AI-Wiki

定义与身份

Cline是原文实验里实际使用的客户端插件，运行在VS Code中。

在该实验中，它不是被抽象讨论的协议组件，而是用户真正操作的宿主界面：用户在其中配置模型接口、安装和管理 MCP server、发起提问、查看待调用工具，并在批准后让本地工具实际执行。

原文用 Cline 来验证 MCP 的底层工作机制，因此它处于“连接大模型与本地 MCP server 的关键执行层”位置。

配置角色

原文的实验先配置 Cloudflare AI Gateway，再在VS Code中安装 Cline 插件，通过 Cline 把后端模型请求改为经由 Gateway 转发。

具体配置方式包括：

在 Cline 中选择 OpenAI compatible 作为接口类型。
把 Cloudflare AI Gateway 提供的链接填入 base URL。
申请并填写模型提供方的 API Key。原文示例先使用 OpenRouter 的 API Key，也提到后续实验中把 DeepSeek API 开放平台创建的 API Key 信息填写到 Cline 中。
填写模型 ID。原文示例给出“免费的 DeepSeek V3”作为模型 ID 示例。

这说明 Cline 在文中的一个核心角色，是作为统一前端，把不同模型提供方通过兼容 OpenAI 的方式接入同一调用入口，再借助 Gateway 观察真实请求日志。

MCP 安装与管理角色

原文将 Cline 直接作为安装 MCP server 的入口使用。

用户进入 Cline 后，点击 MCP 小按钮，在市场中搜索与时间有关的 MCP server，文中以 time 类 server 为例。

这里有两个边界条件被原文明确写出：

MCP server 本质上是运行在用户电脑上的程序。
文中这个 time server 是用 Python 编写的，因此本机必须先安装 Python 运行环境。

在满足本地运行环境条件后，原文描述 Cline/AI 会自动完成安装过程中的一部分工作，安装流程包括：

创建文件夹。
使用 PIP 命令安装对应 Python 包。
创建并保存配置文件。
配置文件可按需修改，例如加入本地时区。
最后由用户点击 approve 完成配置。

安装完成后，可在该 server 下看到两个工具：

获取当前时间。
进行时间转换。

这说明 Cline 不只是聊天入口，还承担本地 MCP server 的发现、安装、配置确认与可用工具展示职责。

在调用链中的双重职责

原文对 Cline 在 MCP工具调用链路中的职责描述得非常明确，且具有双重性。

1. 向模型传递工具说明

Cline 会把用户问题与 MCP 的详细使用方法一起发送给大模型，其中 MCP 工具说明被附加在系统提示词中。

原文在 Cloudflare AI Gateway 日志中看到的系统提示词，明确包含类似如下信息：

MCP 允许系统与本地运行的 MCP server 通信。
这会给系统带来额外的工具和资源扩展能力。
可通过 use_mcp_tool 执行 MCP 协议相关工具调用。
可通过 access mcp resource 获取资源。
系统提示词中还明确列出可用工具，如 get current time、convert time，以及各自的传参格式。

因此，模型之所以“知道”有哪些 MCP 工具、工具叫什么、参数该怎么传，并不是模型天然认识这些工具，而是因为 Cline 把这些说明注入进了系统提示词。

2. 执行对本地 MCP server 的实际调用

Cline 不仅负责把工具说明告诉模型，还负责在模型做出选择后，真正执行调用。

原文给出的调用过程是：

Cline 把用户提问及 MCP 详细使用方法传给大模型。
大模型决定应当使用哪个 MCP 工具，以及参数应如何传递。
Cline 根据模型决定的调用方式，去调用本地 MCP server。
Cline 拿到 MCP server 的返回结果后，再连同之前上下文一起交回大模型。
大模型整理输出，给用户最终答案。

这里原文还补充了一个重要事实：MCP server 本质上是本地的 Node.js 或 Python 程序。也就是说，真正执行工具的是本机程序，而 Cline 是把模型决策翻译成实际本地调用的执行者。

文中示例：展示待调用工具并等待用户批准

原文用“现在的时间是什么”作为演示问题。

在这个例子中，Cline 会向用户展示模型可能要调用的 MCP 工具，原文给出的示例名称是：

get current time time

随后由用户批准，Cline 再执行该调用。

调用完成后，返回值被再次送回模型，最终模型给出当前时间结果；原文提到结果时区为上海。

这体现了 Cline 在交互层面的一个特点：它不会把本地工具调用完全隐藏，而是把“准备调用什么工具”显式展示给用户，并通过批准机制继续执行。

关键信息与边界

它不是 MCP server 本身

Cline 负责安装、管理和调用 MCP server，但它本身不是 MCP server。

原文反复强调，真正的 MCP server 是本地运行的程序，可能是 Python，也可能是 Node.js；Cline 则是宿主客户端与执行调度层。

它也不是模型能力本身

模型是否会使用 MCP 工具，取决于 Cline 是否把 MCP 工具说明注入到系统提示词，以及后续是否按模型决策执行工具调用。

因此，文中的 MCP 能力并不是模型内建出厂能力，而是“模型 + Cline + 本地 MCP server”共同形成的结果。

它支持不具备 function call 的模型参与 MCP 流程

原文专门用 DeepSeek Re 进行验证，并指出其不支持 function call/function code。

尽管如此，只要把相关 API Key 和模型信息填入 Cline，模型仍可在推理过程中使用 MCP 工具并得到正确答案。

这背后的原因是：MCP 相关知识是由 Cline 附加进系统提示词中的，模型只要能读懂提示词，就能基于这些说明决定使用 MCP。

因此，从文中实验语境看，Cline 也是证明MCP与Function Call关系的重要实验载体：MCP 与 function call 功能相似，但二者相互独立、没有依赖关系。

细节补充

原文实验先通过 Cloudflare AI Gateway 抓取与 AI 交互的所有请求数据，再从日志中验证 Cline 确实把 MCP 工具说明注入了系统提示词。
time 类 MCP server 安装时，用户并非零操作；虽然 AI/Cline 会自动完成部分步骤，但仍需本地预装 Python，并在最后点击 approve 完成配置。
配置文件不是完全固定的，原文明确提到可以修改配置文件以添加本地时区。
Cline 展示给模型的并不只是工具名，还包括参数格式，这一点对模型正确决定调用方式至关重要。

Cline