用途：指导开发者构建高质量的 MCP（Model Context Protocol）服务器，使 LLM 能通过设计良好的工具访问外部服务与 API。
主要能力与工作流：资料将过程分为四个阶段。阶段一为深度研究与规划，强调以智能体为中心的设计原则：围绕工作流而非单纯包装 API 端点构建工具，合并相关操作（如同时检查可用性并创建事件的 schedule_event）；针对有限上下文优化，返回高信号信息而非数据堆砌，提供 concise 与 detailed 两种响应格式，默认使用人类可读标识符；设计可操作的错误信息，引导智能体正确使用并给出具体下一步建议。此阶段还要求查阅最新 MCP 协议文档，可用 WebFetch 加载 https://modelcontextprotocol.io/llms-full.txt，并参考 Python SDK（https://raw.githubusercontent.com/modelcontextprotocol/python-sdk/main/README.md）与 TypeScript SDK（https://raw.githubusercontent.com/modelcontextprotocol/typescript-sdk/main/README.md）。
阶段二为实现：Python 可用单个 .py 文件或模块化组织，使用 MCP Python SDK 注册工具，用 Pydantic 模型做输入校验；Node/TypeScript 需建立项目结构、配置 package.json 与 tsconfig.json，使用 MCP TypeScript SDK，用 Zod schema 校验输入。应先实现共享基础设施，包括 API 请求辅助函数、错误处理、响应格式化（JSON 与 Markdown）、分页辅助与认证/令牌管理，再系统化实现各工具。每个工具需定义输入 schema（含约束与字段描述）、编写完整 docstring（一句话摘要、用途说明、参数类型与示例、返回类型 schema、用法示例），并添加工具注解：readOnlyHint、destructiveHint、idempotentHint、openWorldHint。
阶段三为审查与优化：检查 DRY 原则、可组合性、一致性、错误处理、类型安全与文档完整性。
阶段四为创建评估：每个评估问题须独立、只读、复杂（需多次工具调用与深入探索）、贴近真实用例且答案可验证。
适用场景：需要为 LLM 开发连接外部服务或 API 的 MCP 服务器时。
限制：资料未提供具体安装命令、版本要求、收费信息或平台支持范围，这些事实暂未提供。