1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20

# 背景 (Context)
我正在为技术博客写一篇关于[主题]的文章，读者是有一定编程基础的开发者。

# 角色 (Role)
你是一位拥有10年经验的资深技术作家，擅长用通俗易懂的语言解释复杂概念。

# 指令 (Instructions)
请帮我撰写这篇文章，要求：
1. 开头用一个真实案例或故事引入
2. 核心内容分为3-4个要点
3. 每个要点配有代码示例
4. 结尾总结并给出行动建议

# 规格 (Specification)
- 字数：1500-2000字
- 语气：专业但不枯燥，适当加入幽默
- 格式：Markdown，使用代码块、列表、表格

# 示例 (Proof)
类似风格的文章参考：[给出一段示例文字]

1
2
3
4

- "请一步步思考"
- "Let's think step by step"
- "请先分析，再给出结论"
- "在回答之前，请列出你的推理过程"

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16

请按照以下风格为代码添加注释：

【示例1】
代码：if user.age < 18:
注释：# 未成年人禁止入内，这里是成年人的世界 🍺

【示例2】  
代码：except Exception as e:
注释：# 出事了！别慌，喝杯咖啡冷静一下 ☕

现在请为以下代码添加注释：
def calculate_tax(income):
    if income > 100000:
        return income * 0.3
    else:
        return income * 0.1

1
2
3
4
5
6

def calculate_tax(income):
    # 收入超过10万？恭喜你，国家需要你的贡献 💰
    if income > 100000:
        return income * 0.3  # 30%，肉疼但合法
    else:
        return income * 0.1  # 10%，快乐打工人的小确幸 🎉

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12

请分析以下用户反馈，并以JSON格式输出：

用户反馈："产品还不错，但是价格太贵了，客服响应也有点慢"

输出格式：
{
  "sentiment": "正面/中性/负面",
  "aspects": [
    {"name": "方面名称", "score": 1-5, "comment": "具体评价"}
  ],
  "summary": "一句话总结"
}

1
2
3
4
5
6
7
8
9

请生成一个产品描述，使用以下结构：

<product_name>产品名称</product_name>
<tagline>一句话卖点</tagline>
<features>
  <feature>功能点1</feature>
  <feature>功能点2</feature>
</features>
<cta>行动号召</cta>

1
2

请对比分析GPT-4、Claude 3.5、Gemini Pro的特点，以Markdown表格形式输出，包含以下列：
| 模型 | 上下文长度 | 速度 | 价格 | 适合场景 |

1
2
3
4
5
6
7
8

请作为一位严格的高级工程师，review以下代码：
1. 指出潜在的bug和安全隐患
2. 提出性能优化建议
3. 检查代码风格和可读性
4. 给出改进后的代码示例

代码如下：
[粘贴代码]

1
2
3
4
5
6
7
8

我需要设计一个[系统/功能]，请帮我：
1. 分析技术选型（至少对比3种方案）
2. 画出架构图（用Mermaid语法）
3. 列出关键技术点和难点
4. 给出实施步骤和时间估算
5. 预警可能的风险点

背景信息：[业务场景、技术栈、团队规模]

1
2
3
4
5
6
7

我想快速学习[技术名称]，我的背景是[现有技能]。

请为我制定一个7天学习计划：
- 每天的学习目标和时长
- 推荐的学习资源（官方文档、教程、视频）
- 每天的动手练习项目
- 检验学习效果的方法

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17

# 开发者A的实现
class ClaudeWithDatabase:
    def query_db(self, sql):
        # 自己写数据库连接逻辑
        conn = psycopg2.connect(...)
        # 自己写SQL执行逻辑
        cursor.execute(sql)
        # 自己写结果格式化
        return format_results(...)

