault/list_vault: 这是最常用的工具。当你在写技术博客突然想引用一篇关于“微服务熔断器”的文章却记不清细节时你可以直接对Claude说“在我的Burn Vault里搜索一下‘熔断器’和‘Resilience4j’相关的文章。” Claude会自动调用search_vault返回匹配的书签列表包括标题、URL、摘要和分类。list_sparks/search_sparks: 用于回顾近期阅读。例如“列出我过去一周保存的所有Spark状态的文章。” 这能帮你快速复盘近期的学习重点。list_flame/get_flame_detail: 管理你的信息收件箱。每天早上你可以让AI检查“我的Flame里现在有哪些文章把标题和来源列出来。” 然后快速决定哪些今天要读。get_article_content:这是杀手级功能。它不仅能获取链接的原始文本还会返回一个AI生成的内容分析包括摘要、关键要点和实体识别。这意味着即使你没时间精读AI也能先帮你提炼核心并基于此进行分析。例如你可以说“获取ID为‘abc123’的书签的完整内容并总结出三个最重要的技术观点。”fetch_content: 这是一个“万能爬虫”工具。它支持X推特、Reddit、YouTube甚至微信公众号文章的链接。当你把一个推文链保存到Burn后AI可以通过这个工具获取推文的全线程内容而不仅仅是截图或短链接。实操心得get_article_content返回的分析质量很高非常适合快速构建对一个陌生主题的初步认知。我经常在深入研究某个新库之前先让AI用这个工具分析几篇我保存的入门教程让它给我生成一个对比表格或学习路径建议。4.2 智能分类工具组让AI成为你的信息过滤器这是将AI从“助手”升级为“代理”的关键。你可以授权AI帮你处理Flame收件箱。move_flame_to_spark/move_flame_to_ash: 你可以给AI设定规则。例如“查看我Flame里所有来自‘Hacker News’的文章如果标题包含‘Rust’或‘性能优化’就移到Spark其他的如果评分低于10分就移到Ash。” AI会逐一调用get_flame_detail查看内容然后根据你的规则调用移动工具。batch_triage_flame: 批量处理工具效率更高。你可以说“我这里有一个ID列表 [id1, id2, id3]把它们全部从Flame移到Spark。”move_spark_to_vault: 定期整理Spark。例如每月底让AI回顾“把我Spark里所有分类为‘编程’的文章如果保存时间超过两周都移到Vault的‘Archive’分类下。”重要注意事项让AI自动分类是一把双刃剑。初期建议你通过list_flame让AI列出文章然后你口头指挥它移动某几篇“把第一篇和第三篇移到Spark”观察它的判断是否符合你的预期。逐渐建立起信任后再尝试给出更模糊的规则“看起来是深度技术分析的就保留”。AI的判断基于它对内容的理解可能和你的偏好有偏差。4.3 知识策展工具组构建主题化的知识集合单个书签是点Collections集合则能帮你连成线和面。create_collection: 当你在研究“WebAssembly”时可能会从不同渠道保存十几篇文章。你可以命令AI“创建一个名为‘WebAssembly生态调研’的集合把Vault里所有标题或摘要包含‘WebAssembly’的书签都加进去。” AI会先搜索然后创建集合并添加成员。add_to_collection/remove_from_collection: 动态管理集合。例如看到一篇新文章“把这篇文章加到‘WebAssembly生态调研’集合里。”update_collection_overview:这个工具极大地提升了集合的价值。当你为一个集合添加了足够多的资料后你可以让AI为你撰写一份综述“为‘WebAssembly生态调研’这个集合生成一份AI概述总结当前的技术趋势、主要应用场景和提到的关键工具。” AI会分析集合内所有文章的内容生成一份结构化的报告。这份报告本身会保存下来成为你这个主题研究的“地图”。应用场景我使用Collections来管理所有项目相关的资料。比如有一个“项目A-架构设计”集合里面包含了竞品分析、技术选型论文、设计模式文章。在项目评审前让AI生成一份概述能快速帮我梳理思路和引用来源。4.4 自动订阅与监控工具组设置你的信息雷达这是实现“信息自动流入”的自动化能力。add_watched_source: 你可以让AI帮你关注信息源。例如“添加一个对X用户‘tech_leader’的订阅。” 或者 “订阅这个RSS feed: ‘https://example.com/feed.xml’。” 此后这些源的新内容会自动作为Flame书签添加到你的收件箱。scrape_watched_sources: 手动触发抓取。