注意事項：
Eagle MCP 插件需使用 Eagle 4.0 Build 12(2025-09-14) 以上版本方可正常運作，目前仍處於 Beta 測試階段，穩定性尚未完全成熟。此外，不同 AI 模型的能力與表現可能有所差異，且 AI 仍可能產生錯誤或非預期的結果。建議嘗試使用此插件的用戶，務必 事先完整備份所有資料，並在 每次 Agent 執行任務前仔細確認任務內容與執行細節，以避免因 Agent 判斷失誤或模型限制，導致資料被修改成非預期的狀態。

Eagle MCP 讓 AI 助理透過 MCP（Model Context Protocol）直接調用你的 Eagle 素材庫能力，將「標籤、分類、翻譯、批次整理」這些原本需要大量手動操作的工作，改成用自然語言就能完成。

想像你只要對 AI 說：「幫我把素材庫裡所有跟貓相關的標籤整理一下，把 cat／貓／喵星人這些同義標籤合併成一個，順便修正拼字錯誤」，AI 就能完成整理建議並協助你批次套用，省下大量來回點選與人工檢查的時間。

本文將提供 Eagle MCP 的完整配置流程，並以 Cursor 為例帶你完成：Eagle MCP Server 安裝與啟動、伺服器端點驗證，以及 MCP Client（工具端）設定，讓你從零開始快速把 AI 接進素材庫工作流。

什麼是 MCP？

你可以把 MCP（Model Context Protocol）想成 AI 世界的「通用插座」：讓 AI 不只會聊天，還能在你授權的前提下，讀取你真正的工作內容（資料、檔案、知識）並操作你常用的工具。

以下這支 Figma 官方影片，把「MCP 伺服器到底在做什麼」講得很直觀，推薦先看完再回來看 Eagle MCP，你會更有感。

Eagle MCP 能做什麼？

Eagle MCP 針對素材管理工作流做了更貼近設計/創意需求的操作封裝。

核心功能特色

智慧標籤系統分析

會分析你的標籤使用模式，找出同義詞群組（如「貓 / cat / 喵星人」）、拼寫變體、使用頻率，並給出合併/淘汰/標準化建議。
自然語言控制複雜任務

你可以下達「帶條件的查詢與整理」，例如依資料夾、星等、時間範圍、既有標籤集合來限制整理範圍。
雲端與本地模型整合

可依預算/隱私需求選擇雲端模型或本地模型（實際支援範圍依你的 MCP Client 與模型服務而定）。

💡 模型建議：Claude Sonnet 4.5 及後續版本
若你使用 Eagle MCP 進行較複雜或需要多步推理的任務（例如標籤群組分析、批次分類建議等），強烈推薦選用 Claude Sonnet 4.5 模型及後續版本。Claude 系列在「Tool Use（工具調用）」上經過專門訓練，能更準確理解 MCP 指令結構、回傳格式，對於需要反覆呼叫工具與產生結構化結果的場景，表現特別穩定。若有預算考量，也可退階使用 Claude Haiku 4.5，它在工具調用準確度上略低於 Sonnet，但執行速度與成本表現更佳，適合測試階段或非關鍵性任務使用。

插件安裝 Eagle MCP

步驟 1：取得 Eagle MCP 插件

開啟 Eagle 應用程式
點選頂部選單的「插件」→「插件中心」
在搜尋欄輸入「MCP」
找到「Eagle MCP」插件，點擊「安裝」

步驟 2：完成安裝設定

安裝完成後，會在插件清單中看到 Eagle MCP
點擊「啟用」按鈕啟動插件
首次啟用時會自動啟動 MCP 伺服器（預設埠號：41596）
系統會顯示伺服器狀態：✅ 已啟動

MCP 伺服器配置指南

現在 Eagle MCP 伺服器已經準備就緒，接下來我們將詳細說明如何在各種主流 AI 開發工具中配置連線。所有配置都將使用統一的伺服器端點：http://127.0.0.1:41596/mcp。

伺服器端點配置說明

無論使用哪種 AI 工具，Eagle MCP 的基本連線資訊都是相同的：

{
  "mcpServers": {
    "eagle-mcp": {
      "transport": "http",
      "type": "streamable-http",
      "streamable": true,
      "url": "http://localhost:41596/mcp"
    }
  }
}

這個端點讓 AI 工具能夠與你本地的 Eagle 應用程式通訊，實現智慧素材管理功能。

以下以 Cursor 作為配置範例：

Cursor 編輯器提供了簡潔的 MCP 配置方式，特別適合開發者使用。

步驟 1：進入 Cursor 的 MCP 設定頁面

點擊右上角設定圖示，接著選擇 Cursor Settings
點擊左側 Tools & MCP 項目

步驟 2：新增 Eagle MCP 伺服器

點擊 Add Custom MCP

將以下程式碼加入到 mcp.json 中，然後儲存

{
  "mcpServers": {
    "eagle-mcp": {
      "transport": "http",
      "type": "streamable-http",
      "streamable": true,
      "url": "<http://localhost:41596/mcp>"
    }
  }
}

返回 MCP 設定畫面，你會看到 eagle-mcp 已經在項目清單中。（如果 eagle-mcp 下方文字顯示 No Tools，可以嘗試點擊右側開關按鈕，先關閉，再次啟用）

