本系列之前的文章里，我们尝试了 Roo Code，并编写了一个自己的 MCP Server。在本文中，我想通过一个例子，来展示为什么 AI 可以让我摆脱琐碎的工作，为什么 MCP 很棒。
我有一篇 markdown 文章，其中的图片在我的 VSCode 预览中都无法显示，原因大家都知道，我想将这些图片上传到我的私有图床，因此我在 Roo Code 中说：
请将该markdown中的图片上传到Cloudinary，并且将该图片的地址替换为Cloudinary的地址
于是 Roo Code 开始在我的文档中搜索以下形式的字符：
然后将 image-url 的图片上传到 Cloudinary，将返回的 Cloudinary URL 替换原来的 image-url。
之所以我可以这么做，是因为我又写了个上传到 Cloudinary 的 MCP Server，大家有兴趣可以试用。
我之前没有用专门的图床服务，主要原因是工作流程没有搞顺。我有几个选择：
- 不写工具，自己手工处理。
- 写一个工具，批量处理 markdown 文件中的所有图片。
- 写一个 VSCode 插件，可以选择需要上传的图片。
我用 markdown 写文章，但是并不是每次都需要私存我的图片到图床，有时只需要上传某个图片，我总是有一些特殊的需求。因此，第 3 个选择最合适，只是我不确定是否有了这样的插件，即使有了是否能和我的工作流结合，评估这些插件也是个不小的工作量。我自己也可以写这个插件，但是投入产出可能不成比例。
总之，最后我还是手工处理，因为手工处理可以应对 90% 的情况，但是总有 10% 的情况让我多花 900% 的工作量。
通过 Roo Code 和我自己开发的 MCP Server，我发现我解决了问题，也发现了问题。工具，都是用于弥合我的想法和具体操作之间的差距，但我的想法过于多变，这个变化未必有多巨大，但是足以让之前写的工具失效。
不过，大语言模型来了，我现在可以用自然语言描述我的需求，当大语言模型可以理解我的语言，也知道用什么工具来解决问题时，它不再沉迷于文字游戏，而成为真正的效率帮手，而 MCP 正是实现这一目标的关键一环。