比如你准备开始上午的阅读可以说“立即抓取所有我订阅的源看看有没有新内容。”list_watched_sources/remove_watched_source: 管理你的订阅列表避免信息源过时或泛滥。踩坑记录自动订阅功能非常强大但容易导致Flame爆炸。我一开始订阅了十几个高产的技术博客和推特账号结果每天Flame里涌进几十篇文章完全看不过来反而增加了焦虑。我的经验是精挑细选宁缺毋滥。只订阅那些产出质量极高、与你当前核心目标最相关的少数几个源。并利用AI的自动分类规则将低优先级源的帖子自动标记为Ash或移动到特定分类的Spark留待以后有选择地查看。5. 高阶工作流与集成案例掌握了基础工具我们可以将它们组合起来构建一些自动化或半自动化的高阶工作流。5.1 案例一每日晨间信息简报目标每天早上一启动AI自动获取Flame摘要、Spark回顾和重点关注源更新。你可以对AI说“执行我的晨间简报流程列出当前Flame中的所有文章按来源分组并给我一个计数。从Flame中选出3篇标题最吸引我基于我的历史兴趣是后端开发和AI的文章获取它们的详细内容摘要。列出过去3天转为Spark的文章标题。抓取我订阅的‘某某周刊’的RSS源看看有没有更新。最后基于以上信息给我今天的信息处理建议哪些必读哪些可以跳过。”AI会依次调用list_flame-get_flame_detail(或get_article_content用于选中的文章) -list_sparks-scrape_watched_sources等工具并综合信息给你一个清晰的报告。5.2 案例二研究课题的快速启动与合成目标当你开始学习一个新领域例如“量子计算基础”快速建立知识框架。工作流初始收集手动或通过add_watched_source订阅一些权威源如ArXiv的相关分类。批量导入与筛选将一批入门文章、综述论文的链接保存到Flame。然后让AI“将Flame中所有与‘量子计算’相关的文章移动到Spark并为每篇生成一个简短的关键词标签。”创建知识集合让AI“创建一个名为‘量子计算入门’的集合并将刚才所有移到Spark的文章加进去。”生成研究综述几天后集合里有了足够资料让AI“为‘量子计算入门’集合生成一份详细的AI概述要求包括核心概念解释、当前主要技术路线对比、列举提到的关键算法和硬件平台、以及推荐的学习路径顺序。”持续更新在研究过程中看到新资料随时用add_to_collection加入集合。定期用update_collection_overview更新综述见证自己知识体系的演进。5.3 案例三与Cursor/Windsurf深度集成实现编码上下文增强对于开发者来说这是最具生产力的场景。在Cursor或Windsurf中你可以直接询问与你当前项目相关的历史知识。场景你在写一个Go服务的错误处理模块。操作在Cursor的聊天框中直接问“我之前有没有保存过关于Go语言错误处理最佳实践的文章”背后Cursor通过MCP调用search_vault在你的Burn知识库中搜索“Go 错误处理”。结果AI不仅告诉你有哪些文章还可以直接引用其中的关键段落甚至结合文章内容建议你当前代码应该采用errors.Wrap还是fmt.Errorf并给出理由。这相当于为你正在工作的IDE接上了一个专属的、经过你筛选的技术文库让编码决策更有依据。6. 常见问题、故障排查与安全实践即使按照指南操作也可能会遇到一些问题。以下是我在实践中总结的常见坑点及解决方案。6.1 连接与配置问题问题现象可能原因排查步骤Claude Desktop/Cursor 提示找不到MCP服务器或工具1. 配置文件路径错误。2. 配置文件语法错误JSON格式不对。3. Node.js未安装或npx命令不可用。4. 令牌环境变量未生效。1. 确认配置文件在正确路径且文件名正确config.json,mcp.json。2. 使用 JSONLint 验证配置文件格式。3. 在终端运行npx --version和node --version确保命令可用。4. 尝试在配置中写死令牌或检查环境变量名是否为BURN_MCP_TOKEN。claude.ai Connector 测试失败1. 令牌填写错误漏了‘Bearer ’前缀或令牌本身错误。2. 网络问题无法访问Vercel。3. 令牌已过期有效期30天。1. 仔细检查Connector配置中的Header格式必须是Bearer token。2. 用上文提供的curl命令在终端测试看具体报错信息。3. 前往Burn设置中的MCP Server页面重新复制一个新令牌替换。AI助手无法调用某个特定工具1. 工具名拼写错误AI的指令不精确。2. 该工具需要的参数缺失或格式不对。1. 用英文准确描述需求如“search my vault for…” 会触发search_vault。