# 开发者B的实现（完全不同）
class GPTWithDatabase:
    def db_query(self, query):
        # 又要重新实现一遍
        engine = create_engine(...)
        # 完全不同的接口
        return engine.execute(query)

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17

# 任何AI都可以使用同一个MCP服务器
from mcp import Client

# 连接到数据库MCP服务器
client = Client("postgresql://localhost:5432/mydb")

# Claude使用
claude_response = claude.chat(
    "查询上月销售数据",
    tools=[client]  # 直接传入MCP客户端
)

# GPT使用（完全相同的方式）
gpt_response = gpt.chat(
    "查询上月销售数据",
    tools=[client]  # 同一个工具！
)

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

# 完整的MCP通信示例
class MCPCommunicationFlow:
    def demonstrate(self):
        # Step 1: AI发现可用工具
        tools = mcp_client.list_tools()
        # 返回: [
        #   {"name": "query_database", "description": "查询PostgreSQL数据库"},
        #   {"name": "read_file", "description": "读取本地文件"},
        # ]
        
        # Step 2: AI选择并调用工具
        result = mcp_client.call_tool(
            name="query_database",
            arguments={
                "sql": "SELECT * FROM sales WHERE month = '2025-11'"
            }
        )
        
        # Step 3: MCP服务器执行并返回结果
        # result = {
        #   "content": [
        #     {"type": "text", "text": "找到123条记录"},
        #     {"type": "resource", "uri": "db://sales/2025-11"}
        #   ]
        # }
        
        # Step 4: AI处理结果并回复用户
        return ai_model.generate_response(result)

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

// 请求示例
{
  "jsonrpc": "2.0",
  "id": 1,
  "method": "tools/call",
  "params": {
    "name": "query_database",
    "arguments": {
      "sql": "SELECT COUNT(*) FROM users"
    }
  }
}

// 响应示例
{
  "jsonrpc": "2.0",
  "id": 1,
  "result": {
    "content": [
      {
        "type": "text",
        "text": "总用户数: 1,234,567"
      }
    ]
  }
}

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53

# file_server.py
from mcp.server import Server
from mcp.types import Tool, TextContent
import os

# 创建MCP服务器
app = Server("file-reader")

# 定义工具
@app.list_tools()
async def list_tools():
    return [
        Tool(
            name="read_file",
            description="读取本地文件内容",
            inputSchema={
                "type": "object",
                "properties": {
                    "path": {
                        "type": "string",
                        "description": "文件路径"
                    }
                },
                "required": ["path"]
            }
        )
    ]

# 实现工具逻辑
@app.call_tool()
async def call_tool(name: str, arguments: dict):
    if name == "read_file":
        path = arguments["path"]
        
        # 安全检查
        if not os.path.exists(path):
            return [TextContent(
                type="text",
                text=f"错误：文件 {path} 不存在"
            )]
        
        # 读取文件
        with open(path, 'r', encoding='utf-8') as f:
            content = f.read()
        
        return [TextContent(
            type="text",
            text=f"文件内容：\n{content}"
        )]

# 启动服务器
if __name__ == "__main__":
    app.run()

1
2

python file_server.py
# MCP服务器启动在 stdio://

1
2
3
4
5
6
7
8
9

// ~/Library/Application Support/Claude/claude_desktop_config.json
{
  "mcpServers": {
    "file-reader": {
      "command": "python",
      "args": ["/path/to/file_server.py"]
    }
  }
}

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90

# database_server.py
from mcp.server import Server
from mcp.types import Tool, TextContent, Resource
import psycopg2
import pandas as pd

app = Server("postgres-query")

# 数据库连接配置
DB_CONFIG = {
    "host": "localhost",
    "database": "myapp",
    "user": "postgres",
    "password": "secret"
}

@app.list_tools()
async def list_tools():
    return [
        Tool(
            name="query_database",
            description="执行SQL查询并返回结果",
            inputSchema={
                "type": "object",
                "properties": {
                    "sql": {
                        "type": "string",
                        "description": "SQL查询语句"
                    },
                    "format": {
                        "type": "string",
                        "enum": ["table", "json", "markdown"],
                        "description": "返回格式",
                        "default": "markdown"
                    }
                },
                "required": ["sql"]
            }
        ),
        Tool(
            name="list_tables",
            description="列出数据库中的所有表",
            inputSchema={"type": "object", "properties": {}}
        )
    ]

@app.call_tool()
async def call_tool(name: str, arguments: dict):
    conn = psycopg2.connect(**DB_CONFIG)
    
    try:
        if name == "list_tables":
            # 查询所有表
            df = pd.read_sql("""
                SELECT table_name 
                FROM information_schema.tables 
                WHERE table_schema = 'public'
            """, conn)
            
            tables = df['table_name'].tolist()
            return [TextContent(
                type="text",
                text=f"数据库表：\n" + "\n".join(f"- {t}" for t in tables)
            )]
        
        elif name == "query_database":
            sql = arguments["sql"]
            format_type = arguments.get("format", "markdown")
            
