理解 MCP 服务器

MCP 服务器是通过标准化协议接口向 AI 应用暴露特定能力的程序。常见示例包括用于文档访问的文件系统服务器、用于数据查询的数据库服务器、用于代码管理的 GitHub 服务器、用于团队沟通的 Slack 服务器，以及用于日程安排的日历服务器。

核心服务器功能

服务器通过三个构建块提供功能：

功能	说明	示例	由谁控制
工具	你的 LLM 可以主动调用的函数，并根据用户请求决定何时使用它们。工具可以写入数据库、调用外部 API、修改文件或触发其他逻辑。	搜索航班发送消息创建日历事件	模型
资源	提供只读访问信息的被动数据源，用于提供上下文，例如文件内容、数据库架构或 API 文档。	检索文档访问知识库读取日历	应用程序
提示词	预先构建的指令模板，告诉模型使用特定的工具和资源。	规划一次旅行总结我的会议起草一封电子邮件	用户

我们将使用一个假设场景来演示这些功能各自的作用，并展示它们如何协同工作。

工具

工具使 AI 模型能够执行操作。每个工具都定义了一个具有类型化输入和输出的特定操作。模型会根据上下文请求执行工具。

工具的工作方式

工具是由模式定义的接口，LLM 可以调用它们。MCP 使用 JSON Schema 进行验证。每个工具执行单一操作，并具有清晰定义的输入和输出。工具在执行前可能需要用户同意，以帮助确保用户对模型所采取的操作保持控制权。 协议操作：

方法	目的	返回
`tools/list`	发现可用工具	带有模式的工具定义数组
`tools/call`	执行特定工具	工具执行结果

工具定义示例：

{
  name: "searchFlights",
  description: "搜索可用航班",
  inputSchema: {
    type: "object",
    properties: {
      origin: { type: "string", description: "出发城市" },
      destination: { type: "string", description: "到达城市" },
      date: { type: "string", format: "date", description: "旅行日期" }
    },
    required: ["origin", "destination", "date"]
  }
}

示例：旅行预订

工具使 AI 应用能够代表用户执行操作。在旅行规划场景中，AI 应用可能会使用多个工具来帮助预订假期： 航班搜索

searchFlights(origin: "NYC", destination: "Barcelona", date: "2024-06-15")

查询多家航空公司并返回结构化的航班选项。 日历阻止

createCalendarEvent(title: "Barcelona Trip", startDate: "2024-06-15", endDate: "2024-06-22")

在用户的日历中标记旅行日期。 电子邮件通知

sendEmail(to: "[email protected]", subject: "Out of Office", body: "...")

向同事发送自动的外出办公消息。

用户交互模型

工具由模型控制，这意味着 AI 模型可以自动发现并调用它们。然而，MCP 通过多种机制强调人工监督。为了保障信任和安全，应用可以通过各种机制实现用户控制，例如：

在 UI 中显示可用工具，使用户能够定义某个工具是否应在特定交互中可用
针对单个工具执行的批准对话框
用于预先批准某些安全操作的权限设置
显示所有工具执行及其结果的活动日志

资源

资源为 AI 应用提供对信息的结构化访问，使其能够检索并将这些信息作为上下文提供给模型。

资源的工作方式

资源可以暴露来自文件、API、数据库或任何其他 AI 需要理解上下文的数据源。应用可以直接访问这些信息，并决定如何使用它——无论是选择相关部分、使用嵌入进行搜索，还是将全部内容传递给模型。每个资源都有一个唯一的 URI（例如 file:///path/to/document.md），并声明其 MIME 类型，以便进行适当的内容处理。资源支持两种发现模式：

直接资源 - 指向特定数据的固定 URI。示例：calendar://events/2024 - 返回 2024 年的日历可用性
资源模板 - 带参数的动态 URI，用于灵活查询。示例：
- travel://activities/{city}/{category} - 按城市和类别返回活动
- travel://activities/barcelona/museums - 返回巴塞罗那的所有博物馆