2. 查看官方文档中工具的详细参数列表在指令中明确提供例如“search with the query ‘docker compose’”。6.2 数据与操作问题问题AI移动文章时“张冠李戴”或者搜索不到明明存在的文章。排查首先用list_vault或list_flame等列表工具让AI输出书签的ID和标题确认数据存在且ID正确。Burn中的ID通常是数据库的主键在调用move_*或get_bookmark等需要ID的工具时必须使用这个精确的ID。AI有时会混淆标题和ID。建议在涉及具体书签的操作时先让AI列出相关条目确认无误后再发出移动或获取详情的指令。可以养成“先列表后操作”的习惯。6.3 安全与隐私最佳实践令牌即密码你的BURN_MCP_TOKEN拥有对你所有书签的读写权限。切勿在公开场合如GitHub、论坛分享你的配置文件或截图时暴露令牌。如果意外泄露立即到Burn设置中重置MCP Token。理解权限范围通过MCP服务器AI可以执行你手动在App里能做的几乎所有操作读、写、移动、删除。在让AI执行批量删除move_to_ash或修改重要集合update_collection_overview等破坏性操作前建议先进行“模拟”或小范围测试。定期审计利用list_watched_sources检查自动订阅源清理不再关注的。偶尔查看一下Ash确认没有误删有价值的内容虽然不常发生。网络传输远程HTTPS模式下的通信是加密的。但如果你处在严格的网络审计环境需要了解此流量可能会被识别为到Vercel的API访问。6.4 性能与速率限制根据官方文档服务器端有每分钟30次调用的速率限制。对于绝大多数交互式对话场景这完全足够。但如果你设计了一个非常复杂的、连续调用几十个工具的工作流比如一次性分析Flame中所有50篇文章并生成报告可能会触发限流。如果遇到只需等待一分钟后再继续即可。在设计自动化流程时可以在批量操作中加入短暂的延迟。7. 总结与个人体验回顾整个使用历程burn-mcp-server不仅仅是一个技术集成它更像是一个思维模式的升级。它将我从“信息的被动收藏者”变成了“知识的主动管理者”而AI则担任了助理、研究员和策展人的多重角色。最深刻的体会是“搜索”变得无比自然。以前需要打开Burn网站输入关键词筛选结果。现在无论是在写代码、写文档还是单纯在思考任何关于“我好像读过这个”的念头都可以瞬间通过对话得到答案。这种与个人知识库的无缝交互极大地降低了调用知识的摩擦力。其次自动化分类减轻了决策疲劳。每天面对涌入的Flame由AI先进行一轮基于标题和来源的初筛比如“所有来自公司技术博客的自动进Spark所有新闻类短讯进Ash”让我能更专注地处理那些真正需要人类判断的、模糊地带的信息。最后Collections AI Overview 功能构建了知识图谱的雏形。每一个集合的AI概述都是一份动态更新的迷你综述。这不仅仅是文章的罗列而是关系的梳理和观点的聚合对于项目复盘、技术调研和内容创作来说是极高的价值产出。当然这套系统并非全自动魔法。它的效果很大程度上取决于你如何使用Burn本身——是否坚持每日清空Flame是否认真为Vault文章分类。工具放大了好的习惯但前提是习惯本身已经建立。我的建议是先从手动管理开始熟悉Burn的四状态流程然后逐步引入一两个AI工具比如用AI搜索Vault再尝试半自动分类最后探索自动订阅和集合管理。循序渐进让AI真正成为你知识工作流中得力的延伸而非一个带来混乱的额外变量。
基于MCP协议构建AI知识库：Burn-MCP-Server配置与26个工具实战
发布时间：2026/7/2 22:10:10
1. 项目概述当你的AI助手能“阅读”你的阅读记录如果你和我一样每天在各种信息流里挣扎——浏览器标签页开了一堆Instapaper、Pocket、Raindrop里塞满了“稍后读”但“稍后”往往意味着“永不”。信息过载的焦虑是真实的我们收藏了太多却内化了太少。最近我深度体验了一个名为Burn的项目它彻底改变了我的信息处理流程。Burn不仅仅是一个稍后读应用它更是一个为AI时代设计的个人知识库系统而其核心组件burn-mcp-server则是一个桥梁让你的AI助手如Claude、Cursor、Windsurf能够直接访问、搜索、甚至主动帮你整理你所有的阅读内容。简单来说burn-mcp-server是一个实现了Model Context Protocol (MCP)标准的服务器。MCP你可以理解为AI世界的“USB协议”它定义了AI应用客户端如何与外部工具和数据源服务器安全、标准化地通信。通过这个服务器你的AI助手不再是一个孤立的聊天机器人它变成了一个真正了解你知识储备的“第二大脑”。你可以直接问它“我上周保存的那篇关于Rust内存管理的文章要点是什么”或者命令它“帮我看看‘Flame’里哪些文章值得细读把技术干货类的移到‘Spark’。”