MCP的Resources 和 Prompts

yaocheng的ai分身2025-04-27 15:30

在 Model Context Protocol (MCP) 中，Resources 和 Prompts 是两种核心功能（Primitives），用于增强 AI 模型与外部数据和工具的交互能力。

Resources 和 Prompts 的定义与作用

  1. Resources

  • 定义：Resources 是 MCP 服务器暴露给客户端的只读数据或内容，类似于文件、数据库记录或 API 响应。它们通过唯一的 URI 标识，可以是文本（UTF-8 编码）或二进制数据（Base64 编码）。Resources 由应用程序控制，客户端决定如何以及何时使用这些数据。

  • 作用：

    • 提供上下文数据给 AI 模型，例如日志文件、配置文件、实时 API 数据等。
    • 支持动态数据更新，服务器可以通过通知机制（如 resources/list_changed 或 resources/updated）告知客户端资源的变化。
    • 适合需要结构化、可重复访问的数据场景，例如文件内容、数据库查询结果等。

  • 特点：

    • 数据由服务器管理，客户端通过 resources/list 获取可用资源列表，通过 resources/read 读取具体内容。
    • 支持自定义 URI 方案，例如 file:///logs/app.log 或 greetings://{name}。
    • 客户端可能需要用户明确选择资源（例如 Claude Desktop），也可能自动选择（取决于客户端实现）。
  1. Prompts

  • 定义：Prompts 是 MCP 服务器提供的结构化模板，用于标准化与语言模型的交互。它们定义了可重用的消息序列和工作流，支持参数化以定制交互。

  • 作用：

    • 提供一致的提示工程框架，确保 AI 模型以可预测的方式响应。
    • 允许用户或客户端通过参数（如用户名、风格）动态生成提示。
    • 适合需要引导 AI 行为或生成特定输出的场景，例如生成个性化问候、格式化查询等。

  • 特点：

    • 通过 prompts/list 获取可用提示列表，通过 prompts/get 获取具体提示内容。
    • 支持参数化，例如一个提示模板可以接受 name 参数生成个性化消息。
    • 客户端可以直接使用提示，或者将其嵌入到更复杂的交互中。

总结

特性 Resources Prompts
本质 只读数据或内容 结构化提示模板
用途 提供上下文或数据 引导 AI 模型生成特定输出
控制方 应用程序（客户端决定使用方式） 用户或客户端（可动态参数化）
示例场景 读取日志文件、API 响应 生成个性化问候、格式化查询
交互方式 通过 URI 访问 通过模板名称和参数调用

如何配置 Resources 和 Prompts

在搭建 MCP 服务器时，Resources 和 Prompts 的配置通常基于 MCP 的 SDK（例如 Python 或 TypeScript SDK）。以下是具体步骤和代码示例：

  1. 环境准备

  • 安装 SDK：

    • Python: pip install mcp 或 uv add "mcp[cli]"。
    • TypeScript: npm install @modelcontextprotocol/sdk。

  • 选择传输方式：MCP 支持 Stdio（标准输入/输出）或 SSE（服务器推送事件）。本地开发通常使用 Stdio。

  • 工具：推荐使用 MCP Inspector 进行调试，验证服务器功能。

  1. 配置 Resources

  • 步骤：

    1. 定义资源列表（resources/list），包括 URI、名称、描述和 MIME 类型。
    2. 实现资源读取逻辑（resources/read），根据 URI 返回内容。
    3. 可选：实现资源更新通知（如 resources/list_changed）。

  • 代码示例（Python SDK）：

    python

    python 复制代码 
    from mcp import Server, types
from mcp.server.stdio import stdio_server

app = Server("example-server", capabilities={"resources": {}})

# 列出可用资源
@app.list_resources()
async def list_resources() -> list[types.Resource]:
    return [
        types.Resource(
            uri="file:///logs/app.log",
            name="Application Logs",
            mimeType="text/plain"
        )
    ]

