使用说明
🔎 README的完整分析
1.什么是MCP提示？
- 提示= 预制指令 用于常见的工作流程和人工智能交互。
- 用户控制 → 用户决定何时使用它们。
- 不像 资源 （数据）和 工具 （动作），提示给出 指导/结构 AI。
👉 将提示视为 人工智能响应的配方.
2.我们为什么使用提示？
-
用户 可以 直接询问AI（例如，“重新格式化report.pdf”）。
-
但结果并不一致。
-
根据提示：
- ✅ 更高质量
- ✅ 处理边缘案例
- ✅ 跨场景一致
-
服务器作者（您）花时间设计和测试→ 用户只会受益。
👉 优势= 迅速的工程专业知识已经融入其中，而不是留给最终用户。
3.提示的主要特征
- 用户控制 → 不是自动的，只在需要时应用。
- 以教学为重点 → 可重用的指令，而不是原始数据。
- 上下文感知 → 可以包含以下变量
doc_id. - 可重复使用的 → 适用于多种场景。
- 结构化的 → 一致的风格→ AI反应可靠。
4.提示如何工作（工作流程）
- 服务器作者编写并评估提示。
- 使用以下命令在MCP服务器中定义它
@mcp.prompt. - 客户端随时请求提示
prompts/list. - 客户端传递的参数（变量）→ 插入提示。
- 服务器返回格式化的消息→ AI运行它们。
👉 这给了 参数化提示 → 灵活但一致。
5.核心MCP提示概念
-
快速发现 →
prompts/list显示可用模板。 -
快速生成 →
prompts/get获取一个已填写的提示。 -
参数处理 → 具有类型验证的变量。
-
新功能（2025-06-18规格）:
title字段- 更丰富的元数据
- 能力声明
6.协议消息
- 列表提示(
prompts/list) → 返回元数据（名称、描述、参数）。 - 获取提示(
prompts/get) → 检索一个，填充参数，返回结构化消息。
👉 这显示了客户端如何↔ 服务器↔ AI流工作。
7.实例（README待办事项练习）
- 格式提示 → 将文档重写为带有标题、表格等的Markdown。
- 总结提示 → 生成简明摘要。
两者均使用 @mcp.prompt 并返回结构化消息(UserMessage 或 PromptMessage).
8.客户端实现
list_prompts()→ 显示可用提示。get_prompt(name, args)→ 获取带有参数的特定提示。
👉 这使得终端用户可以发现和使用提示。
9.测试提示
- 使用 MCP检查员 → 检查模板，变量处理。
- 在CLI中：
/format plan.md→ 调用格式提示。 - 验证AI是否返回结构化的markdown指令。
10.下一步（超越README）
- 创建 特定域提示 （金融、医疗等）。
- 构建 提示链 （结合多个工作流提示）。
- 添加 验证 （确保输入正确）。
- 快速缓存 为了表现。
🌟 我们为什么这样做/优势
-
质量和一致性: 提示确保AI每次都能给出相同的可靠答案。
-
节省时间: 用户不会浪费时间编写自己的提示→ 他们只是跑
/summarize. -
领域专业知识: 专家可以将知识编码为提示→ 用户受益。
-
灵活性: 变量如
doc_id使提示具有适应性。 -
可重用性: 经过测试后，提示可以在工作流、项目和团队中重用。
💥 它的影响力有多大？
-
对于用户 → 不需要成为一名快速的工程师；它们只是调用预构建的提示。
-
对于团队 → 每个人都使用相同的测试工作流程→ 一致的输出。
-
对于组织 → 节省训练时间，减少错误。
-
对于AI → 通过提供结构化的指导来避免“幻觉”和混乱的答案。
-
与工具/资源相比:
- 工具= 行动
- 资源= 数据
- 提示= 人工智能思维指南
它们共同使MCP成为 完整的生态系统.
⚡ 简单来说： 👉 MCP中的提示就像拥有可重复使用的“超级指令”，确保AI始终以最佳状态工作，而无需用户每次都重新发明轮子。
