⚡

MCP服务器构建技能 mcp-builder

这个技能是关于如何创建MCP（模型上下文协议）服务器的完整指南，帮助大型语言模型（LLMs）通过设计良好的工具与外部服务交互。关键词包括MCP、服务器开发、LLM集成、API工具、TypeScript、Python、AI应用、开发指南、协议实现。

AI应用 0 次安装 0 次浏览 更新于 3/8/2026

名称: mcp-builder 描述: 创建高质量MCP（模型上下文协议）服务器的指南，使LLMs能够通过设计良好的工具与外部服务交互。在构建MCP服务器以集成外部API或服务时使用，无论是Python（FastMCP）还是Node/TypeScript（MCP SDK）。 许可证: 完整条款在LICENSE.txt中

MCP服务器开发指南

概述

创建MCP（模型上下文协议）服务器，使LLMs能够通过设计良好的工具与外部服务交互。MCP服务器的质量取决于它如何帮助LLMs完成真实世界任务的能力。

流程

🚀 高级工作流程

创建高质量的MCP服务器涉及四个主要阶段：

阶段1: 深度研究和规划

1.1 理解现代MCP设计

API覆盖与工作流程工具： 平衡全面的API端点覆盖与专门的工作流程工具。工作流程工具对于特定任务可能更便利，而全面的覆盖则给予代理组合操作的灵活性。性能因客户端而异——一些客户端受益于组合基本工具的代码执行，而其他客户端则更适合高级工作流程。不确定时，优先考虑全面的API覆盖。

工具命名和可发现性： 清晰、描述性的工具名称帮助代理快速找到正确的工具。使用一致的前缀（例如github_create_issue、github_list_repos）和面向行动的命名。

上下文管理： 代理受益于简洁的工具描述和过滤/分页结果的能力。设计返回聚焦、相关数据的工具。一些客户端支持代码执行，这可以帮助代理高效过滤和处理数据。

可操作的错误消息： 错误消息应通过具体建议和后续步骤指导代理解决问题。

1.2 学习MCP协议文档

导航MCP规范：

从站点地图开始查找相关页面：https://modelcontextprotocol.io/sitemap.xml

然后使用.md后缀获取Markdown格式的特定页面（例如https://modelcontextprotocol.io/specification/draft.md）。

关键页面回顾：

  • 规范概述和架构
  • 传输机制（可流式HTTP、stdio）
  • 工具、资源和提示定义

1.3 学习框架文档

推荐堆栈：

  • 语言: TypeScript（高质量的SDK支持，在许多执行环境如MCPB中兼容性好。此外，AI模型擅长生成TypeScript代码，受益于其广泛使用、静态类型和良好的代码检查工具）
  • 传输: 对于远程服务器使用可流式HTTP，使用无状态JSON（相对于有状态会话和流式响应，更易于扩展和维护）。对于本地服务器使用stdio。

加载框架文档：

对于TypeScript（推荐）：

  • TypeScript SDK: 使用WebFetch加载https://raw.githubusercontent.com/modelcontextprotocol/typescript-sdk/main/README.md
  • ⚡ TypeScript指南 - TypeScript模式和示例

对于Python：

  • Python SDK: 使用WebFetch加载https://raw.githubusercontent.com/modelcontextprotocol/python-sdk/main/README.md
  • 🐍 Python指南 - Python模式和示例

1.4 规划您的实现

理解API： 回顾服务的API文档，识别关键端点、身份验证要求和数据模型。根据需要，使用网络搜索和WebFetch。

工具选择： 优先考虑全面的API覆盖。列出要实现的端点，从最常见的操作开始。

阶段2: 实现

2.1 设置项目结构

参见语言特定指南以设置项目：

2.2 实现核心基础设施

创建共享实用工具：

  • 带有身份验证的API客户端
  • 错误处理辅助函数
  • 响应格式化（JSON/Markdown）
  • 分页支持

2.3 实现工具

对于每个工具：

输入模式：

  • 使用Zod（TypeScript）或Pydantic（Python）
  • 包括约束和清晰描述
  • 在字段描述中添加示例

输出模式：

  • 尽可能定义outputSchema以获取结构化数据
  • 在工具响应中使用structuredContent（TypeScript SDK功能）
  • 帮助客户端理解和处理工具输出