# 读取资源内容
@app.read_resource()
async def read_resource(uri: str) -> str:
    if uri == "file:///logs/app.log":
        return "Log content: Server started at 2025-04-27"
    raise ValueError("Resource not found")

# 启动服务器
async with stdio_server() as streams:
    await app.run(streams[0], streams[1], app.create_initialization_options())
    • 说明：此示例定义了一个资源 file:///logs/app.log，客户端可以通过 resources/read 获取其内容（文本格式）。

  • 动态资源示例（TypeScript SDK）：

    typescript

    javascript 复制代码 
    import { Server, ListResourcesRequestSchema, ReadResourceRequestSchema } from "@modelcontextprotocol/sdk/server/index.js";

const server = new Server({
    name: "example-server",
    version: "1.0.0",
    capabilities: { resources: {} }
});

// 列出动态资源
server.setRequestHandler(ListResourcesRequestSchema, async () => ({
    resources: [{
        uri: "greetings://alice",
        name: "Personal Greeting",
        mimeType: "text/plain"
    }]
}));

// 读取动态资源
server.setRequestHandler(ReadResourceRequestSchema, async (request) => {
    const uri = request.params.uri;
    if (uri.startsWith("greetings://")) {
        const name = uri.split("://")[1];
        return {
            contents: [{
                uri,
                mimeType: "text/plain",
                text: `Hello, ${name}! Welcome to MCP.`
            }]
        };
    }
    throw new Error("Resource not found");
});
    • 说明：此示例支持动态 URI（如 greetings://alice），根据 URI 中的参数生成个性化内容。
  1. 配置 Prompts

  • 步骤：

    1. 定义提示列表（prompts/list），包括提示名称、描述和参数。
    2. 实现提示生成逻辑（prompts/get），根据参数返回结构化提示内容。

  • 代码示例（Python SDK）：

    python

    python 复制代码 
    from mcp import Server, types
from mcp.server.stdio import stdio_server

app = Server("example-server", capabilities={"prompts": {}})

# 列出可用提示
@app.list_prompts()
async def list_prompts() -> list[types.Prompt]:
    return [
        types.Prompt(
            name="greeting",
            description="A friendly greeting prompt",
            arguments=[types.PromptArgument(name="name", description="The name to greet", required=True)]
        )
    ]

# 生成提示内容
@app.get_prompt()
async def get_prompt(name: str, arguments: dict) -> types.GetPromptResult:
    name_arg = arguments.get("name", "friend")
    user_message = types.PromptMessage(
        role="user",
        content=types.TextContent(f"Hello {name_arg}! How can I assist you today?")
    )
    return types.GetPromptResult(
        description="A personalized greeting message",
        messages=[user_message]
    )

# 启动服务器
async with stdio_server() as streams:
    await app.run(streams[0], streams[1], app.create_initialization_options())
    • 说明：此示例定义了一个 greeting 提示，接受 name 参数，生成个性化问候消息。

  • 代码示例（TypeScript SDK）：

    typescript

    php 复制代码 
    import { Server, ListPromptsRequestSchema, GetPromptRequestSchema } from "@modelcontextprotocol/sdk/server/index.js";

const server = new Server({
    name: "example-server",
    version: "1.0.0",
    capabilities: { prompts: {} }
});

// 列出提示
server.setRequestHandler(ListPromptsRequestSchema, async () => ({
    prompts: [{
        name: "greeting",
        description: "A friendly greeting prompt",
        arguments: [{ name: "name", description: "The name to greet", required: true }]
    }]
}));

// 生成提示
server.setRequestHandler(GetPromptRequestSchema, async (request) => {
    const { name, arguments: args } = request.params;
    const nameArg = args.name || "friend";
    return {
        description: "A personalized greeting message",
        messages: [{
            role: "user",
            content: { type: "text", text: `Hello ${nameArg}! How can I assist you today?` }
        }]
    };
});
    • 说明：此示例实现了一个参数化的提示，客户端可以传递 name 参数生成自定义消息。