这个项目的价值在于它将被动、杂乱的书签收藏转变为一个主动、结构化且能被AI智能调用的知识资产。下面我将从一个重度信息消费者的角度拆解它的设计哲学、详细配置过程、26个工具的实际应用场景并分享我在整合过程中踩过的坑和总结出的高效工作流。2. 核心设计哲学与工作流解析2.1 “焚烧”式信息流Flame, Spark, Vault, AshBurn的核心是一个极具压迫感但也异常高效的四状态工作流。它强迫你对信息做出快速决策避免“收藏即遗忘”的陷阱。Flame (火焰)这是你的信息收件箱。任何新保存的链接、通过“自动订阅”功能抓取的文章都会首先进入这里。关键设定是它只有24小时的生命周期。就像一团火焰如果你不在24小时内阅读或决定保留它就会燃尽消失。这个设计直击拖延症迫使你养成每日清空信息收件箱的习惯。Spark (火花)当你阅读了Flame中的一篇文章并认为它有价值时你可以将其升级为Spark。Spark状态的文章会保留30天。这相当于一个中期缓存区用于存放那些你读过觉得不错但还需要时间消化或判断是否值得永久保存的内容。Vault (金库)这是你的永久个人知识库。将Spark中的文章移入Vault意味着你认定其具有长期参考价值。在这里你可以为文章添加分类、标签它们将成为你知识体系中最稳固的部分。Ash (灰烬)从Flame或Spark中直接删除的文章会进入Ash。它代表那些被你判定为无价值、过时或已处理完毕的信息。Ash中的内容通常不可恢复完成了信息的“焚烧”闭环。这个工作流模拟了知识的“消化”过程摄入Flame→ 初步消化Spark→ 吸收内化Vault→ 排泄Ash。burn-mcp-server的强大之处在于它允许你的AI助手介入这个流程的每一个环节。2.2 MCP协议为什么是它而不是普通API你可能会问我直接用Burn的API不就行了为什么需要MCP这里有几个关键区别标准化与工具发现MCP是一个开放协议。任何兼容MCP的AI客户端如Claude Desktop、Cursor在启动时都会自动发现并加载配置好的MCP服务器。服务器会向客户端“宣告”自己提供哪些工具Tools和资源Resources。这意味着你不需要为每个AI应用单独写集成代码一次配置处处可用。声明式工具调用AI客户端理解每个工具的功能描述、输入参数和输出格式。当你说“帮我搜索一下Vault里关于‘分布式系统’的文章”Claude能自动理解该调用search_vault工具并填入关键词“分布式系统”。这比让AI去猜测如何调用一个REST API要自然和可靠得多。安全边界MCP服务器运行在独立的进程或远程端点上。AI客户端通过标准化的JSON-RPC与之通信且权限Token是隔离的。你的Burn访问令牌只暴露给MCP服务器而不是直接给AI服务提供商增加了安全性。burn-mcp-server完美封装了Burn的API将其26个核心功能包装成了标准的MCP工具使得AI助手能以最自然的方式成为你知识管理流程中的智能代理。3. 详细配置与两种连接模式实战配置burn-mcp-server有两种主流方式本地Stdio模式和远程HTTPS模式。选择哪种取决于你的AI客户端和使用场景。3.1 前期准备获取访问令牌无论哪种模式第一步都是获取通行证——BURN_MCP_TOKEN。访问Burn在手机上下载Burn iOS App或直接在浏览器中打开 burn451.cloud 。登录并进入设置使用你的账户登录后在Web端点击右上角头像进入“Settings”或在App中找到设置入口。找到MCP Server选项在设置菜单中你应该能看到一个名为“MCP Server”的独立选项。点击进入。复制令牌页面会显示你的专属BURN_MCP_TOKEN一串长字符。点击“Copy”按钮复制它。请像保管密码一样保管此令牌它拥有访问你所有书签数据的权限。注意官方文档也提到了一个遗留的BURN_SUPABASE_TOKEN。除非你是早期用户且已有此令牌否则请一律使用新的BURN_MCP_TOKEN它更安全且是未来发展的方向。3.2 模式一本地Stdio连接推荐给开发者与桌面用户这种模式下MCP服务器作为一个本地命令行工具运行AI客户端通过标准输入输出stdio与其通信。这是Claude Desktop、Cursor、Windsurf以及Claude Code CLI的默认支持方式。配置步骤确保Node.js环境你的电脑需要安装Node.js (版本16或以上)。可以在终端运行node --version检查。编辑MCP客户端配置文件不同的AI工具有不同的配置文件路径。Claude Desktop: 配置文件通常位于~/.config/claude-desktop/config.json(Mac/Linux) 或%APPDATA%\Claude Desktop\config.json(Windows)。