理解 MCP 服务器：核心特性（工具、资源、提示词）及工作原理详解

MCP 服务器是一类程序，通过标准化协议接口向人工智能应用开放特定功能。

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。

服务器核心特性

服务器通过三大核心组件提供功能：

下文将通过一个假设场景，演示每个特性的作用及协同工作方式。

工具（Tools）

工具使人工智能模型能够执行具体操作。每个工具定义一项特定操作，包含类型化的输入和输出。模型会根据上下文请求执行工具。

工具的工作原理

工具是大型语言模型可调用的、基于模式定义的接口，MCP 采用 JSON Schema 进行验证。每个工具仅执行单一操作，输入和输出定义明确。工具执行前可能需要用户授权，确保用户对模型的操作保持控制权。

协议操作：

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: "出行日期" }
    },
    required: ["origin", "destination", "date"]
  }
}

示例：旅行预订

工具支持人工智能应用代表用户执行操作。在旅行规划场景中，人工智能应用可能通过多个工具协助完成假期预订：

航班搜索

searchFlights(origin: "纽约（NYC）", destination: "巴塞罗那", date: "2024-06-15")

查询多家航空公司，返回结构化的航班选项。

日历占用

createCalendarEvent(title: "巴塞罗那之旅", startDate: "2024-06-15", endDate: "2024-06-22")

在用户日历中标记出行日期。

邮件通知

sendEmail(to: "team@work.com", subject: "休假通知", body: "...")

向同事发送自动休假通知。

用户交互模式

工具由模型控制，意味着人工智能模型可自动发现并调用工具。但 MCP 强调通过多种机制实现人工监督：

为保障信任与安全，应用可通过以下方式实现用户控制：

• 在用户界面中显示可用工具，允许用户定义特定交互场景下可使用的工具
• 为单个工具执行弹出确认对话框
• 提供权限设置，预先批准部分安全操作
• 生成活动日志，记录所有工具执行过程及结果

资源（Resources）

资源为人工智能应用提供结构化的信息访问渠道，供模型获取上下文。

资源的工作原理

资源暴露来自文件、API、数据库或其他来源的数据，满足人工智能理解上下文的需求。应用可直接访问这些信息，并决定使用方式——例如筛选相关部分、通过嵌入向量搜索，或直接传递给模型。

每个资源都有唯一的统一资源标识符（URI）（例如 file:///path/to/document.md），并声明其多用途互联网邮件扩展类型（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（Direct Resources） - 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（Resource Templates） - 带参数的动态 URI，支持灵活查询。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，具备可发现性和自文档化特性。

协议操作：

示例：获取旅行规划上下文

延续旅行规划示例，资源为人工智能应用提供相关信息访问：

• 日历数据（calendar://events/2024）- 查看用户可用时间
• 旅行证件（file:///Documents/Travel/passport.pdf）- 访问重要文件
• 历史行程（trips://history/barcelona-2023）- 参考过往旅行及偏好

人工智能应用检索这些资源后，决定处理方式——无论是通过嵌入向量或关键词搜索筛选部分数据，还是直接将原始数据传递给模型。

本场景中，应用向模型提供日历数据、天气信息和旅行偏好，支持模型检查可用性、查询天气模式并参考过往旅行偏好。

资源模板示例：

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

{
  "uriTemplate": "travel://flights/{origin}/{destination}",
  "name": "flight-search",
  "title": "航班搜索",
  "description": "查询城市间的可用航班",
  "mimeType": "application/json"
}

这些模板支持灵活查询。天气数据方面，用户可获取任意城市/日期的预报；航班方面，可查询任意两个机场间的航线。当用户输入“纽约（NYC）”作为出发地，并开始输入“Bar”作为目的地时，系统可推荐“巴塞罗那（BCN）”或“巴巴多斯（BGI）”。

