> ## Documentation Index
> Fetch the complete documentation index at: https://mcp-zh.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的协议接口向 AI 应用暴露特定能力的程序。

常见的例子包括：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。

## 核心服务器特性

服务器通过三个构建块提供功能：

| 特性                | 说明                                                                | 示例                                                                 | 由谁控制            |
| ----------------- | ----------------------------------------------------------------- | ------------------------------------------------------------------ | --------------- |
| **工具（Tools）**     | 你的 LLM 可以主动调用的函数，并由它根据用户请求决定何时使用。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。 | Search flights<br />Send messages<br />Create calendar events      | 模型（Model）       |
| **资源（Resources）** | 被动的数据源，为上下文提供对信息的只读访问，例如文件内容、数据库 schema 或 API 文档。                 | Retrieve documents<br />Access knowledge bases<br />Read calendars | 应用（Application） |
| **提示（Prompts）**   | 预先构建的指令模板，告诉模型如何配合特定的工具和资源工作。                                     | Plan a vacation<br />Summarize my meetings<br />Draft an email     | 用户（User）        |

我们将用一个假想的场景来演示这些特性各自的作用，并展示它们如何协同工作。

### 工具（Tools）

工具使 AI 模型能够执行操作。每个工具定义一个具有类型化输入和输出的特定操作。模型根据上下文请求执行工具。

#### 工具的工作方式

工具是 LLM 可以调用的、由 schema 定义的接口。MCP 使用 JSON Schema 进行校验。每个工具执行单一操作，具有明确定义的输入和输出。工具在执行前可能需要用户同意，从而帮助确保用户对模型所采取的操作保持控制。

**协议操作：**

| Method       | 用途      | 返回               |
| ------------ | ------- | ---------------- |
| `tools/list` | 发现可用的工具 | 带 schema 的工具定义数组 |
| `tools/call` | 执行特定的工具 | 工具执行结果           |

**工具定义示例：**

```typescript theme={null} 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 应用能够代表用户执行操作。在一个旅行规划场景中，AI 应用可能会使用多个工具来帮助预订一次假期：

**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的航班选项。

**日历占位**

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

在用户的日历中标记出行日期。

**邮件通知**

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

向同事发送一封自动的外出（Out of Office）消息。

#### 用户交互模型

工具由模型控制，这意味着 AI 模型可以自动发现并调用它们。然而，MCP 通过若干机制强调人工监督。

为了信任与安全，应用可以通过多种机制实现用户控制，例如：

* 在 UI 中显示可用的工具，使用户能够定义某个工具是否应在特定交互中可用
* 针对单次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
* 展示所有工具执行及其结果的活动日志

### 资源（Resources）

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

#### 资源的工作方式

资源暴露来自文件、API、数据库或任何其他来源的数据，供 AI 理解上下文之需。应用可以直接访问这些信息并决定如何使用——无论是选取相关部分、用嵌入（embeddings）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 类型以便进行恰当的内容处理。

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 年的日历可用情况
* **资源模板（Resource Templates）** —— 带参数的动态 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

资源模板包含诸如标题、描述和预期 MIME 类型等元数据，使其可被发现并具有自描述性。

**协议操作：**

| Method                     | 用途        | 返回        |
| -------------------------- | --------- | --------- |
| `resources/list`           | 列出可用的直接资源 | 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    | 带元数据的资源数据 |
| `subscriptions/listen`     | 监视资源变更    | 更新通知流     |

要监视特定资源的变更，客户端会发送一个 [`subscriptions/listen`](/specification/2026-07-28/basic/patterns/subscriptions) 请求，并在 `resourceSubscriptions` 过滤器中列出资源 URI。每当被监视的资源发生变化时，服务器就会在由此产生的流上投递 `notifications/resources/updated`。

#### 示例：获取旅行规划上下文

继续以旅行规划为例，资源为 AI 应用提供对相关信息的访问：

* **日历数据**（`calendar://events/2024`）—— 检查用户的可用时间
* **旅行文档**（`file:///Documents/Travel/passport.pdf`）—— 访问重要文档
* **以往行程**（`trips://history/barcelona-2023`）—— 参考过去的行程和偏好

AI 应用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取数据子集，还是将原始数据直接传递给模型。

在本例中，它向模型提供日历数据、天气信息和旅行偏好，使模型能够检查可用时间、查询天气规律并参考过去的旅行偏好。

**资源模板示例：**