Cursor: 配置文件通常位于~/.cursor/mcp.json。Windsurf: 配置文件通常位于~/.windsurf/mcp.json。编写配置文件用文本编辑器打开对应的配置文件添加burn-mcp-server的配置。配置文件本质是一个JSON其中mcpServers对象用于声明所有MCP服务器。{ mcpServers: { burn: { command: npx, args: [burn-mcp-server], env: { BURN_MCP_TOKEN: 你的令牌粘贴在这里 } } } }配置参数详解command: “npx”: 告诉系统使用npx命令来运行包。npx会自动下载并执行burn-mcp-server的最新版本无需你手动npm install -g。args: [“burn-mcp-server”]: 传递给npx的参数即要运行的包名。env: 设置环境变量。这里将之前复制的令牌设置为BURN_MCP_TOKEN环境变量服务器启动时会读取它。保存并重启客户端保存配置文件后完全重启你的Claude Desktop、Cursor或Windsurf应用。重启后客户端会读取新配置启动本地的burn-mcp-server进程。你可以在客户端的日志或设置中查看MCP服务器是否加载成功。实操心得使用npx是最简单的方式但首次运行时会有一个下载过程。如果你希望更稳定或离线可用可以全局安装npm install -g burn-mcp-server然后将配置中的“command”改为“burn-mcp-server”“args”改为[]。3.3 模式二远程HTTPS连接推荐给claude.ai用户与云场景这种模式下burn-mcp-server作为一个无服务器函数部署在Vercel上提供一个公共的HTTPS端点。你的AI客户端通过HTTP请求与之通信。这是claude.ai网站上的Connectors功能和Claude Code Routines的指定连接方式。配置步骤获取端点URL和令牌远程端点是固定的https://burn-mcp-server.vercel.app/api/mcp。令牌就是你之前获取的BURN_MCP_TOKEN。在claude.ai中配置Connector登录 claude.ai 。点击左侧栏底部的 “Settings” (设置图标)。选择 “Connectors” 选项卡。点击 “Add custom MCP server”。在弹出的表单中填写Name: 任意如 “My Burn Knowledge”。URL:https://burn-mcp-server.vercel.app/api/mcpHeaders: 点击 “Add header”。Key:AuthorizationValue:Bearer 你的BURN_MCP_TOKEN(请替换你的BURN_MCP_TOKEN为实际令牌字符串)。点击 “Save”。保存成功后该Connector会出现在列表中并自动对所有新对话生效。验证连接可选你可以使用curl命令测试远程服务器是否正常工作# 在终端中执行记得替换 $BURN_MCP_TOKEN 为你的实际令牌或直接粘贴 curl -X POST https://burn-mcp-server.vercel.app/api/mcp \ -H “Authorization: Bearer $BURN_MCP_TOKEN” \ -H “Content-Type: application/json” \ -d ‘{“jsonrpc”:”2.0,”id”:1,”method”:”initialize”,”params”:{“protocolVersion”:”2025–03–26,”capabilities”:{},”clientInfo”:{“name”:”curl”,”version”:”1.0}}}’如果返回一个包含”serverInfo”等字段的JSON说明连接成功。两种模式对比与选型建议特性本地Stdio模式远程HTTPS模式延迟极低本地进程间通信依赖网络略有延迟隐私数据流不离开本地机器请求经过Vercel服务器但令牌和请求内容仍加密便捷性需本地Node环境配置一次无需安装纯Web配置随处可用适用场景Claude Desktop, Cursor, Windsurf等桌面IDEclaude.ai 网页版任何支持HTTP MCP的云客户端稳定性依赖本地环境依赖Vercel服务可用性个人建议如果你主要在Cursor或Claude Desktop中进行深度编程和写作用本地模式响应最快。如果你习惯在claude.ai网页上进行日常问答和头脑风暴用远程Connector模式最方便。我本人是两者都配置了在不同场景下切换使用。