深入探索MCP技术在数据调用、API执行和模板生成中的实际应用，帮助开发者理解其核心机制。
本文重点涵盖三大模块：
1. 虚拟文件Resources的创建与MCP集成方法
2. 通过Tools实现API调用的完整示例
3. Prompts在模板生成过程中的关键作用

接下来，我们通过三个虚拟文件分别对应Resources、Tools与Prompts，借助这些模拟文件演示它们在MCP环境下的实际用法。每个文件都附带代码或伪代码，力求贴近真实开发场景，便于开发者上手实践。

文件 1：Resources 用法展示

文件名：server_logs.txt
描述：假设这个文件是一份服务器日志，通过MCP的Resources功能暴露给LLM，使其能够分析错误原因。
内容：

[2025-02-22 10:00:01] ERROR: Database connection failed - Timeout
[2025-02-22 10:00:05] INFO: Retry attempt 1
[2025-02-22 10:00:10] ERROR: Database connection failed - Timeout
[2025-02-22 10:00:15] FATAL: System shutdown

MCP 配置（伪代码）：

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

server.setRequestHandler("resources/list", async () => {
  return {
    resources: [{
      uri: "file:///logs/server_logs.txt",
      name: "Server Logs",
      mimeType: "text/plain"
    }]
  };
});

server.setRequestHandler("resources/read", async (request) => {
  if (request.params.uri === "file:///logs/server_logs.txt") {
    const logs = await readFile("server_logs.txt");
    return {
      contents: [{ uri: request.params.uri, mimeType: "text/plain", text: logs }]
    };
  }
  throw new Error("Resource not found");
});

用法解析：

• 实际操作：例如在Claude Desktop中直接输入“分析 server_logs.txt 的错误原因”，LLM便会通过MCP访问这个Resource，读取日志内容并进行分析。
• 结果：LLM可能会输出：“日志显示数据库连接多次超时，最终导致系统崩溃。建议检查网络延迟或数据库配置。” 这就像上传了一份日志文件，LLM可以“看到”内容并自动处理。Resources的核心作用是把数据提供给LLM，相当于“上传原材料”，为后续分析奠定基础。

文件 2：Tools 用法展示

文件名：weather_tool.py
描述：这是一个天气查询工具，通过MCP的Tools功能让LLM调用外部API获取实时天气数据。
内容：

# Python MCP 服务器定义工具
from mcp.server import Server
import requests

app = Server("weather-server")

@app.tool("get_weather")
async def get_weather(city: str) -> str:
    url = f"http://api.weatherapi.com/v1/current.json?key=YOUR_API_KEY&q={city}"
    response = requests.get(url).json()
    temp = response["current"]["temp_c"]
    condition = response["current"]["condition"]["text"]
    return f"{city} 当前温度: {temp}°C，天气: {condition}"

async def main():
    async with app.stdio_server():
        await app.run()

用法解析：

• 实际操作：在客户端输入“告诉我上海的天气”，LLM检测到需要实时数据，便会通过MCP调用get_weather工具，并传入参数city="上海"。
• 结果：工具返回“上海当前温度: 15°C，天气: 多云”，LLM再将这个结果整合到自然语言回答中。这就像上传了一个“天气查询脚本”，LLM不仅读取数据，还能直接“执行”它获取结果。Tools的核心价值是让LLM具备行动能力，而非仅被动查看数据。

文件 3：Prompts 用法展示

文件名：error_report_template.md
描述：这是一个错误报告模板，通过MCP的Prompts功能提供给LLM，用于生成标准化的报告内容。
内容：

错误报告
日志文件: {log_file}
错误概要
{summary}
详细分析
{analysis}
修复建议
{suggestions}

MCP 配置（伪代码）：

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

server.setRequestHandler("prompts/list", async () => {
  return {
    prompts: [{
      id: "error_report",
      name: "Error Report Generator",
      template: await readFile("error_report_template.md"),
      parameters: ["log_file", "summary", "analysis", "suggestions"]
    }]
  };
});

用法解析：

• 实际操作：输入“根据 server_logs.txt 生成错误报告”，LLM通过MCP获取这个Prompt模板，并结合Resources中的日志数据自动填充参数：
• log_file: "server_logs.txt"
• summary: "数据库连接超时导致系统崩溃"
• analysis: "多次重试失败，可能是网络问题"
• suggestions: "检查数据库端口和网络稳定性"
• 结果：LLM输出一份格式化的Markdown报告。这就像上传了一个“报告模板”，LLM按照既定框架填充内容，生成结构化输出。Prompts的作用是为LLM提供现成的模板和流程，显著提升生成效率与规范性。

三者如何协作：

假设将这三个文件全部“上传”到一个支持MCP的客户端（如Claude Desktop）：

1. Resources (server_logs.txt)：LLM首先读取日志，获取上下文信息。
2. Tools (weather_tool.py)：如果顺便询问“今天天气如何影响服务器”，LLM便会调用工具查询天气。
3. Prompts (error_report_template.md)：最后使用模板将日志分析和天气数据整合为一份完整的报告。

最终输出（模拟）：
错误报告
日志文件: server_logs.txt
错误概要
数据库连接超时导致系统崩溃
详细分析
日志显示多次超时，可能是网络问题。今日上海天气多云，温度15°C，未见极端情况。
修复建议
检查数据库端口和网络稳定性，排除硬件故障。

写到最后

通过上述例子，我们模拟了“上传文件”的直观体验，细致展示了MCP三大核心概念在实际开发中的落地方式。现实中，MCP需要服务器与客户端协同支持，但其底层原理正是如此简单直接，易于理解与实现。