使用说明
提示保护程序MCP服务器
MCP服务器，将成功的对话线程转换为可重用的提示，可用于未来的任务。基于这样一个原则，即LLM交互中最重要的工件是你为产生结果所做的工作，而不是结果本身。
特性
- 将对话另存为提示：将对话线程转换为可重用的markdown格式的提示模板
- 语义搜索：使用Voyage AI嵌入的矢量搜索查找相关提示
- 及时管理：根据反馈更新、检索和改进提示
- 用例分类：自动对提示进行分类（代码生成、文本生成、数据分析、创意、通用）
- 人工智能驱动的改进：使用GPT-4o-mini根据用户反馈自动改进提示
工具
save_prompt
对对话历史进行总结、分类，并将其转换为markdown格式的提示模板。
参数：
conversation_messages（string，必填）：包含对话历史的JSON字符串task_description（字符串，可选）：正在执行的任务的描述context_info（字符串，可选）：关于对话的其他上下文
search_prompts
使用语义搜索从数据库中检索提示。
参数：
query（字符串，必填）：搜索查询以查找相关提示limit（整数，可选）：最大结果数（默认值：5）
search_prompts_by_use_case
检索按用例类别筛选的提示。
参数：
use_case（字符串，必填）：用例类别（代码生成、文本生成、数据分析、创意、通用）limit（整数，可选）：最大结果数（默认值：10）
update_prompt
用新信息更新现有提示。
参数：
prompt_id（string，必填）：要更新的提示的IDchange_description（string，必填）：更改内容的描述prompt_template（字符串，可选）：新建提示模板summary（字符串，可选）：新摘要（触发嵌入再生）use_case（字符串，可选）：新用例类别history（字符串，可选）：更新历史记录
get_prompt_details
检索特定提示的完整详细信息。
参数：
prompt_id（string，必填）：要检索的提示的ID
improve_prompt_from_feedback
使用AI根据用户反馈自动改进提示。
参数：
prompt_id（string，必填）：要改进的提示IDfeedback（string，必填）：用户对提示的反馈conversation_context（string，可选）：关于如何使用提示的上下文
文档
- 入门指南 -逐步设置
- 团队设置指南 - 用于队友在Cursor中设置MCP服务器 ⭐
- 团队设置检查表 -快速参考清单
- 光标使用 -在Cursor中使用Python导入
- 自然语言工作流 -自然语言命令
- MCP专用工作流 -直接使用MCP工具
团队快速入门：
- 从GitHub安装：
pip install git+https://github.com/YOUR-ORG/prompt-saver-mcp.git - 复制
mcp.json.template到~/.cursor/mcp.json填写你的价值观 - 跟随 团队_设置_ ECKLIST.md
安装
-
克隆存储库：
git clone <repository-url> cd prompt-saver-mcp -
安装依赖项：
pip install -e . # or with uv: uv sync -
设置MongoDB Atlas：
- 创建MongoDB Atlas集群（免费层可用）
- 创建一个名为的数据库
prompt_saver - 在上创建矢量搜索索引
embedding字段：- 索引名称：
vector_index - 尺寸：
2048 - 相似性：
dotProduct - 路径：
embedding
- 索引名称：
-
配置环境变量：
cp .env.example .env # Edit .env with your API keys and MongoDB Atlas URI
配置
环境变量
| 变量 | 描述 | 默认值 | 必填 |
|---|---|---|---|
MONGODB_URI |
MongoDB Atlas连接字符串 | - | 是 |
MONGODB_DATABASE |
数据库名称 | prompt_saver |
没有 |
MONGODB_COLLECTION |
收藏名称 | prompts |
没有 |
VOYAGE_AI_API_KEY |
Voyage AI API密钥 | - | 是 |
VOYAGE_AI_EMBEDDING_MODEL |
嵌入模型 | voyage-3-large |
没有 |
OPENAI_API_KEY |
OpenAI API密钥 | - | 是 |
OPENAI_MODEL |
分析模型 | gpt-4o-mini |
没有 |
在游标中使用
此包旨在通过导入模块直接在Cursor中使用。无需设置MCP客户端！
快速开始
import asyncio
from prompt_saver_mcp.tools.search_prompts import handle_search_prompts
from prompt_saver_mcp.tools.save_prompt import handle_save_prompt
# Search for prompts
result = await handle_search_prompts("Python API client", limit=5)
print(result[0].text)
# Save a conversation
conversation_json = json.dumps([
{"role": "user", "content": "Help me create..."},
{"role": "assistant", "content": "Here's how..."}
])
result = await handle_save_prompt(conversation_json, "Creating API client")
助手脚本
我们在 scripts/ 目录以便于使用：
prompt_helper.py-具有搜索、保存和其他功能的主要助手save_branch_prompt.py-保存GitHub分支中的提示
看 CURSOR_USAGE.md 查看详细的示例和工作流程。
用法示例
保存提示
在Cursor中完成复杂任务后，将对话另存为可重用的提示：
import asyncio
import json
from prompt_saver_mcp.tools.save_prompt import handle_save_prompt
# Example conversation messages (JSON format)
conversation = [