4. 26个MCP工具深度解析与应用场景配置完成后你的AI助手就拥有了26个强大的工具。这些工具不是冷冰冰的API而是AI能理解并主动使用的“能力”。下面我将它们分为几组并结合具体使用场景来讲解。4.1 搜索与阅读工具组让你的知识库“会说话”这组工具解决了“我到底存过什么”的核心问题。search_vault/list_vault: 这是最常用的工具。当你在写技术博客突然想引用一篇关于“微服务熔断器”的文章却记不清细节时你可以直接对Claude说“在我的Burn Vault里搜索一下‘熔断器’和‘Resilience4j’相关的文章。” Claude会自动调用search_vault返回匹配的书签列表包括标题、URL、摘要和分类。list_sparks/search_sparks: 用于回顾近期阅读。例如“列出我过去一周保存的所有Spark状态的文章。” 这能帮你快速复盘近期的学习重点。list_flame/get_flame_detail: 管理你的信息收件箱。每天早上你可以让AI检查“我的Flame里现在有哪些文章把标题和来源列出来。” 然后快速决定哪些今天要读。get_article_content:这是杀手级功能。它不仅能获取链接的原始文本还会返回一个AI生成的内容分析包括摘要、关键要点和实体识别。这意味着即使你没时间精读AI也能先帮你提炼核心并基于此进行分析。例如你可以说“获取ID为‘abc123’的书签的完整内容并总结出三个最重要的技术观点。”fetch_content: 这是一个“万能爬虫”工具。它支持X推特、Reddit、YouTube甚至微信公众号文章的链接。当你把一个推文链保存到Burn后AI可以通过这个工具获取推文的全线程内容而不仅仅是截图或短链接。实操心得get_article_content返回的分析质量很高非常适合快速构建对一个陌生主题的初步认知。我经常在深入研究某个新库之前先让AI用这个工具分析几篇我保存的入门教程让它给我生成一个对比表格或学习路径建议。4.2 智能分类工具组让AI成为你的信息过滤器这是将AI从“助手”升级为“代理”的关键。你可以授权AI帮你处理Flame收件箱。move_flame_to_spark/move_flame_to_ash: 你可以给AI设定规则。例如“查看我Flame里所有来自‘Hacker News’的文章如果标题包含‘Rust’或‘性能优化’就移到Spark其他的如果评分低于10分就移到Ash。” AI会逐一调用get_flame_detail查看内容然后根据你的规则调用移动工具。batch_triage_flame: 批量处理工具效率更高。你可以说“我这里有一个ID列表 [id1, id2, id3]把它们全部从Flame移到Spark。”move_spark_to_vault: 定期整理Spark。例如每月底让AI回顾“把我Spark里所有分类为‘编程’的文章如果保存时间超过两周都移到Vault的‘Archive’分类下。”重要注意事项让AI自动分类是一把双刃剑。初期建议你通过list_flame让AI列出文章然后你口头指挥它移动某几篇“把第一篇和第三篇移到Spark”观察它的判断是否符合你的预期。逐渐建立起信任后再尝试给出更模糊的规则“看起来是深度技术分析的就保留”。AI的判断基于它对内容的理解可能和你的偏好有偏差。4.3 知识策展工具组构建主题化的知识集合单个书签是点Collections集合则能帮你连成线和面。create_collection: 当你在研究“WebAssembly”时可能会从不同渠道保存十几篇文章。你可以命令AI“创建一个名为‘WebAssembly生态调研’的集合把Vault里所有标题或摘要包含‘WebAssembly’的书签都加进去。” AI会先搜索然后创建集合并添加成员。add_to_collection/remove_from_collection: 动态管理集合。例如看到一篇新文章“把这篇文章加到‘WebAssembly生态调研’集合里。”update_collection_overview:这个工具极大地提升了集合的价值。当你为一个集合添加了足够多的资料后你可以让AI为你撰写一份综述“为‘WebAssembly生态调研’这个集合生成一份AI概述总结当前的技术趋势、主要应用场景和提到的关键工具。” AI会分析集合内所有文章的内容生成一份结构化的报告。这份报告本身会保存下来成为你这个主题研究的“地图”。应用场景我使用Collections来管理所有项目相关的资料。比如有一个“项目A-架构设计”集合里面包含了竞品分析、技术选型论文、设计模式文章。在项目评审前让AI生成一份概述能快速帮我梳理思路和引用来源。4.4 自动订阅与监控工具组设置你的信息雷达这是实现“信息自动流入”的自动化能力。