            # 执行查询
            df = pd.read_sql(sql, conn)
            
            # 格式化输出
            if format_type == "markdown":
                result = df.to_markdown(index=False)
            elif format_type == "json":
                result = df.to_json(orient="records", indent=2)
            else:
                result = str(df)
            
            return [TextContent(
                type="text",
                text=f"查询结果（{len(df)}行）：\n{result}"
            )]
    
    finally:
        conn.close()

if __name__ == "__main__":
    app.run()

1
2
3
4
5
6
7
8
9

# 用户只需要说话，AI自动完成整个分析流程
用户: "分析一下我们Q4的销售趋势"

# AI的工作流程（全自动）：
1. [调用list_tables] 发现有sales表
2. [调用query_database] 查询Q4数据
3. [调用python_executor] 用pandas分析趋势
4. [调用chart_generator] 生成可视化图表
5. [返回分析报告] "Q4销售呈上升趋势，环比增长23%..."

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

# analytics_server.py
@app.call_tool()
async def call_tool(name: str, arguments: dict):
    if name == "analyze_sales":
        # Step 1: 查询数据
        df = query_sales_data(arguments["period"])
        
        # Step 2: 自动分析
        insights = {
            "total": df['amount'].sum(),
            "growth": calculate_growth(df),
            "top_products": df.groupby('product')['amount'].sum().nlargest(5),
            "trend": detect_trend(df)
        }
        
        # Step 3: 生成图表
        chart_url = generate_chart(df)
        
        # Step 4: 返回结果
        return [
            TextContent(type="text", text=format_insights(insights)),
            Resource(type="image", uri=chart_url)
        ]

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

# 开发者的梦想：AI能直接操作代码库
用户: "帮我重构auth模块，添加OAuth支持"

# AI的操作：
1. [调用git_server] 创建新分支 feature/oauth
2. [调用file_server] 读取现有auth代码
3. [调用code_generator] 生成OAuth实现
4. [调用file_server] 写入新代码
5. [调用test_runner] 运行测试
6. [调用git_server] 提交并推送
7. [返回] "重构完成，所有测试通过，PR已创建"

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14

{
  "mcpServers": {
    "git": {
      "command": "mcp-git-server"
    },
    "filesystem": {
      "command": "mcp-file-server",
      "args": ["--root", "/Users/dev/myproject"]
    },
    "test-runner": {
      "command": "mcp-pytest-server"
    }
  }
}

1
2
3
4
5
6
7
8
9

# 连接公司所有数据源
用户: "上季度客户投诉最多的问题是什么？"

# AI自动整合多个数据源：
1. [调用jira_server] 查询工单系统
2. [调用slack_server] 搜索客服频道
3. [调用database_server] 查询CRM数据
4. [调用confluence_server] 检索知识库
5. [综合分析] "最多的投诉是配送延迟（占37%），主要原因是..."

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14

# 安装官方服务器
npm install -g @modelcontextprotocol/server-github

# 配置到Claude Desktop
{
  "mcpServers": {
    "github": {
      "command": "mcp-server-github",
      "env": {
        "GITHUB_TOKEN": "your_token_here"
      }
    }
  }
}

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

# 一些有趣的社区服务器
awesome_mcp_servers = [
    "mcp-server-notion",      # Notion笔记集成
    "mcp-server-gmail",       # Gmail邮件管理
    "mcp-server-calendar",    # Google Calendar
    "mcp-server-docker",      # Docker容器管理
    "mcp-server-kubernetes",  # K8s集群操作
    "mcp-server-aws",         # AWS云服务
    "mcp-server-stripe",      # 支付处理
    "mcp-server-openai",      # OpenAI API封装
]

1
2
3
4
5

pip install mcp
mcp create my-server
cd my-server
# 编辑 server.py
python server.py

1
2
3
4
5

npm create @modelcontextprotocol/server my-server
cd my-server
# 编辑 src/index.ts
npm run build
npm start