使用范例

  1. AlphaVantage MCP Server

  • 简介：为 AlphaVantage 金融 API 提供 MCP 服务器，支持实时股票数据和技术分析。

  • Resources 使用：

    • 资源：stock://AAPL（返回苹果公司股票的实时数据）。

    • 实现：

      python

      less 复制代码 
      @app.list_resources()
async def list_resources() -> list[types.Resource]:
    return [
        types.Resource(
            uri="stock://AAPL",
            name="Apple Stock Data",
            mimeType="application/json"
        )
    ]

@app.read_resource()
async def read_resource(uri: str) -> str:
    if uri.startswith("stock://"):
        symbol = uri.split("://")[1]
        data = await fetch_stock_data(symbol)  # 调用 AlphaVantage API
        return json.dumps(data)
    raise ValueError("Resource not found")

    • 用途：为 AI 模型提供实时金融数据，作为上下文用于分析或报告生成。

  • Prompts 使用：

    • 提示：stock-analysis（生成股票分析报告，接受股票代码和分析类型参数）。

    • 实现：

      python

      less 复制代码 
      @app.list_prompts()
async def list_prompts() -> list[types.Prompt]:
    return [
        types.Prompt(
            name="stock-analysis",
            description="Generate a stock analysis report",
            arguments=[
                types.PromptArgument(name="symbol", description="Stock symbol", required=True),
                types.PromptArgument(name="type", description="Analysis type (e.g., technical)", required=False)
            ]
        )
    ]

@app.get_prompt()
async def get_prompt(name: str, arguments: dict) -> types.GetPromptResult:
    symbol = arguments.get("symbol", "AAPL")
    analysis_type = arguments.get("type", "technical")
    return types.GetPromptResult(
        description="Stock analysis report",
        messages=[types.PromptMessage(
            role="user",
            content=types.TextContent(f"Analyze {symbol} stock with {analysis_type} analysis.")
        )]
    )

    • 用途：引导 AI 模型生成结构化的股票分析报告，支持动态参数。

  • 知名度：在金融领域开发者中流行，展示 MCP 如何集成复杂 API 数据。

  1. AbletonMCP Server

  • 简介：连接 Claude AI 和 Ableton Live（数字音频工作站），支持音乐创作和编辑。

  • Resources 使用：

    • 资源：ableton://project/tracks（返回当前 Ableton 项目中的音轨列表）。

    • 实现：

      python

      less 复制代码 
      @app.list_resources()
async def list_resources() -> list[types.Resource]:
    return [
        types.Resource(
            uri="ableton://project/tracks",
            name="Ableton Project Tracks",
            mimeType="application/json"
        )
    ]

@app.read_resource()
async def read_resource(uri: str) -> str:
    if uri == "ableton://project/tracks":
        tracks = await get_ableton_tracks()  # 调用 Ableton API
        return json.dumps(tracks)
    raise ValueError("Resource not found")

    • 用途：为 AI 提供当前音乐项目的上下文，例如音轨信息，用于生成音乐建议。

  • Prompts 使用：

    • 提示：compose-track（生成新音轨的提示，接受乐器和风格参数）。

    • 实现：

      python

      less 复制代码 
      @app.list_prompts()
async def list_prompts() -> list[types.Prompt]:
    return [
        types.Prompt(
            name="compose-track",
            description="Compose a new track in Ableton",
            arguments=[
                types.PromptArgument(name="instrument", description="Instrument type", required=True),
                types.PromptArgument(name="style", description="Music style", required=False)
            ]
        )
    ]

@app.get_prompt()
async def get_prompt(name: str, arguments: dict) -> types.GetPromptResult:
    instrument = arguments.get("instrument", "piano")
    style = arguments.get("style", "classical")
    return types.GetPromptResult(
        description="New track composition",
        messages=[types.PromptMessage(
            role="user",
            content=types.TextContent(f"Compose a {style} track using {instrument} in Ableton.")
        )]
    )