add_watched_source: 你可以让AI帮你关注信息源。例如“添加一个对X用户‘tech_leader’的订阅。” 或者 “订阅这个RSS feed: ‘https://example.com/feed.xml’。” 此后这些源的新内容会自动作为Flame书签添加到你的收件箱。scrape_watched_sources: 手动触发抓取。比如你准备开始上午的阅读可以说“立即抓取所有我订阅的源看看有没有新内容。”list_watched_sources/remove_watched_source: 管理你的订阅列表避免信息源过时或泛滥。踩坑记录自动订阅功能非常强大但容易导致Flame爆炸。我一开始订阅了十几个高产的技术博客和推特账号结果每天Flame里涌进几十篇文章完全看不过来反而增加了焦虑。我的经验是精挑细选宁缺毋滥。只订阅那些产出质量极高、与你当前核心目标最相关的少数几个源。并利用AI的自动分类规则将低优先级源的帖子自动标记为Ash或移动到特定分类的Spark留待以后有选择地查看。5. 高阶工作流与集成案例掌握了基础工具我们可以将它们组合起来构建一些自动化或半自动化的高阶工作流。5.1 案例一每日晨间信息简报目标每天早上一启动AI自动获取Flame摘要、Spark回顾和重点关注源更新。你可以对AI说“执行我的晨间简报流程列出当前Flame中的所有文章按来源分组并给我一个计数。从Flame中选出3篇标题最吸引我基于我的历史兴趣是后端开发和AI的文章获取它们的详细内容摘要。列出过去3天转为Spark的文章标题。抓取我订阅的‘某某周刊’的RSS源看看有没有更新。最后基于以上信息给我今天的信息处理建议哪些必读哪些可以跳过。”AI会依次调用list_flame-get_flame_detail(或get_article_content用于选中的文章) -list_sparks-scrape_watched_sources等工具并综合信息给你一个清晰的报告。5.2 案例二研究课题的快速启动与合成目标当你开始学习一个新领域例如“量子计算基础”快速建立知识框架。工作流初始收集手动或通过add_watched_source订阅一些权威源如ArXiv的相关分类。批量导入与筛选将一批入门文章、综述论文的链接保存到Flame。然后让AI“将Flame中所有与‘量子计算’相关的文章移动到Spark并为每篇生成一个简短的关键词标签。”创建知识集合让AI“创建一个名为‘量子计算入门’的集合并将刚才所有移到Spark的文章加进去。”生成研究综述几天后集合里有了足够资料让AI“为‘量子计算入门’集合生成一份详细的AI概述要求包括核心概念解释、当前主要技术路线对比、列举提到的关键算法和硬件平台、以及推荐的学习路径顺序。”持续更新在研究过程中看到新资料随时用add_to_collection加入集合。定期用update_collection_overview更新综述见证自己知识体系的演进。5.3 案例三与Cursor/Windsurf深度集成实现编码上下文增强对于开发者来说这是最具生产力的场景。在Cursor或Windsurf中你可以直接询问与你当前项目相关的历史知识。场景你在写一个Go服务的错误处理模块。操作在Cursor的聊天框中直接问“我之前有没有保存过关于Go语言错误处理最佳实践的文章”背后Cursor通过MCP调用search_vault在你的Burn知识库中搜索“Go 错误处理”。结果AI不仅告诉你有哪些文章还可以直接引用其中的关键段落甚至结合文章内容建议你当前代码应该采用errors.Wrap还是fmt.Errorf并给出理由。这相当于为你正在工作的IDE接上了一个专属的、经过你筛选的技术文库让编码决策更有依据。6. 常见问题、故障排查与安全实践即使按照指南操作也可能会遇到一些问题。以下是我在实践中总结的常见坑点及解决方案。6.1 连接与配置问题问题现象可能原因排查步骤Claude Desktop/Cursor 提示找不到MCP服务器或工具1. 配置文件路径错误。2. 配置文件语法错误JSON格式不对。3. Node.js未安装或npx命令不可用。4. 令牌环境变量未生效。1. 确认配置文件在正确路径且文件名正确config.json,mcp.json。2. 使用 JSONLint 验证配置文件格式。3. 在终端运行npx --version和node --version确保命令可用。4. 尝试在配置中写死令牌或检查环境变量名是否为BURN_MCP_TOKEN。claude.ai Connector 测试失败1. 令牌填写错误漏了‘Bearer ’前缀或令牌本身错误。2. 网络问题无法访问Vercel。3. 令牌已过期有效期30天。1. 仔细检查Connector配置中的Header格式必须是Bearer token。2. 