资源模板包含标题、描述和预期 MIME 类型等元数据，使其可被发现且具备自文档能力。 协议操作：

方法	目的	返回
`resources/list`	列出可用的直接资源	资源描述符数组
`resources/templates/list`	发现资源模板	资源模板定义数组
`resources/read`	获取资源内容	带元数据的资源数据
`resources/subscribe`	监控资源变化	订阅确认

示例：获取旅行规划上下文

继续以旅行规划示例为例，资源为 AI 应用提供了相关信息的访问能力：

日历数据（calendar://events/2024）- 检查用户可用时间
旅行文档（file:///Documents/Travel/passport.pdf）- 访问重要文件
历史行程（trips://history/barcelona-2023）- 参考过去的旅行和偏好

AI 应用检索这些资源，并决定如何处理它们，无论是使用嵌入或关键词搜索选择数据子集，还是直接将原始数据传递给模型。在这种情况下，它向模型提供日历数据、天气信息和旅行偏好，使模型能够检查可用时间、查询天气模式，并参考过去的旅行偏好。 资源模板示例：

{
  "uriTemplate": "weather://forecast/{city}/{date}",
  "name": "weather-forecast",
  "title": "天气预报",
  "description": "获取任意城市和日期的天气预报",
  "mimeType": "application/json"
}

{
  "uriTemplate": "travel://flights/{origin}/{destination}",
  "name": "flight-search",
  "title": "航班搜索",
  "description": "搜索城市之间可用的航班",
  "mimeType": "application/json"
}

这些模板支持灵活查询。对于天气数据，用户可以访问任意城市/日期组合的预报。对于航班，他们可以搜索任意两个机场之间的航线。当用户将 origin 机场输入为 “NYC” 并开始输入 destination 机场的 “Bar” 时，系统可以建议 “Barcelona (BCN)” 或 “Barbados (BGI)“。

参数补全

动态资源支持参数补全。例如：

将 “Par” 作为 weather://forecast/{city} 的输入时，可能会建议 “Paris” 或 “Park City”
将 “JFK” 作为 flights://search/{airport} 的输入时，可能会建议 “JFK - John F. Kennedy International”

系统帮助发现有效值，而无需精确了解格式。

用户交互模型

资源由应用驱动，因此它们在检索、处理和呈现可用上下文方面具有灵活性。常见交互模式包括：

用于以熟悉的类文件夹结构浏览资源的树状视图或列表视图
用于查找特定资源的搜索和筛选界面
基于启发式规则或 AI 选择的自动上下文包含或智能建议
用于包含单个或多个资源的手动或批量选择界面

应用可以自由实现任何适合其需求的资源发现界面模式。该协议不强制规定特定的 UI 模式，而是允许提供带预览能力的资源选择器、基于当前对话上下文的智能建议、用于包含多个资源的批量选择，以及与现有文件浏览器和数据浏览器的集成。

提示词

提示词提供可复用的模板。它们允许 MCP 服务器作者为某个领域提供参数化提示词，或展示如何最好地使用 MCP 服务器。

提示词的工作方式

提示词是结构化模板，用于定义预期输入和交互模式。它们由用户控制，需要显式调用，而不是自动触发。提示词可以具备上下文感知能力，引用可用的资源和工具来创建完整的工作流。与资源类似，提示词支持参数补全，帮助用户发现有效的参数值。 协议操作：

方法	目的	返回
`prompts/list`	发现可用的提示词	提示词描述符数组
`prompts/get`	获取提示词详情	包含参数的完整提示词定义

示例：简化的工作流

提示词为常见任务提供结构化模板。在旅行规划场景中： “规划一次假期”提示词：

{
  "name": "plan-vacation",
  "title": "Plan a vacation",
  "description": "指导完成假期规划流程",
  "arguments": [
    { "name": "destination", "type": "string", "required": true },
    { "name": "duration", "type": "number", "description": "天数" },
    { "name": "budget", "type": "number", "required": false },
    { "name": "interests", "type": "array", "items": { "type": "string" } }
  ]
}