参数补全

动态资源支持参数补全。例如：

• 为 weather://forecast/{city} 输入“Par”时，可能推荐“巴黎”或“帕克城”
• 为 flights://search/{airport} 输入“JFK”时，可能推荐“JFK - 约翰·肯尼迪国际机场”

系统帮助用户发现有效参数值，无需掌握精确格式。

用户交互模式

资源由应用驱动，使其在检索、处理和呈现可用上下文时具备灵活性。常见交互模式包括：

• 树形或列表视图，以熟悉的文件夹式结构浏览资源
• 搜索和筛选界面，查找特定资源
• 基于启发式算法或人工智能选择的自动上下文纳入或智能推荐
• 手动或批量选择界面，支持单个或多个资源的纳入

应用可自由选择适合自身需求的界面模式实现资源发现。协议不强制特定用户界面模式，支持具备预览功能的资源选择器、基于当前对话上下文的智能推荐、支持多个资源纳入的批量选择，或与现有文件浏览器和数据探索器的集成。

提示词（Prompts）

提示词提供可复用模板。MCP 服务器开发者可通过提示词提供特定领域的参数化指令，或展示 MCP 服务器的最佳使用方式。

提示词的工作原理

提示词是结构化模板，定义预期输入和交互模式。提示词由用户控制，需显式调用而非自动触发。提示词可感知上下文，引用可用资源和工具构建完整工作流。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：

示例：简化工作流

提示词为常见任务提供结构化模板。在旅行规划场景中：

“规划假期”提示词：

{
  "name": "plan-vacation",
  "title": "规划假期",
  "description": "引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" } }
  ]
}

相比非结构化自然语言输入，提示词系统支持：

1. 选择“规划假期”模板
2. 结构化输入：巴塞罗那、7 天、3000 美元、[“海滩”, “建筑”, “美食”]
3. 基于模板执行一致的工作流

用户交互模式

提示词由用户控制，需显式调用。协议允许开发者设计符合应用场景的自然界面，核心原则包括：

• 便于发现可用提示词
• 清晰描述每个提示词的功能
• 支持带验证的自然参数输入
• 透明展示提示词的底层模板

应用通常通过以下用户界面模式暴露提示词：

• 斜杠命令（输入“/”查看可用提示词，如 /plan-vacation）
• 可搜索的命令面板
• 常用提示词的专用按钮
• 推荐相关提示词的上下文菜单

服务器协同工作

MCP 的真正价值在于多个服务器协同工作，通过统一接口整合各自的专业功能。

示例：多服务器旅行规划

假设一个个性化人工智能旅行规划应用，连接三个服务器：

• 旅行服务器 - 处理航班、酒店和行程安排
• 天气服务器 - 提供气候数据和预报
• 日历/邮件服务器 - 管理日程和通讯

完整流程

1. 用户调用带参数的提示词：

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

2. 用户选择要纳入的资源：

   • ​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. 人工智能通过工具处理请求：

人工智能首先读取所有选定资源以收集上下文——从日历中确认可用日期、从旅行偏好中获取心仪航空公司和酒店类型、从过往旅行记录中发现喜欢的地点。

基于这些上下文，人工智能执行一系列工具：

• ​searchFlights() - 查询纽约到巴塞罗那的航班
• ​checkWeather() - 检索出行日期的气候预报

随后，人工智能利用这些信息完成预订及后续步骤，并在必要时请求用户批准：

• ​bookHotel() - 查找符合预算的酒店
• ​createCalendarEvent() - 将行程添加到用户日历
• ​sendEmail() - 发送含行程详情的确认邮件

结果： 通过多个 MCP 服务器，用户完成了贴合自身日程的巴塞罗那旅行调研与预订。“规划假期”提示词引导人工智能整合跨服务器的资源（日历可用性和旅行历史）与工具（航班搜索、酒店预订、日历更新）——收集上下文并完成预订。原本需要数小时的任务，借助 MCP 仅用几分钟即可完成。