```json theme={null} 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"
}
```

这些模板支持灵活的查询。对于天气数据，用户可以访问任意城市/日期组合的预报。对于航班，他们可以搜索任意两个机场之间的航线。当用户输入 "NYC" 作为 `origin`（出发）机场，并开始输入 "Bar" 作为 `destination`（到达）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：

* 为 `weather://forecast/{city}` 输入 "Par" 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，而无需了解确切的格式。

#### 用户交互模型

资源由应用驱动，使应用在如何检索、处理和呈现可用上下文方面具有灵活性。常见的交互模式包括：

* 树形或列表视图，以熟悉的类似文件夹的结构浏览资源
* 用于查找特定资源的搜索和过滤界面
* 基于启发式规则或 AI 选择的自动上下文纳入或智能建议
* 用于纳入单个或多个资源的手动或批量选择界面

应用可以通过任何适合自身需求的界面模式来实现资源发现。协议并不强制规定特定的 UI 模式，从而允许：带预览功能的资源选择器、基于当前对话上下文的智能建议、用于纳入多个资源的批量选择，或者与现有文件浏览器和数据浏览器的集成。

### 提示（Prompts）

提示提供可复用的模板。它们允许 MCP 服务器作者为某个领域提供参数化的提示，或展示如何最好地使用该 MCP 服务器。

#### 提示的工作方式

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，需要显式调用而非自动触发。提示可以是上下文感知的，引用可用的资源和工具以创建全面的工作流。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：**

| Method         | 用途      | 返回         |
| -------------- | ------- | ---------- |
| `prompts/list` | 发现可用的提示 | 提示描述符数组    |
| `prompts/get`  | 检索提示详情  | 带参数的完整提示定义 |

#### 示例：精简的工作流

提示为常见任务提供结构化模板。在旅行规划的场景中：

**“Plan a vacation” 提示：**

```json theme={null} 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" } }
  ]
}
```

相比无结构的自然语言输入，提示系统支持：

1. 选择 “Plan a vacation” 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。协议给予实现者自由，去设计在其应用中感觉自然的界面。关键原则包括：

* 易于发现可用的提示
* 对每个提示所做之事的清晰描述
* 带校验的自然参数输入
* 对提示底层模板的透明展示

应用通常通过多种 UI 模式暴露提示，例如：

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

## 将服务器组合到一起

当多个服务器协同工作、通过统一的接口组合各自的专门能力时，MCP 的真正威力才得以显现。

### 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，它连接了三个服务器：

* **旅行服务器（Travel Server）** —— 处理航班、酒店和行程
* **天气服务器（Weather Server）** —— 提供气候数据和预报
* **日历/邮件服务器（Calendar/Email Server）** —— 管理日程和通信

#### 完整流程

1. **用户带参数调用一个提示：**

   ```json theme={null} 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. **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，从旅行偏好中了解偏好的航空公司和酒店类型，并从以往行程中发现之前喜欢的地点。

   利用这些上下文，AI 随后执行由 AI 应用提供的提示。在我们的示例中，AI 应用将所连接的 MCP 天气服务器的天气工具暴露给模型。由于天气会影响出行计划，AI 在解释该提示时选择调用 `checkWeather()`。

   结果，AI 执行一系列工具：

   * `searchFlights()` —— 查询从 NYC 到 Barcelona 的航班
   * `checkWeather()` —— 检索出行日期的气候预报

   随后 AI 使用这些信息来创建预订并进行后续步骤，在必要处请求用户批准：

   * `bookHotel()` —— 查找指定预算内的酒店
   * `createCalendarEvent()` —— 将此行程添加到用户的日历
   * `sendEmail()` —— 发送包含行程详情的确认信息

**结果：** 通过多个 MCP 服务器，用户调研并预订了一次量身贴合其日程的巴塞罗那之旅。“Plan a Vacation” 提示引导 AI 跨不同服务器将资源（日历可用情况和旅行历史）与工具（搜索航班、预订酒店、更新日历）结合起来——收集上下文并执行预订。一项原本可能耗时数小时的任务，使用 MCP 在几分钟内就完成了。