Zen MCP Server

為什麼要用

核心特性

跨模型對話：每個工具可選擇不同的模型
工作流程工具：thinkdeep、planner、debug、codereview、consensus、refactor
供應商支援：Gemini、OpenAI、Grok、OpenRouter、Ollama、Azure OpenAI
Continuation ID 保持跨模型上下文存活
內建每個供應商的費用追蹤

即時演示

實際使用效果

zen-mcp-server.replay ▶ 就緒

0/0

安裝

選擇你的客戶端

~/Library/Application Support/Claude/claude_desktop_config.json · Windows: %APPDATA%\Claude\claude_desktop_config.json

{
  "mcpServers": {
    "zen-mcp-server": {
      "command": "uvx",
      "args": [
        "zen-mcp-server"
      ]
    }
  }
}

開啟 Claude Desktop → Settings → Developer → Edit Config。儲存後重啟應用。

~/.cursor/mcp.json · .cursor/mcp.json

{
  "mcpServers": {
    "zen-mcp-server": {
      "command": "uvx",
      "args": [
        "zen-mcp-server"
      ]
    }
  }
}

Cursor 使用與 Claude Desktop 相同的 mcpServers 格式。專案級設定優先於全域。

VS Code → Cline → MCP Servers → Edit

{
  "mcpServers": {
    "zen-mcp-server": {
      "command": "uvx",
      "args": [
        "zen-mcp-server"
      ]
    }
  }
}

點擊 Cline 側欄中的 MCP Servers 圖示，然後選 "Edit Configuration"。

~/.codeium/windsurf/mcp_config.json

{
  "mcpServers": {
    "zen-mcp-server": {
      "command": "uvx",
      "args": [
        "zen-mcp-server"
      ]
    }
  }
}

格式與 Claude Desktop 相同。重啟 Windsurf 生效。

~/.continue/config.json

{
  "mcpServers": [
    {
      "name": "zen-mcp-server",
      "command": "uvx",
      "args": [
        "zen-mcp-server"
      ]
    }
  ]
}

Continue 使用伺服器物件陣列，而非映射。

~/.config/zed/settings.json

{
  "context_servers": {
    "zen-mcp-server": {
      "command": {
        "path": "uvx",
        "args": [
          "zen-mcp-server"
        ]
      }
    }
  }
}

加入 context_servers。Zed 儲存後熱重載。

claude mcp add zen-mcp-server -- uvx zen-mcp-server

一行命令搞定。用 claude mcp list 驗證，claude mcp remove 移除。

使用場景

實戰用法： Zen MCP Server

從 3 個不同模型獲取對困難架構決策的共識

👤 做高風險決策的技術主管 ⏱ ~20 min intermediate

何時使用： 純 Claude 的意見感覺像是單一觀點；你想要多樣性。

前置條件

至少 2 個替代供應商的 API 金鑰 — 設定 GEMINI_API_KEY、OPENAI_API_KEY、OPENROUTER_API_KEY

步驟

構思問題

Use zen.consensus. Question: should we move our queue from Redis to NATS Jetstream? Stakes: 50M msgs/day, 99.99% uptime. Ask Gemini Pro and o3.✓ 已複製

→ 兩個模型都回應；Claude 摘要答案間的差異
深入研究分歧點

Where do they disagree? Use zen.chat to push back on each model's weakest point.✓ 已複製

→ 每個模型的反駁輪次
綜合結論

Give me a final recommendation with the strongest argument from each side surfaced.✓ 已複製

→ 合併決策文件

結果： 一個可以用跨模型證據支撐的架構決策。

注意事項

模型以不同方式幻想 API 細節——形成虛假共識 — 事實聲明務必對照實際文件／原始碼驗證

搭配使用： context7 · git-mcp-idosal

在 Claude 執行前使用 Gemini Pro 的 thinkdeep 規劃

👤 在龐大任務上達到 Claude 規劃上限的開發者 ⏱ ~40 min intermediate

何時使用： 任務太龐大，即使延伸思考也難以掌握全局。

步驟

移交任務說明

Use zen.thinkdeep with gemini-2.5-pro. Plan the migration from monolith to 3 microservices. Identify all sequencing risks.✓ 已複製

→ Gemini 提供的長篇計畫，以結構化文件回傳
批判計畫

Now you (Claude) review that plan. What's missing? What's risky?✓ 已複製

→ 缺口分析
執行第一步

Implement the first phase of the plan in this repo.✓ 已複製

→ 實際編輯

結果： 因兩個模型都同意形狀而值得信任的計畫。

搭配使用： desktop-commander-mcp

用與撰寫程式碼不同的模型執行 zen.codereview

👤 想要對抗性審查的獨立開發者 ⏱ ~25 min intermediate

何時使用： 你用 Claude 感覺完成了一個功能，想要一雙新鮮的眼睛（另一個模型）來審查。

步驟

整理差異

Save the current branch's diff. Pass it to zen.codereview with o3.✓ 已複製

→ 按檔案整理的審查意見
套用或拒絕

Show me each suggestion. Apply only the ones I approve.✓ 已複製

→ 每條建議的接受／拒絕提示

結果： 由具有不同先驗的模型審查的程式碼。

搭配使用： git-mcp-idosal

組合

與其他 MCP 搭配，撬動十倍槓桿

zen-mcp-server + desktop-commander-mcp

用 Gemini 規劃，用 Claude+desktop-commander 執行

zen-mcp-server + git-mcp-idosal

透過 gitmcp 取得程式庫，再用 zen+o3 進行程式碼審查

工具

此 MCP 暴露的能力

工具	輸入參數	何時呼叫	成本
chat	prompt, model?, continuation_id?	向替代模型進行一般問答	1 API call to chosen model
thinkdeep	problem, model?	規劃困難問題	Heavy — uses thinking budget
codereview	files[], model?	新鮮視角的 PR 審查	1 API call
debug	error, context, model?	卡在 Claude 看不到的 bug 上	1 API call
consensus	question, models[]	高風險決策	N API calls
precommit	diff, model?	提交前的最終檢查	1 API call

成本與限制

運行它的成本

API 配額: 按供應商計費；你向每個供應商分別付費
每次呼叫 Token 數: 因工具而異——thinkdeep 可能超過 30k
費用: 伺服器免費；直接向每個 LLM 供應商付費
提示: 設定 DEFAULT_MODEL=ollama:llama3.1 用於日常對話，只在需要時升級到付費模型

安全

權限、密鑰、影響範圍

最小權限： outbound:llm-providers

憑證儲存： 供應商金鑰存於環境變數

資料出站： 你所設定的任何供應商

將程式碼傳送給多個供應商意味著多個資料處理政策——請審查每個供應商的條款

故障排查

常見錯誤與修復

模型不可用

檢查該供應商的環境變數；只有已設定的供應商才會出現

驗證： 列出 zen 工具——模型預設值顯示在那裡

Continuation ID 遺失

每個工具回傳一個 continuation_id；傳回它以保持跨模型上下文

thinkdeep 費用失控

在環境變數中設定 MAX_THINKING_TOKENS；預設值可能很高

替代方案

Zen MCP Server 對比其他方案

替代方案	何時用它替代	權衡
context-mode-mcp	你想要上下文整形，而非多模型路由	不同的問題
Direct OpenAI/Gemini MCPs	你只需要一個替代模型，而非協調	儀式感較少，但沒有 consensus/thinkdeep 工作流程