步驟 3：測試連線

開啟 Cursor 的 AI 聊天面板
詢問 AI Agent：我的 Eagle 軟體是什麼版本？
如果 MCP 成功配置，你會看到 Agent 嘗試呼叫 Eagle MCP，等待你給予執行權限
給予權限並執行，如果你能看到 AI 回答這個問題，就表示 Eagle MCP 伺服器已經成功配置完成。

隱私與資料外洩說明（務必看懂）

使用 Eagle MCP 時，資料「會不會離開你的電腦」，主要取決於你選用的是 雲端模型 還是 本地模型：

如果你使用雲端模型（Cloud LLM）

在推理過程中，可能會把「檔名、標籤、註解、搜尋條件、摘要」等資訊送到模型供應商，以完成推理與回覆。

建議做法：

避免把高度敏感素材（合約、個資、未公開專案）交給 Agent 直接批次整理
先用小資料夾測試，確認風險可接受再擴大

如果你使用本地模型（Local LLM）

資料通常不需要送往雲端，隱私風險相對更低；但不同本地模型在品質、速度、工具呼叫穩定性上差異也更明顯。

補充：Eagle MCP 伺服器本身在本機運作，負責把 AI 的「指令」轉成 Eagle 的「可控操作」；真正的資料外送多半發生在你選用的模型推理階段，而不是 MCP 本身。

權限與安全建議（降低誤操作風險）

Eagle MCP 很強，代表它可能會「改很多」。建議你固定用下面這套 SOP：

先分析、再執行：先要 AI 產出建議與「預計變更清單」，確認後再改
先小範圍測試：先針對少量檔案/單一資料夾測試，再逐步擴大
任務拆小：避免一句話整理整個庫；拆成 2–5 個步驟更可控
明確限制範圍：指定資料夾、檔案數量、時間範圍、標籤集合
從只讀問題開始：版本、統計、候選清單先跑通，再做批次變更

Eagle MCP 實戰範例（可直接複製貼上）

建議你把每個範例都先加一句「請先產出變更清單，不要直接執行」，讓使用者養成安全習慣。

範例 1：多語言標籤翻譯（先產出清單）

請掃描資料夾「/日本素材」內的標籤，
找出含日文字符的標籤，翻譯成英文，
先輸出「日文標籤 → 英文標籤」對照清單與影響檔案數，
等我確認後再批次新增英文標籤。

範例 2：標籤使用頻率分析與清理建議（只讀）

請分析我的 Eagle 標籤使用情況：
1) 列出使用頻率低於 3 次的標籤
2) 找出可能同義/重複的標籤群組（含拼寫錯誤）
3) 提出建議：哪些適合合併、哪些適合淘汰
先給報告，不要做任何修改。

範例 3：新加入檔案的分類建議（先建議、再移動）

{
  "mcpServers": {
    "eagle-mcp": {
      "transport": "http",
      "type": "streamable-http",
      "streamable": true,
      "url": "http://localhost:41596/mcp"
    }
  }
}

範例 4：單一檔案的內容分析與完整歸檔建議（先分析）

請先產出變更清單，不要直接執行。

請分析我目前選中的這個檔案，請你依序完成以下分析：
1) 讀取檔案的完整檔案路徑與檔名
2) 分析圖片內容，產出一段可用於搜尋的描述（偏客觀、具體）
3) 提出一組「建議標籤」（避免過度抽象，偏向可重複使用的關鍵詞）
4) 根據我現有的資料夾結構，建議最合適的歸類路徑（單一路徑即可）

請以清單方式輸出：
- 檔案名稱
- 建議描述
- 建議標籤（清單）
- 建議資料夾路徑
- 每一項建議的理由或信心說明

等我確認後，再執行實際的描述寫入、標籤套用與移動檔案。

範例 5：空白資源庫的領域化資料夾結構建立（只產出結構）

請先產出結構建議，不要建立任何資料夾。

這是一個全新的、空白的 Eagle 資源庫，
我打算專門用來整理「遊戲設計（Game Design）」相關的靈感圖片。

請你幫我設計一套資料夾分類結構，需求如下：
1) 一共約 5 個「一級分類」
2) 每個一級分類底下，建立 5–10 個「二級子分類」
3) 每個一級分類請建議一個：
   - 資料夾用途說明
   - 建議使用的圖示類型
   - 圖示顏色（用於視覺區隔，不同分類請避免重複）

輸出格式請包含：
- 一級分類名稱
  - 用途說明
  - 圖示建議（形狀 / 類型）
  - 圖示顏色
  - 二級子分類清單（附簡短說明）

請整體設計偏向「實務可用、長期擴充、不易過時」，
等我確認整體結構後，再實際建立資料夾。

常見問題（Troubleshooting）

Q1：MCP 配置後連不上 / 沒反應

確認 Eagle 有開著，且 Eagle MCP 插件顯示 ✅ 已啟動
確認端點寫法正確：http://localhost:41596/mcp
確認 mcp.json 是有效 JSON（少一個逗號就會整個讀不到）

Q2：有看到 eagle-mcp，但 Agent 不呼叫工具

停用然後再啟用 eagle-mcp
先用只讀問題測試（版本、統計、候選清單）
確認你在 Cursor 的工具/權限設定中沒有停用該 MCP Server
有些情境模型不會自動決定呼叫工具：你可以明確加一句「請呼叫 eagle-mcp 查詢」

Q3：結果看起來怪或有誤

先要求輸出「變更清單」與「影響範圍」，不要直接套用
拆小任務、縮小資料夾範圍、減少一次處理的檔案數

Eagle MCP 伺服器配置指南