面向纯新手：Mac 环境、零命令行恐惧、全程截图、傻瓜式复制粘贴。
0. 先秀成果
本地 LM Studio 里用 Llama3.1-8B 对话。
Cursor 侧边栏点亮绿色 MCP 图标 → 自然语言让大模型「帮我查今天的深圳天气」→ 返回实时数据。
让读者先看到「原来真能跑起来」，再决定要不要往下看。
1. 环境总览（表格一行就够）
2. 路线 A：Ollama 命令行 3 步走（带截图）
Ollama: https://ollama.com/
2.1 安装（30 秒）
# Homebrew 一条命令
brew install --cask ollama官方文档截图：官网下载页 → 复制命令 → 终端回车 → 出现羊驼图标即成功。
2.2 拉模型（2 分钟）
ollama pull llama3.1:8b # 4.7 GB
ollama run llama3.1:8b # 直接对话⚠️ 国内网络：提前 export OLLAMA_HOST=0.0.0.0:11434 可局域网访问
。
2.3 可选 WebUI（1 命令）
docker run -d -p 3000:8080 --name ollama-webui --env OLLAMA_API_BASE_URL=http://host.docker.internal:11434 ghcr.io/ollama-webui/ollama-webui:main浏览器打开 localhost:3000 即可 ChatGPT 同款界面
。
3. 路线 B：LM Studio 纯点点点（带截图）
LM Studio: https://lmstudio.ai/
3.1 安装
官网 dmg 拖进 Applications → 首次打开会提示下载第一个模型，点 Skip 跳过。
3.2 搜索 & 下载
左侧放大镜 → 输入 llama3.1 → 绿色标签＝跑得动，红色＝跑不动 → Download。
3.3 加载对话
上方「Model」下拉框 → 选择刚下载的模型 → 右侧 Chat 标签 → 输入「讲个笑话」→ 看到回复即成功。
3.4 小技巧
改中文：右下角齿轮 → Language → 简体中文。
改模型保存路径：Settings → Models → Browse，别让 C 盘爆炸。
4. 什么是 MCP？一句话看懂
模型上下文协议（MCP）=「让大模型直接调用外部 API」的通用 USB 接口。
今天我们要写一个「天气查询 USB」，插到 Cursor 里，说话就能查天气。
5. 5 分钟搭一个 MCP 服务（Python 版）
5.1 安装 uv（10 秒）
curl -LsSf https://astral.sh/uv/install.sh | sh5.2 初始化项目（20 秒）
uv init weather-mcp && cd weather-mcp
uv venv && source .venv/bin/activate
uv add fastmcp httpx5.3 写代码（main.py，复制即可）
from fastmcp import FastMCP
import httpx, os
app = FastMCP("weather")
@app.tool()
async def get_weather(city: str) -> str:
key = os.getenv("AMAP_KEY") # 高德天气 key
url = f"https://restapi.amap.com/v3/weather/weatherInfo?city={city}&key={key}"
r = httpx.get(url, timeout=10)
return r.json()["lives"][0]["weather"]一行启动：
uv run main.py看到 stdio server started 即 OK。
6. 把 MCP 插进 Cursor（30 秒）
6.1 打开配置
Cursor → Settings → MCP → + Add → 选 Stdio → 填写：
保存后侧边栏出现绿色小圆点 = 连通。
6.2 测试
新建聊天 → 输入「深圳现在天气如何？」→ 模型自动调用工具 → 返回「晴 28℃」。截图放这里。
7. 更多现成 MCP 仓库（直接 git clone 就能玩）
8. 常见坑速查表（放折叠 FAQ）
绿灯不亮 → 看 Cursor 控制台日志，99% 是路径/环境变量写错。
模型加载慢 → LM Studio 设置 → GPU 层数调低；Ollama 加
OLLAMA_FLASH_ATTENTION=1。国内下载不动 → LM Studio 设置 → Hugging Face 代理打开；Ollama 用代理命令
HTTPS_PROXY=http://127.0.0.1:7890 ollama pull xxx。
9. 一键复盘（Checklist 海报）
✅ 安装 Ollama 或 LM Studio
✅ 跑通 llama3.1:8b 对话
✅ uv 创建 weather-mcp
✅ Cursor 点亮绿灯
✅ 自然语言查天气成功
全部打钩？恭喜，你已经是「会部署本地大模型 + 写 MCP 服务」的那 1% 的人了
10. 进阶实验：本地小模型 + Chrome MCP 做信息采集 Agent
在上面的基础上，我又做了一个进阶实验：用 LM Studio 部署的本地小模型（qwen3-4b）加 chrome-devtools-mcp，实现“命令行一句话 → 浏览器检索 X 平台 → 汇总成报告”。下面是当时交给 AI 编码工具的需求提示词，可以作为同类需求的模板（整理自原《AICoding：本地LLM+MCP编写Agent完成数据爬取》，已合并到本节）。
为什么不直接用 OpenClaw？通用 Agent 搭配本地小模型效果差、跑不动，换云端订阅额度又不够用；写成 Skill 虽然也能实现，但没必要。所以改成专用流程：浏览器操作交给 MCP，本地模型只负责总结和打标分类。
## 目标
我期望实现我通过命令行调用对话能力时，可以根据我的对话完成数据查询和总结，汇总成一份报告给我。
### 使用实例
python3 main.py "总结近三天的openclaw信息，汇总后发给我"
### 流程
接收到文字信息，通过chrome访问https://x.com/home，然后通过页面搜索相关信息，先整体出所有符合要求的发言，然后将其类似：https://x.com/lipeng0820/status/2039981870184865839 链接进行保存，然后汇总出列表后，访问每一个连接，将其作者发表的信息和评论都获取总结到本地目录，通过md形式+附件的形式存储到本地，md中包含作者全部内容和评论全部内容，当所有文章都处理已完毕后，继续处理下一篇文章。当所有文章处理完毕后，分别对每一篇文章进行总结核心观点，然后将所有满足条件内容汇总给llm，进行打标分类，然后给出汇总结果，以md表格形式给出。
### 技术栈要求
1. 使用python完成
2. 使用本地模型（需要支持配置，放到文件扩展中）
3. 使用mcp连接本地浏览器（需要支持配置，放到文件扩展中）
### 本地模型说明
如下是通过curl调用本地模型，本地模型是通过 LM-Studio 部署的
```bash
curl http://localhost:1234/api/v1/chat \
-H "Content-Type: application/json" \
-d '{
"model": "qwen/qwen3-4b-2507",
"system_prompt": "You answer only in rhymes.",
"input": "What is your favorite color?"
}'
```
### Chrome MCP连接方式
```json
{
"mcpServers": {
"chrome-devtools": {
"command": "npx",
"args": [
"chrome-devtools-mcp@latest",
"--autoConnect"
]
}
}
}
```
## 注意事项
1. 因为浏览器连接的是当前已经打开的浏览器，所以需要确认连接按钮点击，我期望将程序分割开，后台永远运行和chrome连接的服务，通过中转服务完成调用，这样就不用频繁确认。