用上文提供的curl命令在终端测试看具体报错信息。3. 前往Burn设置中的MCP Server页面重新复制一个新令牌替换。AI助手无法调用某个特定工具1. 工具名拼写错误AI的指令不精确。2. 该工具需要的参数缺失或格式不对。1. 用英文准确描述需求如“search my vault for…” 会触发search_vault。2. 查看官方文档中工具的详细参数列表在指令中明确提供例如“search with the query ‘docker compose’”。6.2 数据与操作问题问题AI移动文章时“张冠李戴”或者搜索不到明明存在的文章。排查首先用list_vault或list_flame等列表工具让AI输出书签的ID和标题确认数据存在且ID正确。Burn中的ID通常是数据库的主键在调用move_*或get_bookmark等需要ID的工具时必须使用这个精确的ID。AI有时会混淆标题和ID。建议在涉及具体书签的操作时先让AI列出相关条目确认无误后再发出移动或获取详情的指令。可以养成“先列表后操作”的习惯。6.3 安全与隐私最佳实践令牌即密码你的BURN_MCP_TOKEN拥有对你所有书签的读写权限。切勿在公开场合如GitHub、论坛分享你的配置文件或截图时暴露令牌。如果意外泄露立即到Burn设置中重置MCP Token。理解权限范围通过MCP服务器AI可以执行你手动在App里能做的几乎所有操作读、写、移动、删除。在让AI执行批量删除move_to_ash或修改重要集合update_collection_overview等破坏性操作前建议先进行“模拟”或小范围测试。定期审计利用list_watched_sources检查自动订阅源清理不再关注的。偶尔查看一下Ash确认没有误删有价值的内容虽然不常发生。网络传输远程HTTPS模式下的通信是加密的。但如果你处在严格的网络审计环境需要了解此流量可能会被识别为到Vercel的API访问。6.4 性能与速率限制根据官方文档服务器端有每分钟30次调用的速率限制。对于绝大多数交互式对话场景这完全足够。但如果你设计了一个非常复杂的、连续调用几十个工具的工作流比如一次性分析Flame中所有50篇文章并生成报告可能会触发限流。如果遇到只需等待一分钟后再继续即可。在设计自动化流程时可以在批量操作中加入短暂的延迟。7. 总结与个人体验回顾整个使用历程burn-mcp-server不仅仅是一个技术集成它更像是一个思维模式的升级。它将我从“信息的被动收藏者”变成了“知识的主动管理者”而AI则担任了助理、研究员和策展人的多重角色。最深刻的体会是“搜索”变得无比自然。以前需要打开Burn网站输入关键词筛选结果。现在无论是在写代码、写文档还是单纯在思考任何关于“我好像读过这个”的念头都可以瞬间通过对话得到答案。这种与个人知识库的无缝交互极大地降低了调用知识的摩擦力。其次自动化分类减轻了决策疲劳。每天面对涌入的Flame由AI先进行一轮基于标题和来源的初筛比如“所有来自公司技术博客的自动进Spark所有新闻类短讯进Ash”让我能更专注地处理那些真正需要人类判断的、模糊地带的信息。最后Collections AI Overview 功能构建了知识图谱的雏形。每一个集合的AI概述都是一份动态更新的迷你综述。这不仅仅是文章的罗列而是关系的梳理和观点的聚合对于项目复盘、技术调研和内容创作来说是极高的价值产出。当然这套系统并非全自动魔法。它的效果很大程度上取决于你如何使用Burn本身——是否坚持每日清空Flame是否认真为Vault文章分类。工具放大了好的习惯但前提是习惯本身已经建立。我的建议是先从手动管理开始熟悉Burn的四状态流程然后逐步引入一两个AI工具比如用AI搜索Vault再尝试半自动分类最后探索自动订阅和集合管理。循序渐进让AI真正成为你知识工作流中得力的延伸而非一个带来混乱的额外变量。
（支持资料、图片参考_相关定制）_文章底部可以扫码)
![华为OD机试2025C卷-字符串变换最小次数[100分]（ Java _ Python3 _ C++ _ C语言 _ JsNode _ Go）实现100%通过率](http://pic.xiahunao.cn/yaotu/华为OD机试2025C卷-字符串变换最小次数[100分]（ Java _ Python3 _ C++ _ C语言 _ JsNode _ Go）实现100%通过率)
![华为OD机试2025C卷-内存资源分配[100分]（ Java _ Python3 _ C++ _ C语言 _ JsNode _ Go）实现100%通过率](http://pic.xiahunao.cn/yaotu/华为OD机试2025C卷-内存资源分配[100分]（ Java _ Python3 _ C++ _ C语言 _ JsNode _ Go）实现100%通过率)