    • 用途：引导 AI 生成音乐创作指令，直接控制 Ableton Live。

  • 知名度：在创意领域备受关注，展示 MCP 在艺术和音乐创作中的潜力。

  1. Composio MCP

  • 简介：一个集成平台，简化 AI 代理与外部工具和 API 的连接，支持 Linear、Slack 等。

  • Resources 使用：

    • 资源：linear://issues（返回 Linear 项目中的问题列表）。

    • 实现：

      python

      less 复制代码 
      @app.list_resources()
async def list_resources() -> list[types.Resource]:
    return [
        types.Resource(
            uri="linear://issues",
            name="Linear Issues",
            mimeType="application/json"
        )
    ]

@app.read_resource()
async def read_resource(uri: str) -> str:
    if uri == "linear://issues":
        issues = await fetch_linear_issues()  # 调用 Linear API
        return json.dumps(issues)
    raise ValueError("Resource not found")

    • 用途：为 AI 提供项目管理数据，作为上下文用于任务分配或状态更新。

  • Prompts 使用：

    • 提示：create-issue（创建 Linear 问题，接受项目 ID 和标签参数）。

    • 实现：

      python

      less 复制代码 
      @app.list_prompts()
async def list_prompts() -> list[types.Prompt]:
    return [
        types.Prompt(
            name="create-issue",
            description="Create a Linear issue",
            arguments=[
                types.PromptArgument(name="project_id", description="Project ID", required=True),
                types.PromptArgument(name="label", description="Issue label", required=False)
            ]
        )
    ]

@app.get_prompt()
async def get_prompt(name: str, arguments: dict) -> types.GetPromptResult:
    project_id = arguments.get("project_id")
    label = arguments.get("label", "TODO")
    return types.GetPromptResult(
        description="Create a Linear issue",
        messages=[types.PromptMessage(
            role="user",
            content=types.TextContent(f"Create an issue in project {project_id} with label {label}.")
        )]
    )

    • 用途：生成结构化提示，简化 AI 创建和管理 Linear 问题的流程。

  • 知名度：因其一键集成特性广受欢迎，适合快速构建复杂工作流。

相关推荐
MobotStone10 小时前
MCP还是AI智能体？如何为你的AI应用选择最佳"大脑"架构
mcp
shelgi12 小时前
Cursor结合MCP实现自动编写项目文档
人工智能·mcp
小白跃升坊13 小时前
干货分享｜智能问数方案及步骤详解
ai·大语言模型·it运维·mcp·max kb
yaocheng的ai分身14 小时前
Building MCP Servers: Part 3 — Adding Prompts
mcp
一只韩非子15 小时前
什么是MCP？为什么引入MCP？（通俗易懂版）
人工智能·aigc·mcp
MCPFlow16 小时前
Cursor+高德MCP制定五一出游攻略
mcp
叫我阿杰好了16 小时前
Trae中 使用MCP 案例
mcp·trae
Yan-英杰17 小时前
百度搜索AI开放计划：让应用连接精准流量的秘诀
ai·mcp·百度搜索开放平台·百度ai开放计划·mcpserver·create2025
码云之上17 小时前
聊聊MCP Client及其实践
前端·架构·mcp
热门推荐
01KGG转MP3工具|非KGM文件|解密音频02从零安装 LLaMA-Factory 微调 Qwen 大模型成功及所有的坑03我决定放弃搞 Java 了04西电B测-计算机网络综合实验(含验收问题)05yolov8，yolo11，yolo12 服务器训练到部署全流程 笔记06DeepSeek各版本说明与优缺点分析07YOLOv5改进 | 添加CA注意力机制 + 增加预测层 + 更换损失函数之GIoU08YOLOv8入门 | 重要性能衡量指标、训练结果评价及分析及影响mAP的因素【发论文关注的指标】09苍穹外卖面试总结10Vue3实现优雅的前端版本更新提示