{"role": "user", "content": "Help me create a Python function to parse CSV files"},
{"role": "assistant", "content": "I'll help you create a robust CSV parser..."},
# ... more conversation
]
# Save the prompt
async def save():
result = await handle_save_prompt(
conversation_messages=json.dumps(conversation),
task_description="Creating a CSV parser function",
context_info="Successfully created a parser with error handling"
)
print(result[0].text)
asyncio.run(save())
搜索提示
启动新任务时搜索相关提示：
import asyncio
from prompt_saver_mcp.tools.search_prompts import handle_search_prompts
async def search():
result = await handle_search_prompts("I need help with data processing in Python", limit=5)
print(result[0].text)
asyncio.run(search())
获取提示详细信息
检索特定提示的完整详细信息：
import asyncio
from prompt_saver_mcp.tools.get_prompt_details import handle_get_prompt_details
async def get_details():
result = await handle_get_prompt_details("prompt_id_here")
print(result[0].text)
asyncio.run(get_details())
更新提示
使用提示后，根据您的经验进行更新：
import asyncio
from prompt_saver_mcp.tools.update_prompt import handle_update_prompt
async def update():
result = await handle_update_prompt(
prompt_id="prompt_id_here",
change_description="Added error handling examples",
prompt_template="Updated template with better error handling..."
)
print(result[0].text)
asyncio.run(update())
通过反馈改进提示
使用AI自动改进提示：
import asyncio
from prompt_saver_mcp.tools.improve_prompt_from_feedback import handle_improve_prompt_from_feedback
async def improve():
result = await handle_improve_prompt_from_feedback(
prompt_id="prompt_id_here",
feedback="The prompt worked well but could use more specific examples for edge cases",
conversation_context="Used for debugging a complex API integration issue"
)
print(result[0].text)
asyncio.run(improve())
使用辅助脚本
为了便于使用，请使用辅助脚本：
# Search prompts
python scripts/prompt_helper.py search "Python API client"
# Save a prompt (will prompt for conversation JSON)
python scripts/prompt_helper.py save
数据库模式
每个提示都以以下结构存储：
{
"_id": ObjectId,
"use_case": "code-gen" | "text-gen" | "data-analysis" | "creative" | "general",
"summary": "Summary of the prompt and its use case",
"prompt_template": "Universal problem-solving prompt template (markdown)",
"history": "Summary of steps taken and end result",
"embedding": [0.1, 0.2, ...], // 2048 dimensions
"last_updated": ISODate,
"num_updates": 0,
"changelog": ["Change 1", "Change 2", ...],
"created_by": "user123" // Optional, for team sharing
}
MongoDB Atlas矢量搜索设置
- 转到您的MongoDB Atlas集群
- 导航到“搜索”选项卡
- 点击“创建搜索索引”
- 选择“JSON编辑器”
- 使用以下配置：
{
"fields": [
{
"type": "vector",
"path": "embedding",
"numDimensions": 2048,
"similarity": "dotProduct"
}
]
}
- 命名索引
vector_index - 选择
prompts收集
发展
运行测试
pytest
代码格式化
black prompt_saver_mcp/
ruff check prompt_saver_mcp/
许可证
MIT许可证-有关详细信息，请参阅许可证文件。
备注
- 使用
gpt-4o-mini成本效益模型（比gpt-4o便宜得多，但仍然有能力） - MongoDB Atlas免费版包括512MB存储空间和共享集群，足以供个人使用
- Voyage AI提供每月有限请求的免费套餐
- 矢量搜索索引需要在MongoDB Atlas UI中手动创建（一次性设置）
