> ## Documentation Index
> Fetch the complete documentation index at: https://mcp.zhcndoc.com/llms.txt
> Use this file to discover all available pages before exploring further.

# 理解 MCP 服务器

MCP 服务器是通过标准化协议接口向 AI 应用程序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、用于团队通信的 Slack 服务器以及用于调度的日历服务器。

## 核心服务器功能

服务器通过三个构建块提供功能：

| 功能     | 解释                                                               | 示例                           | 控制者  |
| ------ | ---------------------------------------------------------------- | ---------------------------- | ---- |
| **工具** | 您的 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<br />发送消息<br />创建日历事件   | 模型   |
| **资源** | 被动数据源，为上下文提供信息的只读访问权限，例如文件内容、数据库模式或 API 文档。                      | 检索文档<br />访问知识库<br />读取日历    | 应用程序 |
| **提示** | 预建的指令模板，告诉模型使用特定的工具和资源。                                          | 计划假期<br />总结我的会议<br />起草电子邮件 | 用户   |

我们将使用一个假设的场景来演示每个功能的作用，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。每个工具定义具有类型化输入和输出的特定操作。模型根据上下文请求工具执行。

#### 工具如何工作

工具是 LLM 可以调用的模式定义接口。MCP 使用 JSON Schema 进行验证。每个工具执行具有明确定义输入和输出的单个操作。工具在执行前可能需要用户同意，有助于确保用户保持对模型所采取行动的控制。

**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      |

**示例工具定义：**

```typescript theme={null}
{
  name: "searchFlights",
  description: "Search for available flights",
  inputSchema: {
    type: "object",
    properties: {
      origin: { type: "string", description: "Departure city" },
      destination: { type: "string", description: "Arrival city" },
      date: { type: "string", format: "date", description: "Travel date" }
    },
    required: ["origin", "destination", "date"]
  }
}
```

#### 示例：旅行预订

工具使 AI 应用程序能够代表用户执行操作。在旅行计划场景中，AI 应用程序可能会使用几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航班选项。

**日历锁定**

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

在用户日历中标记旅行日期。

**电子邮件通知**

```
sendEmail(to: "team@work.com", subject: "Out of Office", body: "...")
```

向同事发送自动化的外出办公消息。

#### 用户交互模型

工具由模型控制，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。

为了信任和安全，应用程序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，使用户能够定义是否应在特定交互中提供工具
* 用于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

资源提供对信息的结构化访问，AI 应用程序可以检索这些信息并将其作为上下文提供给模型。

#### 资源如何工作

资源公开来自文件、API、数据库或 AI 需要理解上下文的任何其他来源的数据。应用程序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，还是将其全部传递给模型。

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** - 带有参数的动态 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

资源模板包括元数据，如标题、描述和预期的 MIME 类型，使它们可被发现且自我文档化。

**协议操作：**

| 方法                         | 目的       | 返回         |
| -------------------------- | -------- | ---------- |
| `resources/list`           | 列出可用直接资源 | 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`           | 检索资源内容   | 带有元数据的资源数据 |
| `resources/subscribe`      | 监控资源更改   | 订阅确认       |

#### 示例：获取旅行计划上下文

继续旅行计划示例，资源为 AI 应用程序提供对相关信息的访问：

* **日历数据** (`calendar://events/2024`) - 检查用户可用性
* **旅行文档** (`file:///Documents/Travel/passport.pdf`) - 访问重要文档
* **以前的行程** (`trips://history/barcelona-2023`) - 参考过去的旅行和偏好

AI 应用程序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，还是将原始数据直接传递给模型。

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，使其能够检查可用性、查找天气模式并参考过去的旅行偏好。

**资源模板示例：**

```json theme={null}
{
  "uriTemplate": "weather://forecast/{city}/{date}",
  "name": "weather-forecast",
  "title": "Weather Forecast",
  "description": "Get weather forecast for any city and date",
  "mimeType": "application/json"
}

{
  "uriTemplate": "travel://flights/{origin}/{destination}",
  "name": "flight-search",
  "title": "Flight Search",
  "description": "Search available flights between cities",
  "mimeType": "application/json"
}
```