工具描述：

  • 功能的简洁摘要
  • 参数描述
  • 返回类型模式

实现：

  • 对于I/O操作使用异步/等待
  • 具有可操作消息的正确错误处理
  • 适用时分页支持
  • 使用现代SDK时返回文本内容和结构化数据

注解：

  • readOnlyHint: true/false
  • destructiveHint: true/false
  • idempotentHint: true/false
  • openWorldHint: true/false

阶段3: 审查和测试

3.1 代码质量

审查：

  • 无重复代码（DRY原则）
  • 一致的错误处理
  • 完整的类型覆盖
  • 清晰的工具描述

3.2 构建和测试

TypeScript：

  • 运行npm run build以验证编译
  • 使用MCP检查器测试：npx @modelcontextprotocol/inspector

Python：

  • 验证语法：python -m py_compile your_server.py
  • 使用MCP检查器测试

参见语言特定指南以获取详细的测试方法和质量检查清单。

阶段4: 创建评估

实现MCP服务器后，创建全面的评估以测试其有效性。

加载评估指南以获取完整的评估指南。

4.1 理解评估目的

使用评估来测试LLMs是否能够有效地使用您的MCP服务器来回答现实、复杂的问题。

4.2 创建10个评估问题

为了创建有效的评估，遵循评估指南中概述的过程：

  1. 工具检查: 列出可用工具并理解其能力
  2. 内容探索: 使用只读操作探索可用数据
  3. 问题生成: 创建10个复杂、现实的问题
  4. 答案验证: 自己解决每个问题以验证答案

4.3 评估要求

确保每个问题是：

  • 独立: 不依赖于其他问题
  • 只读: 仅需要非破坏性操作
  • 复杂: 需要多个工具调用和深度探索
  • 现实: 基于人类关心的真实用例
  • 可验证: 单一、清晰的答案，可以通过字符串比较验证
  • 稳定: 答案不会随时间改变

4.4 输出格式

创建具有此结构的XML文件：

<evaluation>
  <qa_pair>
    <question>找到关于具有动物代号的人工智能模型发布的讨论。一个模型需要一个特定的安全指定，使用格式ASL-X。对于以斑点野生猫命名的模型，正在确定的数字X是多少？</question>
    <answer>3</answer>
  </qa_pair>
<!-- 更多qa_pair... -->
</evaluation>

参考文件

📚 文档库

在开发过程中根据需要加载这些资源：

核心MCP文档（首先加载）

  • MCP协议: 从站点地图https://modelcontextprotocol.io/sitemap.xml开始，然后使用.md后缀获取特定页面
  • MCP最佳实践 - 通用MCP指南，包括：
    • 服务器和工具命名约定
    • 响应格式指南（JSON vs Markdown）
    • 分页最佳实践
    • 传输选择（可流式HTTP vs stdio）
    • 安全和错误处理标准

SDK文档（在阶段1/2期间加载）

  • Python SDK: 从https://raw.githubusercontent.com/modelcontextprotocol/python-sdk/main/README.md获取
  • TypeScript SDK: 从https://raw.githubusercontent.com/modelcontextprotocol/typescript-sdk/main/README.md获取

语言特定实现指南（在阶段2期间加载）

  • 🐍 Python实现指南 - 完整的Python/FastMCP指南，包括：

    • 服务器初始化模式
    • Pydantic模型示例
    • 使用@mcp.tool注册工具
    • 完整工作示例
    • 质量检查清单

  • ⚡ TypeScript实现指南 - 完整的TypeScript指南，包括：

    • 项目结构
    • Zod模式示例
    • 使用server.registerTool注册工具
    • 完整工作示例
    • 质量检查清单

评估指南（在阶段4期间加载）

  • 评估指南 - 完整的评估创建指南，包括：
    • 问题创建指南
    • 答案验证策略
    • XML格式规范
    • 示例问题和答案
    • 使用提供的脚本运行评估