与非结构化的自然语言输入不同，提示词系统可以实现：

选择“规划一次假期”模板
结构化输入：Barcelona，7 天，$3000，[“海滩”, “建筑”, “美食”]
基于模板执行一致的工作流

用户交互模型

提示词由用户控制，需要显式调用。该协议赋予实现者自由，可设计出在其应用内感觉自然的界面。关键原则包括：

轻松发现可用的提示词
清晰描述每个提示词的作用
带验证的自然参数输入
透明展示提示词背后的底层模板

应用通常通过多种 UI 模式来暴露提示词，例如：

斜杠命令（输入 ”/” 查看可用提示词，如 /plan-vacation）
命令面板，支持可搜索访问
用于常用提示词的专用 UI 按钮
建议相关提示词的上下文菜单

将服务器连接起来

当多个服务器协同工作，并通过统一接口组合各自的专长时，MCP 的真正威力就显现出来了。

示例：多服务器旅行规划

考虑一个个性化 AI 旅行规划应用，它连接了三个服务器：

旅行服务器 - 处理航班、酒店和行程
天气服务器 - 提供气候数据和天气预报
日历/邮件服务器 - 管理日程和通信

完整流程

用户使用参数调用一个提示词：

{
  "prompt": "plan-vacation",
  "arguments": {
    "destination": "Barcelona",
    "departure_date": "2024-06-15",
    "return_date": "2024-06-22",
    "budget": 3000,
    "travelers": 2
  }
}

用户选择要包含的资源：
- calendar://my-calendar/June-2024（来自日历服务器）
- travel://preferences/europe（来自旅行服务器）
- travel://past-trips/Spain-2023（来自旅行服务器）
AI 使用工具处理请求： AI 首先读取所有选定的资源以收集上下文——从日历中识别可用日期，从旅行偏好中了解偏好的航空公司和酒店类型，并从过去的旅行中发现之前喜欢的地点。利用这些上下文，AI 随后执行 AI 应用提供的提示词。在我们的示例中，AI 应用向模型暴露了来自已连接 MCP 天气服务器的天气工具。由于天气会影响旅行计划，AI 在解释提示词时选择调用 checkWeather()。因此，AI 执行了一系列工具：
- searchFlights() - 查询从 NYC 到 Barcelona 的航班
- checkWeather() - 检索旅行日期的气候预报
然后，AI 使用这些信息来创建预订并执行后续步骤，在必要时向用户请求批准：
- bookHotel() - 查找符合指定预算的酒店
- createCalendarEvent() - 将这次旅行添加到用户的日历中
- sendEmail() - 发送包含旅行详情的确认邮件

结果： 通过多个 MCP 服务器，用户完成了研究并预订了一次符合其日程安排的巴塞罗那之旅。“Plan a Vacation” 提示词引导 AI 将资源（日历可用性和旅行历史）与工具（搜索航班、预订酒店、更新日历）结合起来，并跨不同服务器进行协作——收集上下文并执行预订。原本可能需要数小时的任务，如今使用 MCP 在几分钟内即可完成。

开始使用

关于 MCP

使用 MCP 进行开发

开发者工具

示例

核心服务器功能

工具

工具的工作方式

示例：旅行预订

用户交互模型

资源

资源的工作方式

示例：获取旅行规划上下文

参数补全

用户交互模型

提示词

提示词的工作方式

示例：简化的工作流

用户交互模型

将服务器连接起来

示例：多服务器旅行规划

完整流程

​核心服务器功能

​工具

​工具的工作方式

​示例：旅行预订

​用户交互模型

​资源

​资源的工作方式

​示例：获取旅行规划上下文

​参数补全

​用户交互模型

​提示词

​提示词的工作方式

​示例：简化的工作流

​用户交互模型

​将服务器连接起来

​示例：多服务器旅行规划

​完整流程

核心服务器功能

工具

工具的工作方式

示例：旅行预订

用户交互模型

资源

资源的工作方式

示例：获取旅行规划上下文

参数补全

用户交互模型

提示词

提示词的工作方式

示例：简化的工作流

用户交互模型

将服务器连接起来

示例：多服务器旅行规划

完整流程