这些模板支持灵活查询。对于天气数据，用户可以访问任何城市/日期组合的预报。对于航班，他们可以搜索任何两个机场之间的路线。当用户输入 "NYC" 作为 `origin` 机场并开始输入 "Bar" 作为 `destination` 机场时，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：

* 输入 "Par" 作为 `weather://forecast/{city}` 的输入可能会建议 "Paris" 或 "Park City"
* 为 `flights://search/{airport}` 输入 "JFK" 可能会建议 "JFK - John F. Kennedy International"

系统帮助发现有效值，而无需了解确切格式。

#### 用户交互模型

资源由应用程序驱动，使它们在检索、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：

* 用于以熟悉的文件夹类似结构浏览资源的树或列表视图
* 用于查找特定资源的搜索和过滤界面
* 基于启发式或 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

应用程序可以自由通过任何适合其需求的界面模式实现资源发现。协议不强制特定 UI 模式，允许具有预览功能的资源选择器、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，或与现有文件浏览器和数据资源管理器集成。

### 提示

提示提供可重用的模板。它们允许 MCP 服务器作者为域提供参数化提示，或展示如何最好地使用 MCP 服务器。

#### 提示如何工作

提示是定义预期输入和交互模式的结构化模板。它们由用户控制，需要显式调用而不是自动触发。提示可以感知上下文，引用可用资源和工具以创建综合工作流。与资源类似，提示支持参数补全以帮助用户发现有效的参数值。

**协议操作：**

| 方法             | 目的     | 返回          |
| -------------- | ------ | ----------- |
| `prompts/list` | 发现可用提示 | 提示描述符数组     |
| `prompts/get`  | 检索提示详情 | 带有参数的完整提示定义 |

#### 示例：简化工作流

提示为常见任务提供结构化模板。在旅行计划上下文中：

**“计划假期”提示：**

```json theme={null}
{
  "name": "plan-vacation",
  "title": "Plan a vacation",
  "description": "Guide through vacation planning process",
  "arguments": [
    { "name": "destination", "type": "string", "required": true },
    { "name": "duration", "type": "number", "description": "days" },
    { "name": "budget", "type": "number", "required": false },
    { "name": "interests", "type": "array", "items": { "type": "string" } }
  ]
}
```

与非结构化自然语言输入相比，提示系统支持：

1. 选择“计划假期”模板
2. 结构化输入：Barcelona, 7 days, \$3000, \["beaches", "architecture", "food"]
3. 基于模板的一致工作流执行

#### 用户交互模型

提示由用户控制，需要显式调用。协议赋予实现者自由，在其应用程序中设计感觉自然的界面。关键原则包括：

* 轻松发现可用提示
* 清楚描述每个提示的作用
* 带有验证的自然参数输入
* 透明显示提示的底层模板

应用程序通常通过多种 UI 模式暴露提示，例如：

* 斜杠命令（输入 "/" 以查看可用提示，如 /plan-vacation）
* 用于可搜索访问的命令面板
* 用于常用提示的专用 UI 按钮
* 建议相关提示的上下文菜单

## 将服务器整合在一起

当多个服务器通过统一接口协同工作，结合其专业能力时，MCP 的真正威力才会显现。

### 示例：多服务器旅行规划

设想一个个性化的 AI 旅行规划应用程序，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** - 提供气候数据和预报
* **日历/邮件服务器** - 管理日程和通信

#### 完整流程

1. **用户调用带有参数的提示词：**

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

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）

3. **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，从旅行偏好中学习首选航空公司和酒店类型，并从过去的行程中发现以前喜欢过的地点。

   利用此上下文，AI 随后执行一系列工具：

   * `searchFlights()` - 查询航空公司关于纽约到巴塞罗那的航班
   * `checkWeather()` - 检索旅行日期的气候预报

   然后，AI 使用这些信息创建预订及后续步骤，并在必要时请求用户批准：

   * `bookHotel()` - 查找指定预算内的酒店
   * `createCalendarEvent()` - 将行程添加到用户的日历
   * `sendEmail()` - 发送包含行程详情的确认邮件

**结果：** 通过多个 MCP 服务器，用户研究并预订了符合其日程安排的巴塞罗那之旅。“计划假期”提示词引导 AI 跨不同服务器结合资源（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）——收集上下文并执行预订。使用 MCP，原本可能需要数小时的任务在几分钟内就完成了。