本指南为构建 MCP (Model Context Protocol) 服务器的权威开发文档，由 Model Context Protocol 官方维护，旨在帮助开发者创建能让 LLM 与外部服务高效交互的工具集合。
核心用法
指南将开发流程划分为四个阶段：
1. 深度研究与规划：理解 MCP 设计原则（API 覆盖与 workflow 工具的权衡、命名规范、上下文管理、错误处理），研读协议规范与 SDK 文档（推荐 TypeScript，Python 备选），并规划工具实现
2. 项目实现：搭建项目结构，构建 API 客户端、错误处理、分页等基础设施，使用 Zod/Pydantic 定义输入输出 schema，实现异步工具函数并添加行为注解（readOnlyHint、destructiveHint 等）
3. 代码审查与测试：执行编译检查、使用 MCP Inspector 进行交互测试，确保代码符合 DRY 原则、类型完整、错误信息可执行
4. 创建评估：编写 10 道独立、只读、复杂且可验证的评估问题，以 XML 格式输出，用于验证 LLM 能否有效使用服务器完成真实任务
显著优点
- 来源权威：直接源自 MCP 官方仓库，与协议规范同步更新
- 流程完整：从架构设计到测试评估形成闭环，降低生产环境缺陷风险
- 技术栈明确：推荐 TypeScript + Streamable HTTP，兼顾 AI 代码生成友好性与可扩展性
- 工程实践丰富：涵盖 Zod/Pydantic schema 验证、结构化输出、分页、注解等进阶特性
- 质量保障机制：内置评估体系，可量化验证服务器对 LLM 的可用性
潜在局限
- 学习曲线：需同时掌握 MCP 协议概念、SDK API 及目标服务 API，对新手有一定门槛
- 维护成本：Streamable HTTP 虽易于扩展，但远程部署需处理认证、限流等生产级问题
- 版本同步：MCP 协议尚在演进（draft 阶段），工具注解等新特性可能随版本调整
适合人群
- 需为特定 SaaS/API（如 GitHub、Slack、数据库等）构建 MCP 集成的中高级开发者
- 希望 LLM Agent 获得可靠外部工具调用能力的 AI 应用架构师
- 已熟悉 TypeScript/Python 及异步编程，愿意投入时间理解协议细节的技术团队
常规风险
- 破坏性操作误触发：若未正确标注
destructiveHint或 schema 描述模糊，LLM 可能执行不可逆操作（如删除资源） - 敏感数据泄露：工具返回数据若未经脱敏，可能通过 LLM 上下文暴露给最终用户
- 认证凭证管理：远程服务器需安全存储 API key，避免硬编码或日志泄露
- 评估覆盖不足：10 道评估题难以覆盖所有边界场景，复杂服务器需补充集成测试
- 性能与成本：过度细粒度的工具设计可能导致 LLM 频繁调用，增加 token 消耗与延迟