Menu
建立高質量 MCP (Model Context Protocol) 伺服器的指南，使 LLM 能透過精心設計的工具與外部服務互動。當需要建構 MCP 伺服器以整合外部 API 或服務時使用，無論是使用 Python (FastMCP) 或 Node/TypeScript (MCP SDK)。
Install with Codex or Claude Copy this prompt, paste it into Codex, Claude, or another assistant, and let it review the skill page and install it for you.
使用 Claude API / Anthropic SDK 建構、除錯和最佳化應用程式。使用此技能建構的應用程式應包含提示快取 (prompt caching)。也處理在 Claude 模型版本之間遷移現有 Claude API 程式碼（4.5 → 4.6，4.6 → 4.7，替換已退役模型）。觸發時機：程式碼匯入 anthropic/@anthropic-ai/sdk；使用者要求使用 Claude API、Anthropic SDKs 或 Managed Agents (/v1/agents, /v1/sessions, /v1/environments)；使用者在檔案中新增/修改/調整 Claude 功能（快取、思考、壓縮、工具使用、批次、檔案、引用、記憶）或模型（Opus/Sonnet/Haiku）；關於 Anthropic SDK 專案中提示快取/快取命中率的問題。不觸發：檔案匯入 `openai`/其他提供者 SDK，檔案名稱類似 `*-openai.py`/`*-generic.py`，與提供者無關的程式碼，一般程式設計/機器學習。
當編寫呼叫 Gemini API 的程式碼時請使用此技能，用於文字生成、多輪對話、多模態理解、影像生成、串流回應、背景研究任務、函式呼叫、結構化輸出，或從舊的 generateContent API 遷移。此技能涵蓋 Interactions API，這是在 Python 與 TypeScript 中使用 Gemini 模型與代理的建議方式。
Tailwind CSS v4 原則。CSS 優先配置、容器查詢、現代模式、設計 token 架構。
處理使用 Gemini Live API 的即時、雙向串流應用程式時使用此技能。涵蓋基於 WebSocket 的音訊/視訊/文字串流、語音活動偵測 (VAD)、原生音訊功能、函式呼叫、會話管理、用戶端身分驗證的臨時權杖，以及所有 Live API 設定選項。涵蓋的 SDK - google-genai (Python)、@google/genai (JavaScript/TypeScript)。
Python 開發原則與決策。框架選擇、非同步模式、型別提示、專案結構。教你思考而非複製。
自動代理選擇與智慧任務路由。分析使用者請求並自動選擇最佳專家代理，無需使用者明確提及。
Based on SOC occupation classification
| name | mcp-builder |
| description | 建立高質量 MCP (Model Context Protocol) 伺服器的指南，使 LLM 能透過精心設計的工具與外部服務互動。當需要建構 MCP 伺服器以整合外部 API 或服務時使用，無論是使用 Python (FastMCP) 或 Node/TypeScript (MCP SDK)。 |
| license | 完整條款請見 LICENSE.txt |
建立 MCP (Model Context Protocol) 伺服器，使 LLM 能透過精心設計的工具與外部服務互動。MCP 伺服器的品質取決於它如何良好地幫助 LLM 完成真實世界的任務。
建立高質量的 MCP 伺服器包含四個主要階段：
API 覆蓋率 vs. 工作流程工具： 在全面的 API 端點覆蓋率和專門的工作流程工具之間取得平衡。工作流程工具對於特定任務可能更方便，而全面的覆蓋則讓代理程式有靈活性來組合操作。不同客戶端的效能各異 — 有些客戶端受益於結合基本工具的程式碼執行，而其他則在更高階的工作流程中表現更好。若不確定，請優先考慮全面的 API 覆蓋率。
工具命名與可發現性：
清晰、具描述性的工具名稱有助於代理程式快速找到正確的工具。使用一致的前綴（例如：github_create_issue、github_list_repos）和任務導向的命名。
上下文管理： 代理程式受益於簡潔的工具描述以及過濾/分頁結果的能力。設計能返回聚焦、相關資料的工具。有些客戶端支援程式碼執行，這可幫助代理程式有效率地過濾和處理資料。
可執行的錯誤訊息： 錯誤訊息應透過具體的建議和後續步驟引導代理程式解決問題。
瀏覽 MCP 規格：
從網站地圖開始尋找相關頁面：https://modelcontextprotocol.io/sitemap.xml
然後透過 .md 後綴取得特定頁面的 markdown 格式（例如：https://modelcontextprotocol.io/specification/draft.md）。
需要審閱的關鍵頁面：
建議的技術堆疊：
載入框架文件：
對於 TypeScript（建議）：
https://raw.githubusercontent.com/modelcontextprotocol/typescript-sdk/main/README.md對於 Python：
https://raw.githubusercontent.com/modelcontextprotocol/python-sdk/main/README.md了解 API： 審閱服務的 API 文件，識別關鍵端點、驗證需求和資料模型。視需要使用網頁搜尋和 WebFetch。
工具選擇： 優先考慮全面的 API 覆蓋率。列出要實作的端點，從最常見的操作開始。
請參閱特定語言的專案設定指南：
建立共用工具程式：
針對每個工具：
輸入 Schema:
輸出 Schema:
outputSchemastructuredContent (TypeScript SDK 功能)工具描述:
實作:
註解:
readOnlyHint: true/falsedestructiveHint: true/falseidempotentHint: true/falseopenWorldHint: true/false審核以下項目：
TypeScript:
npm run build 以驗證編譯npx @modelcontextprotocol/inspectorPython:
python -m py_compile your_server.py請參閱特定語言指南以獲取詳細的測試方法和品質檢查清單。
在實作 MCP 伺服器之後，建立全面性的評估來測試其有效性。
載入 ✅ 評估指南 獲取完整的評估準則。
使用評估來測試 LLM 是否能有效使用您的 MCP 伺服器回答真實且複雜的問題。
要建立有效的評估，請遵循評估指南中列出的流程：
確保每個問題符合：
建立具有此結構的 XML 檔案：
<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>
<!-- 更多 qa_pairs... -->
</evaluation>
開發期間視需要載入這些資源：
https://modelcontextprotocol.io/sitemap.xml 開始，然後取得具 .md 後綴的特定頁面https://raw.githubusercontent.com/modelcontextprotocol/python-sdk/main/README.md 獲取https://raw.githubusercontent.com/modelcontextprotocol/typescript-sdk/main/README.md 獲取🐍 Python 實作指南 - 完整的 Python/FastMCP 指南，包含：
@mcp.tool 註冊工具⚡ TypeScript 實作指南 - 完整的 TypeScript 指南，包含：
server.registerTool 註冊工具