mcp-builder

name	mcp-builder
description	指南：创建高质量的 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。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）。
license	完整条款请参见 LICENSE.txt

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 服务器的质量衡量标准是它能在多大程度上帮助 LLM 完成现实世界的任务。

---

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：

第一阶段：深入研究和规划

1.1 理解现代 MCP 设计

API 覆盖率 vs 工作流工具： 平衡全面的 API 端点覆盖率和专业化的工作流工具。工作流工具对于特定任务可能更方便，而全面的覆盖率给予代理组合操作的灵活性。性能因客户端而异——有些客户端受益于组合基础工具的代码执行，而其他客户端在处理更高级别的工作流时表现更好。不确定时，优先考虑全面的 API 覆盖率。

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）和面向操作的命名。

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。设计返回专注、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地过滤和处理数据。

可操作的错误消息： 错误消息应该通过具体建议和后续步骤指导代理找到解决方案。

1.2 研究 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 后缀获取特定页面以获得 markdown 格式（例如 https://modelcontextprotocol.io/specification/draft.md）。

需要查看的关键页面：

• 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 研究框架文档

推荐技术栈：

• 语言：TypeScript（高质量的 SDK 支持和在许多执行环境（如 MCPB）中的良好兼容性。另外 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 linting 工具）
• 传输：远程服务器使用可流式 HTTP，使用无状态 JSON（比有状态会话和流式响应更容易扩展和维护）。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 - 核心指导原则

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

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 规划你的实现

理解 API： 审查服务的 API 文档以识别关键端点、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 覆盖率。列出要实现的端点，从最常见的操作开始。

---

第二阶段：实现

2.1 设置项目结构

查看特定语言的指南以进行项目设置：

• ⚡ TypeScript 指南 - 项目结构、package.json、tsconfig.json
• 🐍 Python 指南 - 模块组织、依赖项

2.2 实现核心基础设施

创建共享实用程序：

• 带认证的 API 客户端
• 错误处理助手
• 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）
• 包含约束和清晰的描述
• 在字段描述中添加示例

输出模式：

• 在可能的情况下为结构化数据定义 outputSchema
• 在工具响应中使用 structuredContent（TypeScript SDK 功能）
• 帮助客户端理解并处理工具输出

工具描述：

• 功能的简明摘要
• 参数描述
• 返回类型模式

实现：

• I/O 操作使用 async/await
• 具有可操作消息的适当错误处理
• 在适用的地方支持分页
• 使用现代 SDK 时返回文本内容和结构化数据

注释：

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

---

第三阶段：审查和测试

3.1 代码质量

审查以下方面：

• 没有重复代码（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 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

查看特定语言的指南以了解详细的测试方法和质量检查清单。

---

第四阶段：创建评估

实现你的 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 获取完整的评估指导。

4.1 理解评估目的

使用评估来测试 LLM 是否能有效使用你的 MCP 服务器来回答现实、复杂的问题。

4.2 创建 10 个评估问题

要创建有效的评估，请遵循评估指南中概述的流程：

1. 工具检查：列出可用工具并了解它们的功能
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 个复杂的、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

确保每个问题都满足：

• 独立性：不依赖于其他问题
• 只读：只需要非破坏性操作
• 复杂性：需要多个工具调用和深度探索
• 现实性：基于人类关心的真实用例
• 可验证性：可通过字符串比较验证的单一、清晰答案
• 稳定性：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>查找关于以动物代号命名的 AI 模型发布的讨论。一个模型需要使用格式 ASL-X 的特定安全指定。哪个数字 X 正在为以斑点野猫命名的模型确定？</question>
    <answer>3</answer>
  </qa_pair>
<!-- 更多 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（首先加载）

• 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 指导原则，包括：
  • 服务器和工具命名约定
  • 响应格式指导原则（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（在第一/二阶段加载）

• 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

特定语言实现指南（在第二阶段加载）

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

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

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

  • 项目结构
  • Zod 模式模式
  • 使用 server.registerTool 的工具注册
  • 完整的工作示例
  • 质量检查清单

评估指南（在第四阶段加载）

• ✅ 评估指南 - 完整的评估创建指南，包含：
  • 问题创建指导原则
  • 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