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 发送消息 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 访问知识库 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 总结我的会议 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：

{
  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: "[e-mail]", 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：

{
  "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：

{
  "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：

   {
     "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。