kscz0000 MCP 服务器开发指南
概述
创建 MCP（模型上下文协议）服务器，使 LLM 能够通过精心设计的工具与外部服务交互。MCP 服务器的质量取决于它能让 LLM 多好地完成实际任务。
流程
🚀 高层工作流
创建高质量 MCP 服务器包含四个主要阶段：
阶段 1：深度研究与规划
1.1 理解现代 MCP 设计
API 覆盖 vs 工作流工具： 平衡全面的 API 端点覆盖与专用工作流工具。工作流工具对特定任务更便捷，而全面覆盖则赋予智能体组合操作的灵活性。性能因客户端而异——某些客户端受益于组合基础工具的代码执行，而其他客户端则更适合高层工作流。不确定时，优先考虑全面的 API 覆盖。
工具命名与可发现性：
清晰、描述性的工具名称帮助智能体快速找到合适的工具。使用一致的前缀（如 github_create_issue、github_list_repos）和面向操作的命名。
上下文管理： 智能体受益于简洁的工具描述以及过滤/分页结果的能力。设计返回聚焦、相关数据的工具。某些客户端支持代码执行，可以帮助智能体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引导智能体找到解决方案。
1.2 学习 MCP 协议文档
浏览 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 后缀获取特定页面的 Markdown 格式（如 https://modelcontextprotocol.io/specification/draft.md）。
需要查看的关键页面：
- 规范概述与架构
- 传输机制（Streamable HTTP、stdio）
- 工具、资源和提示词定义
1.3 学习框架文档
推荐技术栈：
- 语言：TypeScript（高质量 SDK 支持且在许多执行环境如 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、静态类型和优秀的 lint 工具）
- 传输：远程服务器使用 Streamable HTTP，采用无状态 JSON（比有状态会话和流式响应更易扩展和维护）。本地服务器使用 stdio。
加载框架文档：
- MCP 最佳实践：📋 查看最佳实践 - 核心指南
TypeScript（推荐）：
- TypeScript SDK：使用 WebFetch 加载
https://raw.githubusercontent.com/modelcontextprotocol/typescript-sdk/main/README.md - ⚡ TypeScript 指南 - TypeScript 模式与示例
Python：
- Python SDK：使用 WebFetch 加载
https://raw.githubusercontent.com/modelcontextprotocol/python-sdk/main/README.md - 🐍 Python 指南 - Python 模式与示例
1.4 规划实现
理解 API： 审查服务的 API 文档，识别关键端点、认证要求和数据模型。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，从最常用的操作开始。
阶段 2：实现
2.1 设置项目结构
参阅语言特定指南了解项目设置：
- ⚡ TypeScript 指南 - 项目结构、package.json、tsconfig.json
- 🐍 Python 指南 - 模块组织、依赖
2.2 实现核心基础设施
创建共享工具：
- 带认证的 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 Schema：
- 使用 Zod（TypeScript）或 Pydantic（Python）
- 包含约束和清晰描述
- 在字段描述中添加示例
输出 Schema：
- 尽可能定义
outputSchema用于结构化数据 - 在工具响应中使用
structuredContent（TypeScript SDK 特性） - 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 schema
实现：
- I/O 操作使用 async/await
- 带可操作消息的适当错误处理
- 适用的地方支持分页
- 使用现代 SDK 时同时返回文本内容和结构化数据
注解：
readOnlyHint：true/falsedestructiveHint：true/falseidempotentHint：true/falseopenWorldHint：true/false
阶段 3：审查与测试
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 构建与测试
TypeScript：
- 运行
npm run build验证编译 - 使用 MCP Inspector 测试：
npx @modelcontextprotocol/inspector
Python：
- 验证语法：
python -m py_compile your_server.py - 使用 MCP Inspector 测试
参阅语言特定指南了解详细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，创建全面的评估来测试其有效性。
加载 ✅ 评估指南 获取完整评估指南。
4.1 理解评估目的
使用评估测试 LLM 能否有效使用你的 MCP 服务器回答现实、复杂的问题。
4.2 创建 10 个评估问题
要创建有效的评估，请遵循评估指南中概述的流程：
- 工具检查：列出可用工具并理解其能力
- 内容探索：使用只读操作探索可用数据
- 问题生成：创建 10 个复杂、现实的问题
- 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：
- 独立：不依赖其他问题
- 只读：仅需要非破坏性操作
- 复杂：需要多次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，可通过字符串比较验证
- 稳定：答案不会随时间变化
4.4 输出格式
创建具有以下结构的 XML 文件：
<evaluation>
<qa_pair>
<question>Find discussions about AI model launches with animal codenames. One model needed a specific safety designation that uses the format ASL-X. What number X was being determined for the model named after a spotted wild cat?</question>
<answer>3</answer>
</qa_pair>
<!-- More qa_pairs... -->
</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（优先加载）
- MCP 协议：从
https://modelcontextprotocol.io/sitemap.xml的站点地图开始，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（Streamable HTTP vs stdio）
- 安全和错误处理标准
SDK 文档（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（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的工具注册 - 完整可运行示例
- 质量检查清单
⚡ TypeScript 实现指南 - 完整的 TypeScript 指南，包括：
- 项目结构
- Zod schema 模式
- 使用
server.registerTool的工具注册 - 完整可运行示例
- 质量检查清单
评估指南（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
何时使用
本技能适用于执行概述中描述的工作流或操作。
限制
- 仅当任务明确匹配上述范围时使用本技能。
- 不要将输出视为环境特定验证、测试或专家审查的替代品。
- 如果缺少所需输入、权限、安全边界或成功标准，请停下来请求澄清。