当前位置：首页 > news >正文

【2025 最新前沿 MCP 教程 03】基础构建模块：工具、资源与提示

news 来源：原创 2025/4/27 7:56:11

- 1. 开始啦
- 2. 工具（模型控制）：赋予 AI 行动能力
- 3. 资源（应用控制）：为 AI 提供关键上下文
- 4. 提示（用户可控）：优化 AI 交互
- 5. 它们如何协同工作

欢迎来到模型上下文协议的核心引擎室！在前几章中，我们探讨了 MCP 背后的「为什么」——即需要一种标准化方式让 AI 模型与应用有效沟通。

现在，我们将深入「如何实现」。本章将介绍使 MCP 运作的三大基础构建模块： 工具、资源和提示。

试想构建一个复杂的 AI 助手。你需要让 AI 具备执行操作的能力（如预约安排），让它能够知晓信息（如你的当前日程），以及让你能引导其行为以获得最佳结果。

工具、资源和提示正是 MCP 框架中提供这些功能的三大支柱。理解这些核心组件对于释放 AI 集成的全部潜力至关重要。让我们慢慢来搞明白。

想象给你的 AI 助手一套专用工具——扳手用来修理、电话用来拨打、笔用来书写信息。在 MCP 中，工具正是如此：它们是 AI 模型可以选择使用的功能或能力，用以执行操作或与外界交互。

定义： 工具代表 AI 模型可以调用的动作或操作。它们本质上是向模型开放的函数，使其不仅能生成文本，还能主动执行数字世界乃至物理世界中的任务（通过连接的系统）。
控制： 工具是由模型控制的。这意味着 AI 根据用户请求和上下文决定何时及如何使用特定工具。应用程序定义哪些工具可用，但由模型选择并执行它们。
类比： 想象一位技艺精湛的厨师（AI 模型）在设备齐全的厨房（应用环境）中工作。刀具、烤箱和搅拌机就是工具。厨师根据菜谱（用户请求）决定使用哪种工具（例如"我需要打蛋器来搅拌这些鸡蛋"）。
示例：
- API 调用： 向外部服务发送数据（例如使用 book_flight 工具调用航空公司 API）。
- 数据库操作： 执行命令更新信息（例如一个 create_calendar_event 工具向数据库添加条目）。
- 发送通知： 触发警报或消息（例如使用 send_email 工具）。
- 执行代码： 在应用程序环境中运行特定脚本或函数。

工具是 MCP 中面向行动的部分，使 AI 能够成为积极的参与者，而不仅仅是被动的响应者。

如果说工具是 AI 能做什么，那么资源就是 AI 能知道什么。为了让 AI 智能行动，它需要获取相关且最新的信息。资源正是提供这种上下文的关键。

定义： 资源代表应用程序向 AI 模型提供的特定数据或信息片段。它们作为受控访问点，连接应用程序状态或外部数据源。
控制： 资源由应用程序控制。应用程序决定哪些信息可作为资源使用，并确保提供的数据准确且实时。AI 模型可以请求访问资源，但数据本身由应用程序管理。
类比： 延续厨师的比喻，资源就像是储藏室和冰箱里的食材（应用程序的数据存储）。厨师（AI 模型）知道可以要求"西红柿"（访问用户资料资源），而厨房经理（应用程序）则确保西红柿新鲜并在请求时提供。
示例：
- 用户资料数据： 访问诸如姓名、邮箱、偏好等信息（用户资料资源）。
- 产品目录： 获取可用产品的详细信息（产品数据库资源）。
- 当前天气： 获取实时天气信息（weather_api_data 资源）。
- 文档内容： 访问特定文件的文本内容（document_text 资源）。
- GET 端点： 正如您所指出的，资源在功能上类似于 Web 开发中的 HTTP GET 端点——它们提供了一种检索特定信息的方式，而无需改变系统底层状态。

资源确保 AI 模型在必要的背景信息下运行，从而产生更相关、更准确的响应和行动。

当工具让 AI 行动、资源让 AI 认知时，提示允许用户（或开发者）引导 AI 如何处理任务。它们是塑造 AI 针对特定用例行为的模板或指令。

定义： 提示是与 AI 模型交互的预定义结构或模板，旨在为重复性任务或特定场景获取最优响应。通常包含动态信息的占位符。
控制： 提示通常由用户控制或开发者控制。用户或开发者设计这些提示以简化交互，并确保 AI 以最高效的格式接收指令。
类比： 将提示词想象成餐厅的标准点菜单。与其模糊地告诉厨师“给我做点吃的”，不如使用表单（点披萨提示）明确标注“尺寸：[大号]，配料：[意大利辣香肠，蘑菇]，饼底：[薄脆]”。这能确保厨师以正确格式获取所需的确切信息。
示例：
- 摘要提示： “总结以下文档：[文档内容]。重点关注关键发现和待办事项。”
- 邮件生成提示： “起草一封礼貌的跟进邮件给[收件人姓名]，内容关于我们讨论[主题]的会议。提一下会议笔记已附上。”
- 代码生成提示：“编写一个名为 [函数名] 的 Python 函数，该函数接收 [输入参数] 并返回 [预期输出]。需包含针对 [特定错误条件] 的错误处理。”

提示作为交互的蓝图，使得与 AI 的沟通更加高效、可预测，并能针对特定需求进行定制。

当工具、资源和提示协同工作时，MCP 的真正威力才得以显现。让我们通过一个简单场景来说明：

场景： 用户询问他们的 AI 助手：“我明天的日程安排是什么？能否帮我预订一个与张三关于项目启动的 30 分钟会议？”

用户请求： 初始请求到来。
提示（可选）： 应用程序可能使用预定义的 schedule_and_book 提示来构建交互，确保 AI 理解请求的双重性质。
资源访问： AI 模型识别出需要日程信息。它请求访问 user_calendar 资源。应用程序提供了明天相关的日历数据。
信息处理： AI 处理通过资源获取的日历数据。
工具调用： AI 确定需要预订会议。它识别出 book_meeting 工具作为合适的操作。
工具执行： AI 调用 book_meeting 工具，可能传递诸如参会人（“张三”）、时长（“30 分钟”）和主题（“项目启动”）等参数。该应用背后支持 book_meeting 工具的代码会与日历系统 API 交互以创建事件。
响应生成： AI 通过整合来自 user_calendar 资源的信息和 book_meeting 工具的执行结果（例如"明天上午 10 点您有一个会议。我已成功为您预约了下午 2 点与张三关于项目启动的 30 分钟会议。"）来生成用户响应。