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22

# ❌ 危险：直接执行用户SQL
@app.call_tool()
async def call_tool(name: str, arguments: dict):
    sql = arguments["sql"]
    return execute_sql(sql)  # SQL注入风险！

# ✅ 安全：参数化查询 + 权限控制
@app.call_tool()
async def call_tool(name: str, arguments: dict):
    # 1. 验证用户权限
    if not user.has_permission("query_database"):
        return [TextContent(type="text", text="权限不足")]
    
    # 2. 白名单检查
    allowed_tables = ["users", "orders", "products"]
    if not all(table in allowed_tables for table in extract_tables(sql)):
        return [TextContent(type="text", text="不允许查询该表")]
    
    # 3. 参数化查询
    sql = arguments["sql"]
    params = arguments.get("params", [])
    return execute_safe_sql(sql, params)

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

@app.call_tool()
async def call_tool(name: str, arguments: dict):
    try:
        # 执行操作
        result = perform_operation(arguments)
        return [TextContent(type="text", text=result)]
    
    except FileNotFoundError as e:
        # 友好的错误提示
        return [TextContent(
            type="text",
            text=f"❌ 文件不存在：{e.filename}\n建议：检查文件路径是否正确"
        )]
    
    except PermissionError:
        return [TextContent(
            type="text",
            text="❌ 权限不足\n建议：使用sudo或检查文件权限"
        )]
    
    except Exception as e:
        # 记录详细错误日志
        logger.error(f"MCP tool error: {e}", exc_info=True)
        # 返回用户友好的错误
        return [TextContent(
            type="text",
            text=f"❌ 操作失败：{str(e)}"
        )]

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20

# 使用缓存减少重复查询
from functools import lru_cache

@lru_cache(maxsize=100)
def query_database(sql: str):
    # 相同的SQL查询会被缓存
    return execute_sql(sql)

# 异步处理提高并发
import asyncio

@app.call_tool()
async def call_tool(name: str, arguments: dict):
    # 并行执行多个操作
    results = await asyncio.gather(
        query_database(sql1),
        query_database(sql2),
        read_file(path)
    )
    return combine_results(results)

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16

# 2025年：基础工具集成
current_capabilities = [
    "文件系统访问",
    "数据库查询",
    "API调用",
    "Git操作"
]

# 2026年预测：更智能的工具
future_capabilities = [
    "自动工具组合（AI自己决定调用哪些工具）",
    "工具学习（根据使用反馈优化工具行为）",
    "跨服务器协作（多个MCP服务器协同工作）",
    "实时数据流（WebSocket支持）",
    "工具市场（一键安装社区工具）"
]

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

用户: "网站响应变慢了"

AI自动执行：
1. [调用monitoring_server] 检查服务器指标
2. [调用log_server] 分析错误日志
3. [调用database_server] 检查慢查询
4. [调用docker_server] 重启有问题的容器
5. [调用slack_server] 通知团队

结果: "已自动修复，原因是数据库连接池耗尽"

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

客户: "我的订单怎么还没发货？"

AI自动处理：
1. [调用crm_server] 查询客户信息
2. [调用order_server] 查询订单状态
3. [调用logistics_server] 查询物流信息
4. [调用email_server] 发送更新邮件
5. [调用ticket_server] 创建跟进工单

回复: "您的订单已在配送中，预计明天送达"

1

人类 → 使用AI → 获得答案

1

人类 → 告诉AI目标 → AI使用工具 → 完成任务

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14

# 以前：开发AI应用很难
def build_ai_app():
    学习LLM API ✅
    + 实现工具集成 ❌ (难)
    + 处理错误和边界情况 ❌ (难)
    + 维护和更新 ❌ (难)
    = 放弃 😭

# 现在：使用MCP很简单
def build_ai_app_with_mcp():
    学习LLM API ✅
    + 安装MCP服务器 ✅ (简单)
    + 配置JSON文件 ✅ (简单)
    = 成功 🎉

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

# 1. 安装MCP SDK
pip install mcp

# 2. 创建你的第一个服务器
mcp create my-first-server

# 3. 在Claude Desktop中配置
# 编辑 ~/Library/Application Support/Claude/claude_desktop_config.json

# 4. 开始使用！